基于深度学习的重力异常与重力梯度异常联合反演研究学术报告

一、 研究作者、机构与发表信息

本研究由张志厚（西南交通大学地球科学与环境工程学院、高速铁路线路工程教育部重点实验室）、廖晓龙（西南交通大学地球科学与环境工程学院）、曹云勇（中铁二院成都地勘岩土工程有限责任公司）、侯振隆、范祥泰、徐正宣、路润琪、冯涛、姚禹、石泽玉共同完成。该研究成果以“基于深度学习的重力异常与重力梯度异常联合反演”为题，于2021年4月发表在国内地球物理领域的权威期刊《地球物理学报》（Chinese Journal of Geophysics）第64卷第4期上（页码：1435-1452）。

二、 学术背景与研究目标

本研究属于地球物理勘探领域的重磁数据处理与反演研究方向。在重力大数据时代背景下，高效、高精度的反演算法变得尤为重要。传统的重力线性反演方法（如引入正则化、最小梯度约束的“聚焦反演”等）虽取得了一定成果，但仍存在计算效率低、稳定性差、易陷入局部极小值等问题，且通常严重依赖良好的初始模型，而在复杂地质条件下，可靠的初始模型往往难以获取。

随着人工智能，特别是深度学习（Deep Learning, DL）技术的兴起，其卓越的非线性映射能力为解决不适定反问题带来了新思路。深度学习已在电磁法、地震等地球物理反演中展现出应用潜力，但在重力及重力梯度数据反演领域的应用尚待深入探索。相较于单分量重力异常数据，重力梯度数据包含更丰富的地质信息，联合反演能更好地约束反演的多解性，刻画异常体的精细特征。

因此，本研究的目标是提出并验证一种全新的、基于深度学习框架的重力异常与重力梯度异常联合反演方法。其核心是构建一个能够直接学习从地面观测的多分量重力场数据（输入）到地下三维密度模型（输出）之间复杂非线性映射关系的深度神经网络，从而实现一种“端到端”的快速、高精度反演。

三、 详细研究流程

本研究流程主要包含三个关键阶段：样本数据集生成、网络模型训练、以及利用训练好的模型进行反演预测。 前两个阶段虽然耗时，但仅需执行一次；而第三阶段（预测）则非常迅速，可在几十毫秒内完成，这是该方法实用性的关键。

第一阶段：样本数据集生成 本研究的核心是监督学习，因此需要大量“输入-输出”配对数据作为训练集。输入是地面观测的重力异常及重力梯度张量（六个独立分量：δg, Uxx, Uxy, Uxz, Uyy, Uyz, Uzz），输出是地下半空间的三维剩余密度分布模型。 1. 快速正演算法开发：为高效生成海量训练样本，作者首先提出了一种创新的“基于网格点几何格架的重力异常及重力梯度异常空间域快速正演算法”。该算法是对姚长利等人（2003）几何格架技术的改进与发展。 * 传统方法局限：传统的长方体单元正演公式（如Nagy公式）计算每个观测点对每个模型单元的贡献时，存在大量重复计算。 * 创新点：作者将计算概念从“观测点对模型单元”转变为“观测点对模型剖分网格点”。他们定义了一个“网格点几何格架函数”q(x_i, y_j, z_k)，该函数仅与观测点和网格点的相对几何位置有关，与物性无关。 * 加速原理：对于规则剖分的网格，同一网格点会被多个相邻的模型单元共享（最多可达8个）。通过预先计算并存储观测区域四个角点对所有地下网格点的格架函数值，在后续计算任意观测点对任意模型单元的贡献时，只需根据平移等效性，组合调用该模型单元8个顶点对应的、已存储的格架函数值进行代数求和，再乘以密度即可。这避免了大量重复的超越函数计算，显著提升了正演速度，为生成大规模训练数据集奠定了基础。

1. 样本构建：利用上述快速正演算法，研究者对海量（文中虽未给出具体数字，但强调是“大量的”）随机生成的不同形状、大小、位置和密度的三维地质体模型进行正演计算。每个模型的正演结果（七个场分量图）作为网络输入，对应的真实三维密度模型作为训练标签（Ground Truth），由此构建出规模庞大的样本数据集。

第二阶段：网络模型训练 1. 网络结构设计（GraInvNet）：本研究设计了一个名为 GraInvNet (Gravity Inverse Network) 的深度全卷积神经网络（Fully Convolutional Neural Network, FCN）。该网络基于著名的U-Net架构进行简化和改进，以适应重力反演的特殊性。 * 输入输出适配：与图像语义分割（输入输出同维度）不同，重力反演是二维场数据到三维物性模型的映射。GraInvNet的输入端是多通道的二维重力场图像（通道数为7，对应7个场分量），输出端则是多通道的二维图像，其中每个通道代表地下某一特定深度层的密度值，从而通过堆叠通道来表征三维空间。 * 网络架构：网络包含15个卷积层（采用3x3卷积核）、3个最大池化层（用于下采样，扩大感受野）和3个上采样层（用于恢复空间分辨率）。其核心是“编码器-解码器”结构以及跳跃连接（Skip-connection）。编码器通过卷积和池化逐步提取高级特征并压缩数据尺寸；解码器通过上采样和卷积逐步恢复空间细节。跳跃连接将编码器阶段对应层的高分辨率特征图与解码器阶段的特征图进行融合，有效结合了浅层的精细位置信息和深层的抽象语义信息，这对于精确恢复异常体边界至关重要。 * 感受野：网络的总感受野计算为80，意味着网络输出中的每个像素（对应地下某个位置）的预测，综合考虑了输入图像上80x80区域内的所有场值信息，这保证了网络有足够的能力捕捉重力场的区域性特征。

1. 训练策略与优化：
   • 损失函数：采用预测密度模型与真实标签模型之间的归一化L2范数（均方误差）作为损失函数，通过最小化该误差来驱动网络学习。
   • 优化算法：采用自适应矩估计（Adam）优化器，它结合了动量法和RMSProp算法的优点，能自适应调整每个参数的学习率，收敛速度快且适合处理大规模数据。
   • 正则化技术：为缓解过拟合，提升模型泛化能力，采用了两种关键技术：
     • Dropout：在训练过程中随机“丢弃”一部分神经元连接，强制网络学习更鲁棒的特征，避免对训练数据的过度依赖。
     • 批归一化（Batch Normalization）：对每一层的输入进行归一化处理，使数据分布更稳定，加速训练过程并提高模型性能。
   • 激活函数：卷积层后使用线性整流函数（ReLU），其稀疏激活特性有助于梯度传播和加速收敛；输出层使用Sigmoid函数将输出值约束在合理范围。

第三阶段：反演预测 一旦GraInvNet网络在大型数据集上训练完毕，其网络参数（权重和偏置）便固定下来，形成了一个强大的非线性映射函数。对于新的、未见过的实测重力及重力梯度数据，只需将其作为输入馈入该训练好的网络，网络即可在毫秒级时间内直接输出预测的三维地下密度模型，实现近乎实时的反演。

四、 主要研究结果

研究通过理论模型试验和实测数据应用来验证所提方法的有效性和优越性。

1. 理论模型试验结果：

   • 联合反演 vs. 单一分量反演：测试表明，利用重力异常与多个重力梯度分量进行联合反演的结果，相比仅使用单一重力异常分量进行反演的结果，具有显著的优越性。联合反演结果更加“聚焦”，即异常体的边界更加清晰、空间位置更加准确，与真实模型的吻合度更高。这证明了多维度数据提供的互补信息能有效约束反演的多解性。
   • 复杂模型反演能力：对于埋深、形状和物性分布复杂的模型，GraInvNet联合反演方法依然能够较为准确地预测其空间姿态和物性参数，展现了深度学习模型强大的非线性拟合与特征提取能力。
   • 抗噪性测试：在输入数据中加入噪声后，GraInvNet的反演结果质量并未出现显著下降。这表明通过大量含噪数据（或数据增强技术）训练的网络，具备一定的鲁棒性，能够压制部分随机干扰，这对于处理实际勘探数据至关重要。

2. 实测数据验证： 研究将所提方法应用于美国Vinton盐丘的实测重力数据。反演结果有效揭示了盐丘的构造特征，与已知地质认识相符，从而在实践层面验证了该深度学习反演方法的有效性和应用潜力。

3. 结果之间的逻辑关系：

   • 快速正演算法（第一阶段成果）的高效性是构建大规模、多样化训练数据集的前提，而高质量的数据集是深度学习模型（第二阶段成果）能否成功学习到有效映射关系的关键。
   • 网络模型在合成数据上展现出的优越性能（聚焦性、对复杂模型的适应性、抗噪性）是其能够成功应用于实测数据（第三阶段成果）的内在基础。理论模型试验验证了方法的原理正确性，实测数据应用则证明了方法的实际可行性。

五、 结论与研究价值

本研究成功提出并实现了一种基于深度学习（具体为全卷积神经网络GraInvNet）的重力异常与重力梯度异常联合反演方法。结论表明： 1. 方法有效性：该方法能够实现从多分量重力场数据到三维密度模型的“端到端”快速、高精度反演。联合反演相比单一数据反演，在分辨率、边界刻画和复杂模型重建方面具有明显优势。 2. 技术可行性：研究证实了深度学习，特别是FCN架构，在处理地球物理位场反演这类具有空间相关性和局部存在性特征的问题上是可行且高效的。 3. 应用潜力巨大：该方法规避了传统线性反演方法对初始模型依赖性强、计算成本高、易陷入局部最优等问题，为重力大数据的高效、自动化解释提供了一条全新的技术途径。

科学价值：本研究将前沿的深度学习技术引入传统的地球物理重力反演领域，提出了一种全新的非线性反演范式。它不仅仅是传统反演算法的加速，更是一种思维模式的转变——从求解一个复杂的数学物理反问题，转变为学习一个从数据到模型的复杂映射函数。

应用价值：在矿产勘探、地质构造调查、工程勘察等领域，该方法有望显著提高重力数据解释的效率和精度。其“训练一次，快速预测”的特点，尤其适合应对海量重力数据的处理和实时解释需求。

六、 研究亮点

1. 方法创新性：首次系统性地提出了基于全卷积神经网络（FCN） 进行重力与重力梯度多分量联合反演的完整框架，是深度学习在地球物理重磁反演领域的一次深入且成功的探索。
2. 技术创新：提出了基于网格点几何格架的快速正演算法，极大地提升了训练样本的生成效率，为深度学习模型训练提供了数据保障，是该工作得以实现的重要技术支撑。
3. 网络结构针对性设计：设计的GraInvNet网络巧妙地将三维反演问题转化为多通道二维图像预测问题，并利用U-Net的编码-解码结构与跳跃连接，有效融合了重力场数据的多尺度特征，兼顾了全局构造与局部细节的恢复。
4. 系统性验证：研究不仅进行了充分的合成数据实验（对比了单一与联合反演、测试了复杂模型和抗噪性能），还通过了Vinton盐丘实测数据的检验，形成了从理论方法创新、算法实现到实际应用验证的完整闭环。
5. 前瞻性：研究明确指出了深度学习在“重力大数据时代”背景下解决高效高精度反演问题的巨大潜力，为相关领域的研究方向提供了重要参考。

七、 其他有价值内容

文中还对深度学习的正则化技术（如Dropout、批归一化）、优化算法（如SGD, Adam）的选择进行了简要论述，并解释了其在提高模型泛化能力和训练效率方面的作用，这些内容对于将深度学习应用于其他地球物理反演问题具有普遍的借鉴意义。此外，文章在引言部分对传统重磁反演方法及机器学习在地球物理中的应用现状进行了较好的综述，为读者理解本研究的定位和价值提供了清晰的学术背景。