发表机构
Institut de Physique des 2 Infinis de Lyon, CNRS-IN2P3, UMR 5822, Université de Lyon, Université Claude Bernard Lyon 1（里昂两无限物理研究所，CNRS-IN2P3，UMR 5822，里昂大学，克洛德·贝尔纳里昂大学）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
针对 μ子成像时间序列中通量变化分析，提出基于数据的空间块聚合与主成分分析方法，在 Sos Enattos 矿数据中识别出相干变异区域，无需预设感兴趣区域。
AI 中文摘要
μ子成像时间序列中的 μ子通量变化可以提供有关地质目标中密度相关变化的信息。一种常见的方法是在构建通量时间序列之前定义感兴趣区域，但这种选择可能会稀释相干信号或掩盖局部变化。我们提出了对意大利撒丁岛 Sos Enattos 矿两次 μ子数据采集的基于数据的分析。该方法将视线聚合到重叠的空间块中，计算标准化通量偏差，并通过奇异值分解应用主成分分析。主要成分揭示了空间相干结构和不同的时间演变。在每次运行中，第一模态解释了超过 20% 的方差，而前八个模态解释了约 80% 的方差。从空间模态中选择的区域显示出反相关和延迟的通量变化。这些结果表明，所提出的方法可以在不预先施加区域的情况下识别相干 μ子通量变异的候选区域。
英文摘要
Muon flux variations in muography time series can provide information on density-related changes in geological targets. A common approach is to define regions of interest before constructing flux time series, but this choice may dilute coherent signals or mask localized variations. We present a data-driven analysis of two muon data acquisitions at the Sos Enattos Mine in Sardinia, Italy. The method aggregates lines of sight into overlapping spatial blocks, computes standardized flux deviations, and applies principal component analysis through singular value decomposition. The leading components reveal spatially coherent structures and distinct temporal evolutions. In each run, the first mode explains more than 20% of the variance, while the first eight modes explain approximately 80%. Regions selected from the spatial modes show anticorrelated and delayed flux variations. These results show that the proposed approach can identify candidate regions of coherent muon-flux variability without imposing them a priori.
