广州地化所在基于深度学习的地震学和电磁学联合反演研究取得进展
广州地化所在基于深度学习的地震学和电磁学联合反演研究取得进展
在地球物理学反演成像中，单一物理属性反演受到噪声干扰、先验信息或数据集不充分的影响，导致获得的地下物理参数模型存在不确定性和非唯一性。目前，联合多种地球物理场如地震或电磁观测数据的共同反演是解决这些问题的有效途径。
在地球物理学领域，地震和电磁成像方法是两种重要的深部探测手段。地震成像主要揭示地下介质的速度参数，而电磁成像则侧重于电阻率参数。这两种方法在空间分辨率及对异常体的敏感度上各有优势。因此，开展地震和电磁联合反演，旨在通过两种观测数据的约束，同时获得速度和电阻率的结构特征。
目前，主流的联合约束方法主要有两种：岩石物理约束方法和基于结构相似性的约束方法（如交叉梯度约束）。然而，这些方法都存在一定的局限性。例如，加入约束正则化项需要额外考虑参数权重，增加了问题的复杂度。对于地质构造复杂的研究区域，不同尺度和深度的岩石电性、速度特征之间的关系可能非常复杂，现有的机器学习方法难以有效捕捉这些非线性关系。
深度学习方法为解决这一问题提供了新的思路。神经网络能够处理大型非线性问题，发掘不同区域、不同参数间的隐性关系，从而显著简化联合目标函数的构建和参数权重选择问题。
研究方法与创新
中国科学院大学博士生马骥骁在导师邓阳凡研究员的指导下，联合清华大学合作者，提出了一种基于深度学习的智能地震电磁联合反演方法。该方法采用属性融合的思路，利用泛化的神经网络为每次迭代同时预测新的速度和电阻率参考模型，以促进反演过程的收敛优化。
研究团队构建了基于泛化卷积神经网络的智能地震电磁联合反演框架（见图1），该框架明确了神经网络以及两种数据反演的步骤，有效简化了联合反演流程及目标函数设计的复杂性。
图1 基于深度学习的智能联合反演框架
实验结果与验证
研究团队利用合成数据分别进行了地震和电磁数据的单独反演、基于交叉梯度的联合反演以及基于深度学习的联合反演。测试结果表明，基于深度学习的联合反演方法在多个方面都优于其他方法：
- 对异常体的形态恢复有明显改进（见图2）；
- 对地震和电磁数据的拟合效果更好（见图3）。
图2 不同反演方法的结果对比：(a)和(b)为真实电阻率和速度模型，(c)和(d)为单独反演获得模型，(e)和(f)为交叉梯度联合反演获得模型，(g)和(h)为基于深度学习联合反演获得模型
图3 地震和电磁数据的拟合曲线
未来展望
目前，基于深度学习的地震电磁联合反演方法尚未应用于实际观测数据的联合反演工作中。未来，这项技术有望在探矿、火山区等浅部成像研究中发挥重要作用。此外，本项研究为未来的三维尺度下联合反演方法的开发提供了指导思路，并有望结合接收函数以及面波频散等地震学数据，以提供更多的信息约束，从而获得精度和可靠性更高的壳幔尺度成像结果。
成果发表
这项研究成果发表在国际知名学术期刊《Surveys in Geophysics》上。研究工作得到了国家重点研发计划（2022YFF0801003）、国家自然科学基金（42322401）和中国科学院先导项目（XDA0430203）的资助。
参考文献：
Jixiao Ma, Yangfan Deng*, Xin Li, Rui Guo, Hongyu Zhou, Maokun Li. 2024. Recent Advances in Machine Learning-Enhanced Joint Inversion of Seismic and Electromagnetic Data. Surv Geophys, https://doi.org/10.1007/s10712-024-09867-3
