利用多種數(shù)據(jù)集進行聯(lián)合反演成像是獲取高精度地下結(jié)構(gòu)的重要手段。已有的方法大都基于線性或非線性算法，二者分別存在依賴初始模型和計算量大等局限性。近年來有學(xué)者將深度學(xué)習(xí)應(yīng)用于模型反演研究，但目前仍處于初步研究階段，通常只采用單一觀測數(shù)據(jù)進行反演，成像精度較低，且通用性較差。為此有必要發(fā)展新的基于多模態(tài)神經(jīng)網(wǎng)絡(luò)的聯(lián)合反演方法，能夠具備不依賴初始模型且計算速度快的優(yōu)勢。

中國地震局地球物理研究所王偉濤研究員團隊基于Transformer模型構(gòu)建了面波頻散和橢率聯(lián)合反演的神經(jīng)網(wǎng)絡(luò)JointNet。這種網(wǎng)絡(luò)本身的復(fù)雜程度使得它具有較高的精度和性能。利用多個Transformer網(wǎng)絡(luò)層分別提取輸入的面波頻散和橢率曲線的特征，利用連接層和線性層將輸入數(shù)據(jù)的特征轉(zhuǎn)換為一維橫波速度模型，實現(xiàn)聯(lián)合反演。

圖1 JointNet網(wǎng)絡(luò)架構(gòu)

基于全球速度模型Crust1.0隨機生成一維模型并計算其理論面波頻散和橢率數(shù)據(jù)對網(wǎng)絡(luò)進行訓(xùn)練直至收斂。分別利用理論和實際觀測數(shù)據(jù)對訓(xùn)練好的網(wǎng)絡(luò)進行驗證。結(jié)果顯示JointNet和MCMC方法反演獲得的模型具有較好的一致性，對結(jié)果的統(tǒng)計分析表明該方法能夠獲得與傳統(tǒng)非線性方法精度相當(dāng)?shù)姆囱萁Y(jié)果。反演過程中分別統(tǒng)計了兩種方法的計算耗時，結(jié)果顯示JointNet的計算時間大幅減少，計算效率約為MCMC方法的20萬倍，因此可作為此類方法的替代方法。由于采用了基于全球模型隨機生成的數(shù)據(jù)進行訓(xùn)練，JointNet可直接應(yīng)用于不同研究區(qū)域，不需要重復(fù)訓(xùn)練。JointNet可聯(lián)合多種數(shù)據(jù)進行反演，具有較高的拓展性，可作為一種新的反演框架用于后續(xù)的成像研究。

圖2 利用JointNet和MCMC方法反演理論數(shù)據(jù)得到一維模型對比

圖3 利用JointNet和MCMC方法反演真實觀測數(shù)據(jù)得到一維模型對比

圖4 利用JointNet和MCMC方法反演真實觀測數(shù)據(jù)得到三維模型對比

綜上，基于深度學(xué)習(xí)的聯(lián)合反演算法能夠在保證計算精度的情況下大幅提升計算效率，在密集臺陣成像研究中能夠替代傳統(tǒng)反演方法，具有很好的應(yīng)用前景。 

研究成果于2023年發(fā)表在學(xué)術(shù)期刊《Bulletin of the Seismological Society of America》（Huang, X., Z. Yu, W. Wang, and F. Wang. 2023. JointNet: A Multimodal Deep Learning-Based Approach for Joint Inversion of Rayleigh Wave Dispersion and Ellipticity, Bull. Seismol. Soc. Am. XX, 1–15, doi: 10.1785/0120230199）,受國家重點研發(fā)計劃項目（2021YFC3000702）、中國地震局地球物理研究所基本科研業(yè)務(wù)費專項（DQJB22R34）和國家自然科學(xué)基金（U2239206, 42004046）共同資助。

【作者簡介】

第一作者：黃翔，男，地球物理先導(dǎo)技術(shù)研究室助理研究員，主要從事背景噪聲成像、遠震面波成像、聯(lián)合反演殼幔結(jié)構(gòu)等相關(guān)研究工作。Email：huangxiang@cea-igp.ac.cn

通訊作者：于子葉，男，地球物理先導(dǎo)技術(shù)研究室副研究員，畢業(yè)于中國科學(xué)院大學(xué)。從事地震數(shù)據(jù)分析、面波反演工作。并著有《深度學(xué)習(xí)算法與實踐》一書。Email：yuziye@cea-igp.ac.cn