Rigorizing the use of the coefficient of variation to diagnose fracture periodicity and clustering
Rigorizing the use of the coefficient of variation to diagnose fracture periodicity and clustering
复制标题
严格使用变异系数来诊断骨折周期性和聚类
DOI：
10.1016/j.jsg.2023.104830
复制
发表时间：
2023
影响因子：
3.1
通讯作者：
Wang, Qiqi
中科院分区：
文献类型：
--
作者：
Hooker, John N.;Marrett, Randall;Wang, Qiqi
变异系数（CV）或群体标准差与平均值的比值可以区分一维空间或时间序列数据中的规则间距（CV< 1）或聚类（CV> 1）与随机序列（CV= 1）。该技术通常应用于裂缝间距，对规则性或群集性的意义进行定性解释。在这里，我们使用Monte Carlo模拟来获得强大的置信区间区分1D模式从随机信号usingCV。我们的模拟表明，CV是负偏小骨折人口。我们还提出了一个新的替代统计量，CV '，它是无偏的，并保留了能力的CV区分非随机性的一维序列。
The coefficient of variation (CV), or ratio of a population standard deviation to mean, can distinguish regular spacing (CV< 1) or clustering (CV> 1) from random sequences (CV= 1) in 1D spatial or time-series data. This technique is commonly applied to fracture spacing, with qualitative interpretations of the significance of the regularity or clusteredness. Here we use Monte Carlo simulations to derive robust confidence intervals for distinguishing 1D patterns from random signals usingCV. Our simulations show thatCVis negatively skewed for small fracture populations. We also present a new alternative statistic,CV’, which is unbiased and retains the capability ofCVto distinguish nonrandomness in 1D sequences.
登录
查看更多内容
影响因子：
5.2
作者：
Randolph T. Williams;Joshua R. Davis;L. Goodwin
通讯作者：
Randolph T. Williams;Joshua R. Davis;L. Goodwin
花岗岩地热储层裂缝间距变化和裂缝模式分布：以诺布尔山山脉为例（美国加利福尼亚州死亡谷）
DOI：
--
发表时间：
2021
期刊：
Géosciences
影响因子：
--
作者：
A. Chabani;G. Trullenque;Johanne Klee;B. Ledésert
通讯作者：
B. Ledésert
影响因子：
3.1
作者：
D. Sanderson;D. Peacock
通讯作者：
D. Peacock
关于通过扫描线收集的裂缝数据进行统计和空间分析的新的稳健工作流程（或平稳性的重要性）
影响因子：
3.4
作者：
A. Bistacchi;S. Mittempergher;M. Martinelli;F. Storti
通讯作者：
F. Storti
Marnoso-Arenacea 组浊积砂岩中（过）饱和节理的空间和间距分布。
影响因子：
3.1
作者：
F. Storti;A. Bistacchi;A. Borsani;F. Balsamo;M. Fetter;K. Ogata
通讯作者：
K. Ogata