بهبود وارون‌سازی دوبُعدی داده‌های مگنتوتلوریک با استفاده از روش‌های خودکار انتخاب پارامتر منظم‌سازی

تولید یک مدل مناسب در حل منظم مسئله وارون به انتخاب مناسب پارامتر منظم‌سازی وابسته است، لذا برآورد این پارامتر می­تواند اهمیت زیادی داشته باشد. در اکثر مسائل وارون، این پارامتر به‌صورت تجربی انتخاب می­شود. هدف از تحقیق حاضر، عرضه و  به­کارگیری روشی برای انتخاب خودکار پارامتر منظم‌سازی مناسب برای وارون‌سازی دوبُعدی داده­های مگنتوتلوریک است. برای این منظور دو روش اعتبار­سنجی تقاطعی تعمیم­یافته (GCV: Generalized Cross Validation) بهبود­ داده شده و منحنی LL-Curve) در الگوریتم وارون‌سازی دوبُعدی داده‌‌های مگنتوتلوریک به کار برده می­شود. برآورد پارامتر منظم‌سازی با این روش­ها در یک مثال مصنوعی تقریباً پیچیده و با اِعمال دو درصد نوفه تصادفی و همچنین برای یک دسته داده واقعی تشریح می­شود. نتایج حاصل نشان می­دهد که هر دو روش فوق در انتخاب پارامتر منظم‌سازی در داده­های مصنوعی توانمند هستند. همچنین نتایج به‌دست آمده برای داده‌‌های واقعی و مقایسه آنها با نتایج به‌دست آمده به روش ACBActive Constrain Balancing) نشان می­دهد که روش GCVبهبودیافته به‌‌خوبی قادر است پارامتر منظم‌سازی را برای تولید یک مدل مناسب برآورد کند، در صورتی‌‌که روش منحنی Lبه همراه یک طرح کنترلی می­تواند مفید واقع شود.