Generative Adversarial Networks for Model Order Reduction in Seismic Full-Waveform Inversion
我训练一个生成对抗网络来生成逼真的地震波速度模型。我将发电机网络集成到地震全波形反演中，以减少模型参数的数量，并将反演模型限制为仅合理的模型。应用该方法的SEAM模型的2D部分，我证明了它可以产生更合理的结果比传统的全波形反演。
2018-06-03 physics.comp-ph physics.geo-ph
Convergent representations of elastic-wave structure emerge across deliberately distinct seismic training routes
Institute of Geophysics, China Earthquake Administration（中国地震局地球物理研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Laboratory of Seismology and Physics of Earth’s Interior, School of Earth and Space Sciences, University of Science and Technology of China（中国科学技术大学地球和空间科学学院地球内部地震学与物理学实验室）；Institute of Advanced Technology, University of Science and Technology of China（中国科学技术大学先进技术研究院）
本研究证明不同地震训练模型（PNSN与SeismicXM）在实验室声发射上形成收敛的波形表示，并支持跨尺度到达波迁移，凸显紧凑模型的泛化能力。
2026-09-30 physics.geo-ph
A Mutil-conditional Diffusion Transformer for Versatile Seismic Wave Generation
本文提出一种多条件扩散Transformer地震波生成器，通过生成高质量波形训练下游模型，在真实波形上实现99%震相拾取召回率与精确率，并减少震级估计偏差，为解决区域标注数据不足问题提供了新途径。
2025-09-21 physics.geo-ph
Analysis of core-mantle boundary seismic waves using full\-waveform modelling and adjoint methods
利用谱元和伴随方法，我们研究了体波与地球最引人注目的界面--核幔边界（CMB）的相互作用。结合地形模型计算中高频地震图。我们分析了与界面相互作用的多个地震震相的敏感性。这项研究的目的是显示合成的CMB结构的影响，并突出了成像的困难，由于强烈的速度变化和地形之间的权衡这一地区。使用在6-18秒的主导周期计算的合成波形，以观察由于地形引起的时间偏移并计算伴随灵敏度核。我们重点讨论了绕射、岩心反射和折射的P波和S波。灵敏度核描绘了这些相位的第一菲涅耳区和可能有助于窄时间窗的其他菲涅耳区，尽管射线理论未预测到。我们进行比较，由于地形模型的全波形合成射线理论预测，以评估通常部署成像CMB的方法之间的时间偏移。这表明，对于大多数相位，射线理论表现得足够好，但有一些精度损失。我们建议在全波形反演中同时使用相关地震相可以改善CMB地形成像。然而，似乎有必要联合反演由于D”层引起的速度变化，到目前为止，对D“层的理解还很有限，并且在识别其对走时数据的影响时提出了挑战。在我们的进一步研究中，正在开发FWI工作流程，旨在解决这些问题。
2021-10-21 physics.geo-ph
Numerical Fréchet derivatives of the displacement tensor for 2.5-D frequency-domain seismic full-waveform inversion in viscoelastic TTI media
位移张量相对于地下的独立模型参数的导数，也称为Fréchet导数（或灵敏度核），是利用局部搜索优化算法进行地震全波形反演的关键成分。它们提供了由于给定勘测几何结构的地下模型参数的扰动而引起的地震图的预期变化的定量测量。由于2.5-D波场模拟涉及具有3D（球面）波特性的2-D地质模型中的真实点源，所以它产生的合成数据比通常使用的2-D波模拟更接近实际的实际场数据，2-D波模拟使用不现实的线源，其中波以圆柱形传播。基于我们最近发展的一般2.5-D波场模拟方案，我们应用摄动方法获得了一般粘弹性各向异性介质中2.5-D/2-D频率域地震全波形反演位移张量导数的显式解析表达式。然后，我们证明了所有这些衍生物在两种常见情况下的数值计算：（i）粘弹性各向同性和（ii）粘弹性倾斜横观各向同性（TTI）固体。不同的敏感性模式的各种衍生物的例子进行了研究，并比较了四个不同的同质模型，涉及2-D和2.5-D建模。
2022-12-15 physics.geo-ph
Micro-seismic Elastic Reflection Full Waveform Inversion with An Equivalent Source
本研究提出一种基于等效源的微地震弹性反射全波形反演方法，通过结合P波和S波数据，采用与源起震时间解耦的目标函数，同时反演源图像、时间函数和速度模型，有效克服了周期跳跃问题并提高了参数估计精度。
2023-10-18 physics.geo-ph
Bayesian Full-waveform Inversion with Realistic Priors
地震全波形反演（FWI）使用全地震记录来估计地下速度结构。这需要一个高度非线性和非唯一的逆问题来解决，贝叶斯方法已被用来量化的解决方案中的不确定性。变分贝叶斯推断使用优化来有效地提供解决方案。该方法已被应用于解决传输FWI问题，使用已知的地震样源产生的数据，与强先验信息施加在速度上。遗憾的是，这种关于速度结构和震源的先验信息在实践中是永远得不到的。我们提出的第一个应用程序的方法在地震反射设置，并与现实弱先验信息。因此，我们证明，该方法可以产生高分辨率的图像和可靠的不确定性，实际合理的先验信息。
2021-04-10 physics.geo-ph
Multi-scale seismic envelope inversion using a direct envelope Frechet derivative for strong-nonlinear full waveform inversion
传统的地震波包络反演是利用非线性失配泛函将地震记录的包络与观测波场记录联系起来，然后将非线性泛函线性化，利用波形的Frechet导数求出包络对速度的灵敏度核。我们知道，波形弗雷歇导数是基于波散射的玻恩近似，只能适用于弱散射的情况。因此，传统的波形弗雷歇导数包络反演方法在大尺度、强对比度包裹体的强散射情况下存在严重的局限性。本文从能量散射物理出发，在不使用微分链式法则的情况下，导出了一种新的直接包络Frechet导数（灵敏度算子）。这种新的包络Frechet导数不具有弱散射假设的波场，并可以应用于强非线性反演涉及盐结构的情况。我们还将包络数据扩展为多尺度窗口平均包络（WAE），它包含了丰富的低频分量，对应于介质的长波长速度结构。在此基础上，提出了一种新的多尺度直接包络反演（MS-DEI）与标准FWI相结合的联合反演方法，用于恢复复杂模型的大尺度强对比度速度结构。最后，我们展示了一些数值例子，它成功地应用于反演的1-D厚盐层模型和2D SEG/EAGE盐模型。
2018-08-15 physics.geo-ph
Low-magnitude seismic activity between the Kamchatka July 20 and July 29, 2025, earthquakes. Spatio-temporal evolution recovered using waveform cross-correlation
利用波形互相关技术恢复2025年7月20日至29日克里米亚地震的时空演变，揭示地震准备过程。
2026-01-10 physics.geo-ph
An ObsPy library for event detection and seismic attribute calculation: preparing waveforms for automated analysis
我们对观测地震学obspy软件包进行了扩展，以提供一个针对非地震源地震信号处理的精简工具，特别是来自冰川和山体滑坡等变形系统的地震信号。该地震属性库提供以下功能：（1）下载和/或预处理地震波形数据;（2）使用来自一个或多个地震仪的多分量信号来检测和编目震波迹象;以及（3）计算所识别事件的特性（“属性”/“特征”）。该工作流程由三个主要功能控制，这些功能已经过测试，以确定永久性和非永久性部署的地震仪器所预期的数据类型的广度。所选择的STA/LTA类型（短期平均/长期平均）或其他事件检测算法可以应用于波形和实现的用户定义函数，以计算检测到的事件的任何所需特性。代码是用Python 2/3编写的，可以在GitHub上找到，还有详细的文档和工作示例。
2021-08-19 physics.comp-ph physics.geo-ph
Seismic Full-Waveform Inversion Using Deep Learning Tools and Techniques
我证明了传统的地震全波形反演算法可以构建为递归神经网络，并使用TensorFlow等深度学习软件实现。应用另一个深度学习概念，即使用小批量数据的Adam优化器，比随机梯度下降和使用整个训练数据集计算成本函数和梯度的L-BFGS-B优化器更快地收敛到2D数据集上的真实波速模型。我还表明，使用反向模式自动微分的成本函数梯度计算是相同的伴随状态方法中使用的。
2018-01-31 physics.comp-ph physics.geo-ph
SeisLM: a Foundation Model for Seismic Waveforms
University of Basel（巴塞尔大学）；Université Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；Université Savoie Mont Blanc（萨瓦勃朗峰大学）；CNRS（法国国家科学研究中心）；Université Gustave Eiffel（埃菲尔大学）；Sapienza University of Rome（罗马大学）；Pennsylvania State University（宾夕法尼亚州立大学）；Rice University（莱斯大学）
本文提出地震波形基础模型 SeisLM，通过自监督对比学习在开源地震数据上预训练，微调后在事件检测、震相拾取、起始时间回归和前震-余震分类等任务中表现优异。
2024-10-21 cs.LG physics.geo-ph
On extracting coherent seismic wavefield using variational symmetric autoencoders
本文提出变分对称自编码器SymAE，通过在潜空间中解耦相干震源信息与波形特定干扰信息，在不依赖反卷积的情况下从远震P波数据中提取高信噪比相干波场，并成功识别稳健震源信息、生成高分辨率虚拟地震图，适用于分析多次破裂的复杂地震。
2024-11-23 physics.geo-ph
Earthquake Source Depth Determination using Single Station Waveforms and Deep Learning
Department of Earth and Environmental Sciences, Dalhousie University（达尔豪斯大学地球与环境科学系）
本文提出VGGDepth网络，利用单站波形和深度学习确定地震震源深度，有效降低深度估计的不确定性。
2026-01-12 physics.geo-ph
A review of the use of optimal transport distances for high resolution seismic imaging based on the full waveform
我们考虑的高分辨率震波成像方法称为全波形反演（FWI）。FWI是一种反演地下力学参数的数据拟合方法。尽管FWI被学术界和工业界广泛采用，并取得了许多成功的结果，但FWI仍然受到严重的限制。从数学的角度来看，FWI是一个大规模的偏微分方程约束优化问题。所使用的失配函数是非凸的，该失配函数测量观测到的地震资料与通过解决波传播问题计算出的数据之间的差异。在离散化之后，FWI问题的大小需要使用局部优化求解器，其倾向于收敛到局部最小值。因此，FWI的成功很大程度上取决于初始模型的选择，以确保收敛到全局最小的失配函数。这一局限性一直是各种战略的动机。在已经研究的不同方法中，最近已经推广了基于最佳运输（OT）距离的失配函数的使用。主要思想是受益于OT距离相对于膨胀和平移的固有凸性，以使FWI问题更加凸。然而，OT距离在FWI框架中的应用并不简单，因为地震资料是有符号的，而OT是为了比较概率测量而开发的。本研究的目的是回顾两种方法，开发来克服这个困难。这两种方法都已成功地应用于工业框架中的现场数据。这两种方法都可以更好地利用地震资料，减轻对初始模型和各种常规工作流程步骤的敏感性，并减少地下力学参数反演的不确定性。
2022-04-18 physics.geo-ph
Simultaneous inversion of layered velocity and density profiles using Direct Waveform Inversion (DWI): 1D case
我们提出并测试了直接波形反演（DWI）计划，同时反演分层速度和密度剖面，使用反射地震波形记录在表面上。记录的数据包括一次反射和层间多次波。DWI是在时空域中实现的。通过明确地执行波场时空因果关系，DWI可以递归地确定从浅到深的深度的尖锐界面以及层的属性的局部方式的地下地震结构。DWI与剥层法在频域上有所不同。由于不需要全局初始模型，DWI避免了许多非线性优化问题，例如局部最小值和大多数全波形反演方案中对精确初始模型的需要。本文通过两个数值试验，证明了利用不同入射角的平面波进行层状介质速度和密度多参数地震反演的DWI方法。与之前仅针对速度进行反转的DWI相比，这是一个重要步骤。
2021-08-07 physics.geo-ph
A Bayesian-based approach to improving acoustic Born waveform inversion of seismic data for viscoelastic media
在地震波形反演中，通常使用近似的波传播模型来执行地下属性的重建，以确保计算效率。地下的粘弹性性质往往是不考虑的，两个流行的近似-声学和线性玻恩反演-被广泛使用。这导致重建误差，因为近似忽略了非均匀地球中地震波传播的现实（物理）方面。在这项研究中，我们表明，贝叶斯近似误差的方法可以用来部分恢复错误，解决弹性和粘性效应的声学玻恩反演粘弹性介质。数值算例表明，忽略近似引起的模拟误差，地下速度场的恢复效果很差。
2019-11-04 physics.comp-ph physics.geo-ph
A computer vision-based approach to clean seismic catalogues
Sapienza University（罗马第一大学）；Seismix srl（Seismix公司）；University of Pisa（比萨大学）；Kyoto University（京都大学）
提出一种结合波形定位与深度学习图像分类的计算机视觉流程，通过相干矩阵的二值图像分类区分真实地震事件与噪声，提升地震目录的清洁度和定位精度。
2026-06-23 physics.geo-ph
Tremor Waveform Denoising and Automatic Location with Neural Network Interpretation
活动断层通过一系列的滑动模式释放板块运动所施加的构造应力，从缓慢的非稳态滑动到动态的震波迹象。慢地震通常与构造震颤有关，这种非脉冲信号很容易隐藏在地震噪音中而无法被检测到。我们提出了一种新的方法，旨在提高地震噪声中隐藏的震颤的检测和定位。在用经典的卷积神经网络识别震颤之后，我们依靠神经网络属性来提取核心震颤特征并对输入波形进行降噪。然后，我们使用这些干净的波形定位震颤与标准的基于阵列的技术。我们将这种方法应用于卡斯卡迪亚俯冲带，在那里我们确定与现有目录一致的震颤补丁。特别是，我们表明，从神经网络属性分析产生的清洁信号对应于在地壳和地幔中以与当地估计一致的波速行进的波形。这种方法使我们能够提取隐藏在噪声中的小信号，从而定位比现有目录更多的震颤。
2020-12-27 physics.geo-ph
Prediction of the Kamchatka July 29, 2025, earthquake by the evolution of low-magnitude seismicity recovered using waveform cross-correlation at IMS seismic arrays
利用波形互相关（WCC）技术降低检测阈值，分析低震级地震活动演化，成功预测2025年堪察加地震，并扩展研究了互相关公报的复发曲线。
2026-06-17 physics.geo-ph physics.soc-ph
High Resolution Seismic Waveform Generation using Denoising Diffusion
提出基于扩散模型的高效可扩展生成模型HighFEM，通过频谱图和自编码器降维，条件化生成频率高达50Hz的高分辨率地震波形，准确再现真实地震动统计量。
2025-10-31 cs.AI cs.LG physics.geo-ph
Full-waveform reconstruction of micro-seismic events via topological derivative approach
本文提出一种基于拓扑导数和矩张量反演的三维弹性体微震事件全波形重建方法，通过组合搜索实现震源定位与表征，数值实验验证了多事件重建、离网定位及抗噪能力。
2024-01-10 physics.geo-ph
MS_ATpV-FWI: Full Waveform Inversion based on Multi-scale Structural Similarity Index Measure and Anisotropic Total p-Variation Regularization
本文提出基于多尺度结构相似性指数测量（M-SSIM）与各向异性全p-变分正则化（ATpV）的FWI方法，利用自动微分优化目标函数，有效克服周期跳跃问题，准确表征复杂地下速度结构。
2025-04-02 physics.geo-ph
Optimal transport in full-waveform inversion: Analysis and practice of the multidimensional Kantorovich-Rubinstein norm
在过去的十年中，全波形反演已经成为一个强大的和有效的高分辨率的速度建模工具，震波成像，恢复复杂的地下结构的独特能力。最初基于使用最小二乘成本函数的数据拟合过程，它对周跳的敏感性很高，因此在处理观测到的和建模的震波迹象之间的大时移时效率很差。为了解决这个问题，通常的做法是使用数据的低时间频率并选择潜水波事件来开始反演。作为补充，研究了其他成本函数的使用。其中，基于最佳传输的成本函数似乎有吸引力，可能处理震波迹象之间的大的时间偏移。考虑到地震资料的特殊性，提出了几种受最佳传输启发的策略。其中，基于Kantorovich-Rubinstein规范的方法提供了直接使用地震资料的可能性和允许多维（数据坐标空间）应用的有效数值实现。在这里，我们提出了一个Kantorovich-Rubinstein规范的分析，讨论其理论和实践方面。我们分析的一个关键组成部分是反向传播的伴随源。重点分析了它的分段线性度，分析了它的频率成分和幅度平衡。我们还强调多层面执行的好处。此外，我们给出了实用的规则，设置调谐参数的数值实现。我们的一组合成和现场数据的例子证明了使用的Kantorovich-Rubinstein规范最小二乘全波形反演带来的改进，并强调了多维方法带来的改进，一维的。
2021-04-01 physics.geo-ph
Acoustic- and elastic-waveform inversion with total generalized p-variation regularization
地球物理模型通常同时包含尖锐的界面和平滑的变化，使用常规的全波形反演方法很难准确地解释这两种类型的介质参数变化。此外，稀疏的几何结构，噪声数据和源编码通常会导致强烈的反演伪影。我们开发了一种新的声波和弹性波的全波形反演方法，使用总广义p变分正则化方案来解决这些具有挑战性的问题。我们将全波形反演分解为两个子问题，并使用交替方向最小化策略解决这两个最小化子问题。全广义p变差正则化方法的一个重要优点是可以同时重建尖锐界面和平滑地球物理参数的背景变化。这种能力还可以有效地抑制源编码反演和稀疏数据反演或噪声数据反演中的噪声。我们证明了我们的新的全波形反演算法的优点，使用棋盘格模型，修改后的弹性SEG/EAGE逆掩模型，和陆地场地震数据集。合成和野外地震资料的反演结果表明，该方法既能准确地重建地下地球物理性质的平滑背景变化，又能准确地重建地下地球物理性质的尖锐界面，有效地减少了由于震源编码、噪声数据或数据覆盖不足等原因造成的反演伪影，为野外地震资料的准确可靠反演提供了一种有用的工具。
2018-08-11 physics.geo-ph
On the full-waveform inversion of seismic moment tensors
在这项工作中，我们提出了一个全波形技术的空间重建和表征（微）地震事件通过联合源定位和矩张量反演。该方法是制定在频域中，它允许同时反演多个点状事件。在所提出的方法的核心是一个网格搜索的源位置，封装的最优性条件的各个时刻张量。的发展迎合compandies支持的弹性体$\mathbb{R}^2$，但我们的框架是直接扩展到逆（地震）源问题在$\mathbb{R}^3$涉及有界和无界的弹性域。一组数值结果，针对实验室的应用，包括说明的情况下，涉及的逆解的性能：（一）重建多个事件，（二）稀疏（逐点）边界测量，（三）“离网”的微震事件的位置，和（四）不精确的知识介质的弹性特性。
2020-07-13 math.OC physics.comp-ph physics.geo-ph
Earthquake magnitude and location estimation from real time seismic waveforms with a transformer network
对地震震级和位置的精确实时估计对于预警和快速反应至关重要。虽然最近已经提出了多种用于快速评估地震的深度学习方法，但它们通常依赖于来自单个台站或来自一组固定的地震台的地震记录。在这里，我们介绍了一个新的模型，实时幅度和位置估计使用的注意力为基础的Transformer网络。我们的方法结合了来自一组动态变化的台站的波形，并在幅度和位置估计性能方面优于深度学习基线。此外，它优于一个经典的幅度估计算法相当，并显示出有前途的性能相比，一个经典的定位算法。在这项工作中，我们进一步进行了全面的研究，对训练数据的要求，训练程序和典型的故障模式，使用三个不同的和大规模的数据集。我们的分析提供了几个关键的见解。首先，我们可以精确地确定大型训练数据的影响;例如，四倍大的训练集将实时评估所需的时间减少了四倍。第二，基本模型系统性地低估了大规模事件。通过迁移学习将其他区域的活动纳入培训可以缓解这一问题。第三，位置估计在具有足够训练数据的区域中是高度精确的，但是对于训练分布之外的事件是强烈降级的。我们的分析表明，这些特征不仅存在于我们的模型中，而且存在于迄今为止发布的大多数用于快速评估的深度学习模型中。它们来自黑盒建模，并且它们的缓解可能需要对神经网络施加物理衍生的约束。
2021-04-14 physics.geo-ph
Waveform cross correlation for seismic monitoring of underground nuclear explosions. Part I: Grand master events
利用波形互相关对《全面禁止核试验条约》进行地震监测，需要全球统一覆盖，国际监测系统的阵列台站记录良好的主事件。互相关作为一种监测工具的本质在于将给定台站的数字波形与来自全球一组主事件的波形模板进行连续比较。在阵列站，互相关演示了更高的分辨率，因为在各个传感器从主事件和从事件的时间延迟是相同的，但它们可能不同于在标准波束形成中使用的理论。在主事件和波形模板可用的区域，相对于国际数据中心使用的标准波束成形和STA/LTA检测器，可以将信号检测的幅度阈值降低2至3倍。灵敏度的增益对应于体波幅度减少0.3至0.4个单位，并使检测到的事件数量加倍。这一成果对于《全面禁试条约》规定的地震监测至关重要。然而，真正的主事件的覆盖范围是稀疏的，并且仅限于历史地震活动的地区。在本研究的两个部分中，我们研究了用真实和合成的主事件填充全球网格的可能性。在第一部分中，我们在距离实际位置数百公里的常规网格上复制了一场高质量的大师赛。在第二部分中，我们使用合成地震记录对波形模板进行建模，目的是将它们应用于地震带。使用2012年4月11日苏门答腊地震（Ms（IDC）=8.2）的余震序列测试这两种方法。我们使用16个主事件来恢复IDC的Reviewed Event Bulletin中的余震。
2013-02-21 physics.geo-ph physics.soc-ph
A Joint Inversion of Sources and Seismic Waveforms for Velocity Distribution: 1-D and 2-D Examples
针对波形反演中准确震源稀缺导致计算不稳定、结果偏差的问题，提出震源与初至波形交替协同反演方法，可得到可靠速度模型、缓解周期跳跃，放宽初始条件限制且可扩展应用。
2024-07-11 physics.geo-ph
Recovery of low-magnitude seismic events before the July 29, 2025, Kamchatka megathrust earthquake using waveform cross-correlation enhanced by the addition of stochastic noise
本研究将随机噪声添加技术应用于匹配滤波前，结合波形互相关方法，大幅提升了2025年7月29日堪察加巨型逆冲地震前小震级地震活动的检测与复原能力。
2026-08-04 physics.geo-ph physics.soc-ph
Estimation of poroelastic parameters from seismograms using Biot theory
我们调查的可能性，提取信息的地震波形中传播的充满流体的多孔介质，开发和使用一个完整的波形反演程序有效的层状结构。为了达到这一目标，我们首先解决了前向问题，通过实施的Biot理论在反射型模拟程序。然后，我们研究了层状介质的地震响应的孔隙弹性参数的敏感性。数值试验表明，孔隙度和固结参数是正反演中最敏感的参数，而渗透率对地震响应的影响很小。其次，将灵敏度算子的解析表达式引入到基于地震波形迭代建模的广义最小二乘反演算法中。应用该方法对合成数据进行反演表明，只要已知孔隙度、流体参数和固体参数，就可以正确地反演孔隙度、流体参数和固体参数。然而，一些模型参数之间的强地震耦合使得难以通过多参数反演方案来充分表征介质。克服这一困难的一个解决方案是根据岩石物理定律组合多个模型参数以反演复合参数。另一种可能性是针对介质性质的扰动（诸如由气体注入引起的那些）来反演地震资料。
2010-01-16 physics.geo-ph
Efficient scattering approach to seismic full-waveform inversion in anisotropic elastic media with variable density
本文提出一种无矩阵散射方法，利用畸变玻恩迭代和快速傅里叶变换加速Krylov子空间求解，实现各向异性弹性介质中变密度的全波形反演，提高计算效率并准确恢复参数。
2024-02-03 physics.geo-ph
Using Convolutional Neural Networks to Develop Starting Models for 2D Full Waveform Inversion
使用全波形反演（FWI）的非侵入式地下成像具有通过使得能够恢复地下刚度的高分辨率2D/3D图而从根本上改变工程场地表征的潜力。然而，由于反问题的复杂性和非唯一性，FWI的精度仍然对初始启动模型的选择非常敏感。作为回应，我们提出了卷积神经网络（CNN）的新应用，将使用表面传感器的线性阵列直接获取的实验地震波场转换为2D FWI的鲁棒启动模型。我们首先描述用于开发CNN的三个关键步骤，其中包括：选择网络架构，开发合适的训练集，以及网络训练的性能。训练后的CNN预测2D FWI的合适起始模型的能力与经典近地表成像问题的其他常用起始模型进行了比较;识别起伏的双层土壤-基岩界面。在这项研究中开发的CNN能够预测复杂的2D地下图像的测试集直接从他们的地震波场的平均绝对百分误差为6%。当与其他常见方法相比时，CNN方法能够产生具有较小地震图像和波形失配的起始模型，在FWI之前和之后都是如此。使用更复杂的三层模型评估CNN推广到与训练它的模型不同的地下模型的能力。虽然CNN的预测能力略有下降，但它仍然能够实现与其他常用的初始模型相当的地震图像和波形失配。这项研究表明，CNN具有很大的潜力，可以作为开发FWI良好启动模型的工具。
2021-04-04 physics.geo-ph
DiffusionInv: Prior-enhanced Bayesian Full Waveform Inversion using Diffusion models
本文提出DiffusionInv方法，将预训练扩散模型作为速度先验集成到贝叶斯全波形反演中，通过微调学习后验分布，以缓解多解问题、提升反演可靠性与泛化能力，并在Hess和Otway数据上验证了高分辨率恢复效果。
2025-05-06 physics.geo-ph
Seismic Inversion by Hybrid Machine Learning
我们提出了一种新的地震反演方法，该方法使用深度学习（DL）特征进行地下速度模型估计。DL特征是高维地震资料的低维表示，由卷积自动编码器（CAE）自动生成并保存在潜在空间中。低维DL特征包含输入地震资料的关键信息。因此，代替直接比较观测数据和预测数据之间的波形差异，例如全波形反演（FWI）。我们衡量他们的DL功能差异的潜在空间的CAE。这种低维比较的优点是，与FWI相比，它不太容易出现循环跳跃问题。这是因为当潜在空间维数较小时，DL特征主要包含输入地震资料的运动学信息，如走时。然而，更多的动态信息，如波形的变化，可以保留在DL功能时，潜在的空间维度变得更大。因此，我们提出了一种多尺度反演方法，从反演地下模型的低波数信息的低维DL功能。然后通过对高维DL特征进行反演，恢复其高波数细节。然而，不存在在同一方程中包含速度和DL特征项的控制方程。因此，我们使用的自动微分（AD）数字连接的DL功能的扰动的速度扰动。换句话说，我们通过使用AD将深度学习网络与波动方程反演连接起来。我们将这种混合连接称为混合机器学习（HML）反演。在这里，AD用一个黑盒子取代了梯度的复杂数学推导，因此任何人都可以在没有深刻的地球物理背景的情况下进行HML。
2020-09-15 physics.geo-ph
Waveform cross correlation for seismic monitoring of underground nuclear explosions. Part II: Synthetic master events
波形互相关是一种有效的地震信号检测和表征工具。效率关键取决于主事件的可用性。为了《全面禁止核试验条约》的目的，互相关可以在全球范围内将监测阈值降低0.3至0.4个震级单位。在地震活跃区，主事件的最佳选择是直接的。有两种方法可以在地震区建立全球网格：复制真实的主地震图和为国际监测系统地震台阵计算的合成地震记录。合成模板取决于形状和振幅预测的准确性控制的震源深度和机制，源函数，速度结构和衰减沿主/站path. As在第一部分，我们测试三个震源机制（爆炸，逆冲断层，和实际的哈佛CMT解决方案之一，2012年4月11日苏门答腊余震）和两个速度结构（ak 135和地壳2.0）。16个合成主事件分布在1 ox 1 o网格上。我们建立了五个互相关标准事件列表（XSEL），并将检测和事件与使用真实和大师事件以及国际数据中心的审查事件公告建立的检测和事件进行了比较。使用爆炸源和ak 135以及具有各向同性辐射方向图的逆断层构建的XSEL展示了与真实和大师相似的性能。因此，它是可能的，覆盖所有的地震区与合成主没有显着损失的地震监测能力的基础上互相关。
2013-05-12 physics.geo-ph physics.soc-ph
Unsupervised Learning of Full-Waveform Inversion: Connecting CNN and Partial Differential Equation in a Loop
Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）；The Pennsylvania State University（宾夕法尼亚州立大学）；Michigan State University（密歇根州立大学）；Microsoft Research（微软研究院）
本文研究了全波反演（FWI）的无监督学习，该方法已广泛应用于地球物理学中，根据地震数据估计地下速度图。该问题在数学上由二阶偏微分方程（PDE）表示，但很难求解。此外，获取速度图是极其昂贵的，使得扩大监督方法以利用卷积神经网络（CNN）训练从地震数据到速度图的映射是不切实际的。我们通过将PDE和CNN集成在一个循环中来解决这些困难，从而将范式转移到只需要地震数据的无监督学习。特别地，我们使用有限差分来近似PDE作为可微算子的正演模拟（从速度图到地震数据），并通过CNN来模拟其反演（从地震数据到速度图）。因此，我们将有监督的反演任务转换为无监督的地震数据重建任务。我们还引入了一个新的大规模数据集OpenFWI，为社区建立一个更具挑战性的基准。实验结果表明，我们的模型（仅使用地震数据）产生相当的精度监督对应（使用地震数据和速度图）。此外，当涉及更多的地震数据时，它优于监督模型。
2022-03-18 cs.LG eess.SP physics.geo-ph
Improved full-waveform inversion for seismic data in the presence of noise based on the K-support norm
Kyoto University（京都大学）
本文提出基于K-支持范数的改进全波形反演方法，以提高噪声环境下地震数据的反演精度和鲁棒性。
2023-07-10 physics.geo-ph
Iterative PDE-constrained optimization for seismic full-waveform inversion
提出了一种新的牛顿地震全波形反演（FWI）的数值方法。该方法是基于全空间的方法，其中的状态，伴随状态，和控制变量同时优化。每一步牛顿迭代都被表示为一个偏微分方程约束的最优化问题，并被转化为KKT线性代数方程组的形式. KKT系统的不精确求解与预处理Krylov求解器。我们介绍了两个预条件：一个基于块三角分解和它的变体与不精确块求解器。该方法是基准对标准的截断牛顿FWI计划的一部分Marmousi速度模型。该算法表现出相当大的运行时间减少相比，标准的FWI。此外，所提出的方法具有进一步加速的巨大潜力。本文的主要结果是，它建立了牛顿型优化的KKT系统在地震FWI的应用的可行性。
2022-04-13 cs.MS cs.NA math.NA
Relative relocation of earthquakes without a predefined velocity model: an example from a peculiar seismic cluster on Katla volcano's south-flank (Iceland)
相对重定位方法常用于精确定位波形相似的地震群。重复的波形往往记录在火山，但在那里，地壳结构预计将包含强烈的非均匀性，因此，在大多数位置的战略是不可能描述现实的一维速度模型假设。从2011年起，在卡特拉火山（冰岛）的南翼记录了一组特殊的重复低频震波迹象。由于震源位于冰川边缘，地震活动可能是由于火山或冰川作用。关于集群的大小和形状的信息可以帮助约束源进程。波形的极端相似性表明震源的空间发布非常小。为了提取有意义的信息的大小和形状的集群，我们最大限度地减少不确定性，通过优化互相关测量和相对搬迁过程。通过合成测试，我们确定了差分时间测量的最佳参数，并估计了它们的不确定性，特别是针对每个波形。我们设计了一个重新定位策略，工作没有预定义的速度模型，通过制定和反转的问题，以寻求位置和慢度的变化，从而占方位角，起飞角度和速度偏差从一维模型。我们显式求解反演，以便通过计算传播数据误差。通过这种方法，我们能够解决一个源体积几十米宽的水平方向和深度约100米。没有证据表明震源位于单一断层面上，深度分布表明震源不太可能与冰川过程有关，因为震源区的冰厚度预计不会超过几十米。
2016-03-30 physics.geo-ph
Multiscale Data-driven Seismic Full-waveform Inversion with Field Data Study
针对地震全波形反演计算成本高且易陷入局部极小值的问题，提出基于全卷积网络的多尺度数据驱动反演方法，通过风格转换生成训练集并分别重建速度模型的高低频分量，显著降低了计算时间并提高了模型精度。
2023-11-25 physics.comp-ph physics.geo-ph
An example of regional seismicity recovery on June 22, 2020, using waveform cross-correlation
利用波形互相关技术对2020年6月22日可能的核试验进行地震性恢复研究
2026-02-17 physics.geo-ph physics.soc-ph
Optimal Transport for Seismic Full Waveform Inversion
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；New Jersey Institute of Technology（新泽理工学院）
本文提出利用最优传输中的Wasserstein度量来改进全波形反演中的反演问题，通过证明目标函数的凸性和对噪声的鲁棒性，提出求解Monge-Ampere方程的算法，并通过数值示例验证其有效性。
2016-04-18 cs.NA math.NA physics.geo-ph
Efficient similar waveform search using short binary codes obtained through a deep hashing technique
本研究提出一种深度哈希网络，将地震波形编码为64位哈希码，通过计算平均汉明距离实现快速相似波形搜索，大幅降低计算与内存开销，并在大规模数据集上成功检测出大量额外地震事件。
2023-10-04 physics.geo-ph
Synergizing Deep Learning and Full-Waveform Inversion: Bridging Data-Driven and Theory-Guided Approaches for Enhanced Seismic Imaging
University of Malta（马耳他大学）
本综述探讨深度学习与全波形反演的集成，涵盖基础、应用与挑战，并展望混合、生成及物理信息模型等未来方向，以提升地下属性估计的准确性、效率与可靠性。
2025-02-24 cs.AI cs.CE cs.LG
Seismic noise suppression: array stations, waveform cross-correlation, and noise stochastization
本文探讨了利用地震阵列站、波形互相关和噪声随机化技术来抑制地震噪声，提高信号检测性能。
2026-04-12 physics.geo-ph physics.soc-ph
PRIME-DP: Pre-trained Integrated Model for Earthquake Data Processing
PRIME-DP是一种预训练集成模型，用于多任务地震波形处理，实现高精度震相拾取、偏振分类及事件分类。
2025-08-27 physics.geo-ph
Signal-based Bayesian Seismic Monitoring
University of California, Berkeley（加州大学伯克利分校）
从噪声传感器检测弱地震事件是一项困难的感知任务。我们制定这个任务贝叶斯推理，并提出了一个生成模型的地震事件和信号在网络中的空间分布的台站。我们的系统SIGVISA是第一个直接模拟地震波形的系统，使其能够包含丰富的信号生成过程的物理表示。我们使用高斯过程的小波参数来预测详细的波形波动的基础上的历史事件，同时顺利地退化到简单的参数包络在没有历史地震活动的地区。从美国西部的数据评估，我们恢复的事件是以前的工作的三倍，并减少平均定位误差的四个因素，同时大大提高了灵敏度低震级的事件。
2017-03-02 cs.LG physics.geo-ph
Learning to Invert Pseudo-Spectral Data for Seismic Waveform Inversion
全波形反演（FWI）是地震处理中广泛使用的一种技术，用于生成完全解释记录的地震资料的高分辨率地球模型。FWI是一个局部优化问题，其目的是在最小二乘意义上最小化记录和建模数据之间的失配。反演过程从最佳猜测初始模型开始，该模型使用线性化局部反演序列迭代改进以解决完全非线性问题。深度学习在新千年得到了广泛的普及。这些工具的核心是神经网络（NN），特别是深度神经网络（DNN）是这些原始NN算法的变体，具有更多的隐藏层，从而有效地学习输入和输出对之间的非线性函数。DNN中的学习过程涉及迭代更新网络神经元权重以最佳近似输入到输出映射。FWI和DNN之间存在明显的相似性。这两种方法都试图在迭代意义上解决非线性映射，但它们从根本上不同，前者是知识驱动的，而后者是数据驱动的。本文提出了一种新的方法，学习伪光谱数据驱动的FWI。我们通过在1D多层，水平各向同性数据上训练DNN来测试这种方法，然后将其应用于以前看不见的数据来推断表面速度。结果进行了比较，对合成模型和成功和失败的这种方法，因此确定。
2019-11-21 eess.IV physics.geo-ph
Stochastic seismic waveform inversion using generative adversarial networks as a geological prior
Imperial College London（帝国理工学院）
我们提出了在偏微分方程（PDE）约束反问题的背景下，深度生成模型的应用。我们结合了生成对抗网络（GAN）表示先验模型，创建地下地质结构及其岩石物理特性，与PDE的数值解控制声波在地球内部的传播。我们进行贝叶斯反演使用近似大都会调整Langevin算法（MALA）从后给定的地震观测样本。通过求解声波波动方程式的伴随方程，得到了正问题中模型参数的导数。通过利用用于表示生成模型的深度神经网络的可微性质来获得关于潜变量的失配的分量。我们表明，近似MALA采样允许有效的贝叶斯反演的模型参数从一个深生成模型表示的先验，获得一组不同的实现，反映所观察到的地震响应。
2018-06-10 cs.CV physics.geo-ph stat.ML
The use of waveform cross correlation to recover the aftershock sequence of the August 14, 2016 earthquake within Sakhalin Island
波形互相关（WCC）方法用于检测2016年8月14日库页岛地震的余震信号，该地震的当地震级为ML = 6.1。用WCC方法检测到的规则P波和S波的到达与6个区域台站的各种主事件关联成一组称为互相关标准事件列表（XSEL）的震波迹象。我们将XSEL与常规地震处理中编制的同一余震序列的公报进行了比较。XSEL的主要优点表现在：通过三个或更多的相关台站发现的震波迹象数量增加，目录完整性的震级阈值略有下降，以及即使是最小的余震也能更准确地定位震中。改进后的余震位置往往集中在一个狭窄的区域，对应于中央库页岛断层的西侧，它定义了鄂霍次克和欧亚（阿穆尔）板块之间的边界。
2017-12-22 physics.geo-ph
Long-period seismic events with strikingly regular temporal patterns on Katla volcano's south flank (Iceland)
卡特拉火山是冰岛境内一座危险的火山，部分被Mürdalsjökull冰盖覆盖。该火山有一个大的火山口，有几个活跃的地热区。2011年7月，卡特拉南侧开始发生一系列奇特的长期震波迹象，当时火山口发生了一次动荡，最终导致冰川爆发。这些震波迹象密集地聚集在Gvendarfell地区的浅层，该地区位于破火山口以南4公里处，位于Mürdalsjökull南缘的一条小型冰川流之下。据了解，这个地区以前没有发生过震波迹象。这一地震群最显著的特征是其时间模式，其特点是重复的震波迹象之间有规律的间隔，并受季节变化的调制。值得注意的是，在大约3.5年的长时间内，时间和波形特征都保持稳定。在文献中找不到类似的例子。火山作用和冰川作用都能产生类似的波形，因此必须将其视为潜在的震源。区分这两种原因对于监测冰川覆盖的火山至关重要，在卡特拉一直存在争议。对于南翼的这个新的地震群，我们认为与火山有关的过程比与冰川有关的过程更有可能，原因如下：1）地震活动性开始于一个涉及冰川突然融化和jökulhlaup的动荡时期; 2）冰川流很小且停滞; 3）地震活动多年来保持规律和稳定; 4）与短期天气变化（如暴雨）没有明显的相关性。我们认为，一个小的，浅的热液系统在2011年被激活卡特拉的南翼，无论是由一个小的岩浆注入或渗透率的变化，在当地的裂缝系统。
2015-11-18 physics.geo-ph
A Deep Learning-based time shift objective function for Full Waveform Inversion
KAUST（阿卜杜拉国王科技大学）；Shearwater GeoServices（谢沃特地球服务公司）
针对全波形反演（FWI）中逐点差异度量易周期跳跃、DTW可微变体应用受限的问题，提出基于神经网络的时移学习方法，在两个合成数据集上验证了其与SoftDWT相似的收敛性且大幅降低计算时间。
2025-11-11 physics.geo-ph
Seismic-phase detection using multiple deep learning models for global and local representations of waveforms
Earthquake Research Institute, The University of Tokyo（东京大学地震研究所）；Graduate School of Information Science and Technology, The University of Tokyo（东京大学信息科学与技术研究生院）
本文提出一种多模型深度学习震相检测框架，通过分别学习波形的全局与局部表示并融合概率，提升噪声鲁棒性，并可仅重训局部模型适配低频地震。
2022-11-04 cs.LG physics.geo-ph
