Direct multi-modal inversion of geophysical logs using deep learning
NORCE Norwegian Research Centre（NORCE挪威研究中心）；Heriot-Watt University（赫瑞-瓦特大学）
井的地质导向需要地球物理测井的快速解释，这是一个非唯一的反问题。目前的工作提出了一种概念验证方法，使用人工深度神经网络（DNN）的单一评估来进行多模态概率反演。混合密度DNN（MDN）使用“多轨迹预测”（MTP）损失函数进行训练，这避免了传统MDN典型的模式崩溃，并允许在数据之前进行多模式预测。该方法在自然伽马测井实时地层反演中得到了验证。多模态预测器输出几个可能的逆解/预测，提供比使用DNN的确定性回归更准确和更现实的解决方案。对于这些可能的地层曲线，模型同时预测它们的概率，这些概率是从训练地质数据中隐式学习的。从MDN中获得的地层预测及其概率可以在地质不确定性下实现更好的实时决策。
2022-11-09 cs.LG physics.geo-ph
Petrophysically and geologically guided multi-physics inversion using a dynamic Gaussian mixture model
在以前的论文中，我们介绍了一个框架进行岩石物理和地质指导地球物理反演。在该框架中，岩石物理和地质信息采用高斯混合模型（GMM）建模。在反演中，GMM用作地球物理模型的先验。该公式仅适用于寻求单一物理属性模型和单一地球物理数据集的问题。在本文中，我们将该框架扩展到联合反演依赖于多种物理特性的多个地球物理数据集。岩石物理和地质信息用于耦合地球物理勘探，否则，依赖于独立的物理。这需要在两个领域取得进展。首先，从一个单变量的岩石物理数据的多变量分析，并将其包含在反问题的扩展，是必要的。其次，我们解决的实际问题，同时反演数据从多个调查，并找到一个解决方案，可接受地再现每一个，以及岩石物理和地质信息。为了说明我们的方法的有效性和进行多物理反演的优势，我们反演与金伯利岩矿床相关的合成重磁数据。金伯利岩管包含两个不同的相嵌入在一个容矿岩。将数据集分别反转，得到一个二元地质模型：背景或金伯利岩。一个多物理反演，岩石物理信息，区分两个主要的金伯利岩相的管道。通过这个例子，我们还强调了我们的框架的能力，解释性地质假设时，最小的定量信息是可用的。在这些情况下，高斯混合模型的动态更新允许我们通过学习岩石物理模型来执行多物理场反演。
2020-10-19 cs.CE physics.geo-ph stat.AP
Parameterization of geophysical inversion model using particle clustering
本文提出了一种在地球物理反问题中构造物理模型的新方法，当模型中只有少数几个可能的物理性质值，并且这些物理性质值是合理已知的，但目标的几何形状是寻求的。该模型由一个固定的背景和许多小的“粒子”组成，这些粒子作为构建块漂浮在背景中，通过聚类来模拟目标。这种方法与要求目标是规则形状的物体的常规几何倒置形成对比，因为这里目标的几何形状可以是任意的并且不需要预先知道。由于数据中缺乏分辨率，在恢复紧凑目标时，粒子可能不一定聚集。一个模型范数，称为分布范数，被引入到量化的粒子的传播，并纳入目标函数，以鼓励进一步聚类的粒子。作为概念的证明，一维大地电磁反演作为例子。我的实验表明，粒子，从一个完全分散的分布开始，能够向实际的目标位置移动;恢复的质量取决于粒子中是否有足够的材料（1D中的垂直电导）来构建目标;使用分布范数可以帮助产生更紧密的聚类。当反演难以拟合数据时，可能表明有关颗粒电导率和尺寸的先验信息不正确。
2015-01-27 physics.geo-ph
A Test-Time Learning Approach to Reparameterize the Geophysical Inverse Problem with a Convolutional Neural Network
University of British Columbia（不列颠哥伦比亚大学）
本研究提出一种基于卷积神经网络的测试时学习地球物理反演重参数化方法，利用CNN固有隐式正则化求解不适定反问题，经直流电阻率反演验证有效，并探讨了方法的拓展应用指南。
2024-07-09 cs.LG physics.geo-ph
Sequential geophysical and flow inversion to characterize fracture networks in subsurface systems
Earth and Environmental Sciences Division, Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室地球与环境科学处）
本文提出一种非侵入式序贯反演框架，整合地球物理和流体数据以约束地下离散裂缝网络，通过微震数据估计裂缝取向统计学界限，并利用流体数据约束裂缝长度。
2017-07-13 cs.CE cs.NA math.NA
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
Gradient-based deterministic inversion of geophysical data with Generative Adversarial Networks: is it feasible?
生成对抗网络（GAN）学习的潜在空间内的全局概率反演最近已被证明。与原始模型空间上的反演相比，使用经训练的GAN的潜在空间可以提供以下益处：（1）所生成的模型提议与规定的先验训练图像（TI）在地理统计上一致，以及（2）与原始模型空间相比，参数空间减少了几个数量级。尽管如此，通过最先进的马尔可夫链蒙特卡罗（MCMC）方法探索学习的潜在空间可能仍然需要大量的计算工作。作为替代方案，该潜在空间中的参数可以用计算成本低得多的基于梯度的方法来优化。我们表明，由于典型的高度非线性关系之间的潜在空间和相关的输出空间的GAN，基于梯度的确定性反演可能会失败，即使考虑线性正演物理模型。我们测试了两种确定性反演方法：使用Adam算法的拟牛顿梯度下降法和使用有限差分计算的雅可比矩阵的高斯-牛顿（GN）方法。对于一个通道化的二进制TI和一个合成的线性井间探地雷达（GPR）层析成像问题，涉及576测量低噪声，我们观察到，当允许总共10,000次迭代时，只有13%的梯度下降试验找到一个解决方案，具有所需的数据失配。测试的GN反演无法恢复具有适当数据失配的溶液。我们的研究结果表明，确定性反演性能强烈依赖于反演方法，启动模型，真正的参考模型，迭代次数和噪声实现。相比之下，计算昂贵的概率全局优化总是能找到合适的解决方案。
2019-05-23 physics.geo-ph
Extremely Weak Supervision Inversion of Multi-physical Properties
Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）；Microsoft Research（微软研究院）；Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室）
多物理场反演在地球物理学中占有重要地位。它已被广泛用于推断各种物理性质（如速度和电导率）。在这些反演问题中，有些是显式地由偏微分方程控制的，而另一些则不是。没有显式的控制方程，传统的多物理反演技术将是不可行的，数据驱动的反演需要昂贵的全标签。为了克服这个问题，我们开发了一种新的数据驱动的多物理场反演技术，具有极弱的监督。我们的主要发现是，伪标签可以通过学习非常稀疏的测井位置的地球物理属性之间的局部关系来构建。我们探讨了从两个不同的测量~（地震和EM数据）到三个地球物理属性~（速度，电导率和CO $_2$饱和度）的多物理场反演问题。我们的结果表明，我们能够反演的属性没有明确的控制方程。此外，三个地球物理属性的标签数据可以显著减少50倍~（从100个减少到只有2个位置）。
2022-05-22 cs.LG physics.geo-ph
Variational Bayesian experimental design for geophysical applications: seismic source location, amplitude versus offset inversion, and estimating CO2 saturations in a subsurface reservoir
本文将变分贝叶斯实验设计引入地球物理，通过震源定位、AVO 反演和 CO2 储层饱和度估计验证其可同步计算并优化实验价值、降低计算成本。
2024-01-23 physics.geo-ph
Preconditioned BFGS-based Uncertainty Quantification in elastic Full Waveform Inversion
全波反演在重建地球物理结构中起着重要作用。关于反演结果的不确定性量化同样重要，但在当前大多数地球物理反演中被遗漏。在数学上，不确定性量化涉及逆Hessian（或后验协方差矩阵），这在实际地球物理FWI问题中在计算和存储上是禁止的。L-BFGS填充作为最有效的高斯-牛顿方法，然而，在这项研究中，我们赋予它新的可能性，访问逆Hessian的不确定性量化在FWI。为了便于逆Hessian检索，我们将BFGS（基本上是全历史L-BFGS）与随机奇异值分解放在一起，以实现Hessian逆的低秩近似。秩数等于迭代次数使得该解决方案即使对于大规模反演也是有效的和存储可负担的。同时，基于伴随方法，我们构造了不同的对角Hessian初值作为预条件子，并比较了它们在弹性FWI中的性能。我们强调我们的方法与弹性Marmousi基准，证明预处理BFGS在大规模FWI和不确定性量化的适用性。
2021-08-15 physics.comp-ph physics.geo-ph
Towards Understanding the Benefits of Neural Network Parameterizations in Geophysical Inversions: A Study With Neural Fields
Department of Earth, Ocean and Atmospheric Sciences, University of British Columbia（地球、海洋与大气科学系，不列颠哥伦比亚大学）
本文研究神经场参数化在地球物理反演中的作用，通过地震层析成像与直流电阻率实验及 Jacobian 的 SVD 分析，揭示其固有隐式偏置可抑制伪影并改善模型恢复。
2025-05-22 cs.LG physics.geo-ph stat.ML
Improving full-waveform inversion based on sparse regularisation for geophysical data
Kyoto University（京都大学）；Shizuoka University（静冈大学）
本文提出基于稀疏放松正则化回归的算法，用于优化频率域FWI中的波场解，以提高FWI的准确性和稳定性。
2023-11-03 physics.geo-ph
Joint Inversion of DC Resistivity and MT Data using Multi-Objective Grey Wolf Optimization
本文提出采用多目标灰狼优化算法MOGWO联合反演直流电阻率与MT数据，通过Broken Hill现场案例验证其可获得可靠的电阻率剖面并评估参数不确定性。
2024-08-05 physics.geo-ph
Joint Hydrogeophysical Inversion: State Estimation for Seawater Intrusion Models in 3D
海水入侵（SWI）是一个复杂的过程，为了监测和管理受影响的含水层，通常需要进行三维建模。在这里，我们提出了一个综合研究，以测试联合水文地球物理反演方法，旨在解决估计初始和当前盐水分布的反问题。首先，我们使用一个三维地下水模型变密度流的基础上离散流和溶质质量平衡方程。除地下水模型外，还开发了用于直流电阻率成像和反演的三维地球物理模型。耦合问题的目标函数由数据失配和正则化项以及将地下水和地球物理状态相关联的耦合项组成。我们提出了一种新的方法来解决逆问题，使用交替方向乘法（ADMM），以尽量减少这个耦合的目标函数。的灵敏度推导出解析的离散方程组，这使我们能够有效地计算梯度的最小化过程中，降低了问题的计算复杂性。该方法进行了测试，在不同的合成方案与地下水和地球物理数据表示的溶质质量分数数据和直流电阻率数据。与单独考虑每个数据集或使用简单的耦合方法求解相比，使用ADMM方法，我们能够获得更好的溶质分布估计值。
2016-08-03 physics.geo-ph
Geophysical tomography in engineering geology: an overview
本文综述了工程物理中的层析成像解释方法，包括为岩石弹性分析而发展起来的确定性层析成像反演方法和在位场方法领域中发展起来的概率层析成像方法。这两种方法的理论基础是概述之前不久，显示了实验室和现场应用。
2005-12-16 physics.geo-ph
Geophysical inversions to delineate rocks with CO$_2$ sequestration potential through carbon mineralization
除了减少CO $_2$的人为排放外，越来越清楚的是，我们还需要从大气中去除CO $_2$，以避免气候变化的一些最坏情况。地质封存的CO $_2$是最有吸引力的方法之一，因为大的全球容量和长期的存储规模。地质储存的一种机制是通过碳矿化。一些镁铁质和超镁铁质岩石含有在碳酸化反应中与CO $_2$反应并将其转化为碳酸盐矿物的矿物。这实际上是一种永久的CO $_2$存储机制。我们所面临的地质问题是定位，描绘和估计潜在的反应岩石的体积。使用一个合成模型，模拟在不列颠哥伦比亚省的碳矿化的远景网站，我们模拟和反演重力和磁力数据来描绘活性岩石。我们首先独立地反转每个数据集，并引入一个代理实验来解决选择适当的物理属性阈值来估计恢复模型的体积的挑战性问题。我们使用这个代理实验来估计阈值的标准，$\ell_2$反演的重力和磁力，以及反演使用稀疏和紧凑的规范。岩石物理学和地质导向反演（PGI）框架被用来构建准地质模型，从该模型可以直接估计体积。我们将PGI框架独立地应用于磁力和重力数据。该框架还用于联合反演这些数据，并生成与两个数据集一致的模型。按深度计算的累积量估计数提供了信息，有助于决定就地固碳或异地固碳是否适当。使用每个反演模型，我们估计作为深度的函数的活性岩石的累积体积。
2022-03-25 physics.geo-ph
$\mathbf{\mathbb{E}^{FWI}}$: Multi-parameter Benchmark Datasets for Elastic Full Waveform Inversion of Geophysical Properties
Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）；Rutgers University（罗格斯大学）；Colorado School of Mines（科罗拉多矿业学院）；University of Pennsylvania（宾夕法尼亚大学）；The Pennsylvania State University（宾夕法尼亚州立大学）；Microsoft（微软）
本文提出专为弹性全波形反演设计的多参数基准数据集$\mathbf{\mathbb{E}^{FWI}}$，包含8个涵盖多种地质结构的数据集及深度学习基准结果，支持碳中和与新能源勘探研究。
2023-09-07 cs.LG physics.geo-ph
Image synthesis with graph cuts: a fast model proposal mechanism in probabilistic inversion
地球物理反演应该理想地产生地质上真实的地下模型，解释可用的数据。多点统计是一种地质统计方法，用于构建与特定站点数据一致的地下模型，但也显示与训练图像中发现的模式相同类型的模式。训练图像可以被视为地下的概念模型，并用作空间变异性的非参数模型。基于多点统计的反演是具有挑战性的，因为需要创建新的模型建议的高度非线性和耗时的地质统计重新模拟步骤。我们提出了一个全新的模型建议机制，地球物理反演的启发，在计算机视觉中的纹理合成。我们不是基于训练图像中的高阶模式重新模拟像素，而是识别训练图像的合适补丁，该补丁替换当前模型中的相应补丁，而不会破坏训练图像中发现的模式，也就是说，与给定的先验保持一致。我们考虑三个跨孔探地雷达的例子中，新的模型建议机制采用扩展的大都会马尔可夫链蒙特卡罗（MCMC）反演。模型建议步骤比最先进的多点统计再模拟技术快约40倍，所需的MCMC步骤的数量更少，最终模型实现的质量具有相似的质量。模型建议机制目前仅限于2-D字段，但该方法是通用的，并且可以应用于广泛的地下设置和地球物理数据类型。
2017-01-06 physics.geo-ph
Semi-supervised Sequence Modeling for Elastic Impedance Inversion
Georgia Institute of Technology（佐治亚理工学院）
机器学习算法在地震领域的最新应用在不同领域（如地震反演和解释）显示出巨大的潜力。然而，这样的算法很少执行地球物理约束-缺乏地球物理约束可能导致不期望的结果。为了克服这个问题，我们已经开发了一个半监督序列建模框架的基础上，递归神经网络的弹性波阻抗反演从多角度地震资料。具体地，地震道和弹性阻抗（EI）道被建模为时间序列。然后，使用包括卷积和递归神经层的基于神经网络的反演模型来反演用于EI的地震资料。建议的工作流程使用测井数据来指导反演。此外，它使用地震正演建模来正则化训练，并作为反演的地球物理约束。建议的工作流程实现了98%的估计和目标EI之间的平均相关性，使用10个测井曲线上的合成数据集进行训练。
2019-08-19 cs.LG eess.SP physics.geo-ph
Overview of Physics-Informed Machine Learning Inversion of Geophysical Data
King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）；Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）
本文综述了四类物理信息机器学习（PIML）地球物理数据反演算法，通过统一目标函数实现，相比标准全波形反演能避免局部极小值，并可采用预训练加微调策略提升泛化能力。
2023-10-12 cs.LG physics.geo-ph
Deep Learning Realm for Geophysics: Seismic Acquisition, Processing, Interpretation, and Inversion
在过去几年中，将深度学习模型应用于地球物理应用引起了人们的特别关注。有几篇论文发表在这个领域涉及不同的主题，主要集中在合成数据。基于所提出的结果，达到满意的从计算机科学家是在很大程度上远离常规算法的性能。此外，很难找到详细说明研究人员应该遵循哪些最佳实践的文件，以设计适当的深度学习模型来有效和精确地解决与现场数据相关的问题。本文作为一个总结，展示了成功的故事，并分享了我们在过去几年中在大规模设计和部署深度学习模型到地球物理项目的过程中获得的丰富经验。四个不同的学科分别讨论了震波收录，处理，解释和反演。最后，讨论了设计一个有效的深度神经网络，特别是物理学的特别注意事项。
2019-09-29 eess.IV physics.geo-ph
Online learning of eddy-viscosity and backscattering closures for geophysical turbulence using ensemble Kalman inversion
Union College（联合学院）；The University of Chicago（芝加哥大学）；California Institute of Technology（加州理工学院）；Peking University（北京大学）；University of Wisconsin–Madison（威斯康星大学麦迪逊分校）；Google Research（谷歌研究）
采用在线学习结合集合卡尔曼反演方法，针对二维地球物理湍流，优化Smagorinsky、Leith涡粘性模型和Jansen-Held反向散射模型的参数，实现数据高效、可解释且泛化的亚网格尺度闭合。
2025-05-09 physics.comp-ph physics.flu-dyn physics.geo-ph
On the role of memorization in learned priors for geophysical inverse problems
University of Central Florida（中央佛罗里达大学）
本文探讨了深度生成模型在地质反演中的记忆效应，指出训练此类模型可能使先验收敛于经验分布，进而影响反演结果。
2026-03-20 cs.LG physics.geo-ph stat.ML
Deep Learning to Estimate Permeability using Geophysical Data
Pacific Northwest National Laboratory（太平洋西北国家实验室）；Virginia Tech（弗吉尼亚理工大学）
时移电阻率层析成像（ERT）是一种流行的地球物理方法，用于从电电势差测量来估计三维（3D）渗透率场。传统的反演和数据同化方法被用来摄取这个ERT数据到水文地球物理模型，以估计渗透率。由于不适定性和维数灾难，现有的反演策略提供了差的估计和低分辨率的三维渗透率场。深度学习的最新进展为我们提供了强大的算法来克服这一挑战。本文提出了一种深度学习（DL）框架，用于从时移ERT数据中估计三维地下渗透率。为了测试所提出的框架的可行性，我们训练DL启用的逆模型的仿真数据。基于水文物理学的地下过程模型用于生成用于深度学习分析的合成数据。结果表明，提出的弱监督学习可以捕捉显着的空间特征的三维渗透率场。在量化方面，强标记的训练、验证和测试数据集的平均均方误差（以自然对数表示）小于0.5。R2-score（全局度量）大于0.75，每个单元格（局部度量）中的错误百分比小于10%。最后，在计算成本方面的额外好处是，所提出的基于DL的逆模型比运行正向模型至少快O（104）倍。注意，传统反演可能需要多个正演模型模拟（例如，在10到1000的数量级），这非常昂贵。这种计算节省（O（105）- O（107））使得所提出的基于DL的逆模型对于地下成像和实时ERT监测应用是有吸引力的，这是由于对渗透率场的快速且相当准确的估计。
2022-07-20 cs.LG physics.geo-ph
Summary statistics from training images as prior information in probabilistic inversion
提出了一种将概念地质模型中的先验信息用于地球物理数据概率反演的策略。概念地质模型由多点统计训练图像（TI）表示，具有预期的岩性单元和构造模式。来自TI实现的集合的信息以两种不同的方式使用。首先，通过分析实现中的频率内容来识别主导模式，这大大减少了频率-幅度域中的模型参数空间。其次，使用全局汇总度量（例如模型粗糙度）的分布来制定先验概率密度函数。逆问题是制定在贝叶斯框架和后验概率分布抽样使用马尔可夫链蒙特卡罗模拟。该方法的实用性和适用性证明了两个案例研究中，合成井间探地雷达走时数据反演恢复2-D孔隙度场。使用来自TI的先验信息通过去除反演伪影和改善个体参数估计来显著增强后验模型的可靠性。所提出的方法减少了高维参数空间反演中固有的模糊性，适应了广泛的汇总统计和地球物理正演问题。
2017-01-05 physics.geo-ph stat.ME
Self-Supervised Knowledge-Driven Deep Learning for 3D Magnetic Inversion
Beijing National Research Center for Information Science and Technology (BNRist), Department of Automation, Tsinghua University（清华大学自动化系北京国家信息科学技术研究中心）；School of Civil Engineering, Changsha University of Science and Technology（长沙理工大学土木工程学院）
针对监督深度学习磁反演依赖合成数据、与实测数据分布不符的问题，提出自监督知识驱动三维磁反演方法SSKMI，通过正反演闭环在实测数据上学习，结合知识驱动模块与辅助约束，提升反演性能与可解释性。
2023-08-23 cs.LG physics.geo-ph
Physics-driven Deep Learning Inversion for Direct Current Resistivity Survey Data
针对直流电阻率反演的不适定性及标签缺失问题，提出基于电场传播物理规律的无监督深度学习反演方案，嵌入正演过程、加入动态平滑约束并结合迁移学习，可准确定位刻画地质目标。
2022-11-02 physics.geo-ph
Three-dimensional inversion of gravity data using implicit neural representations and scientific machine learning
Geological Survey of Finland（芬兰地质调查局）；Indian Institute of Technology Bombay（印度理工学院孟买分校）
本文提出一种基于隐式神经表示的三维重力反演方法，通过物理正演模型损失直接训练深度神经网络，实现连续密度场的反演，无需预定义网格或离散化，提升对地质结构的重建能力。
2026-04-06 cs.LG physics.geo-ph
Seismic Velocity Inversion from Multi-Source Shot Gathers Using Deep Segmentation Networks: Benchmarking U-Net Variants and SeismoLabV3+
Australian Computer Society（澳大利亚计算机学会）
本研究基准测试U-Net、U-Net++、DeepLabV3+及优化变体SeismoLabV3+用于地震速度反演，后者以ResNeXt50骨干和任务修改取得最佳MAPE（验证0.03025，测试0.031246），证明深度分割网络有效且定制改进有价值。
2025-09-07 cs.AI cs.LG physics.geo-ph
Distributed soil moisture from crosshole ground-penetrating radar travel times using stochastic inversion
地球物理方法提供了几个关键的优势，传统的地下测量方法，但它们的水文解释的使用往往是有问题的。在这里，我们介绍了一种新的贝叶斯方法的理论和概念，用于高分辨率土壤水分估计，利用走时观测跨孔探地雷达（GPR）实验。最近开发的多尝试的渐进进化自适应大都市与采样从过去的状态，MT-DREAM（ZS）被用来推断，尽可能密切和一致的空间分布的包气带土壤水分和/或孔隙度在饱和条件下的后验分布。两个不同的和相反的模型参数化方案正在考虑，一个涉及一个经典的均匀网格离散化和其他基于离散余弦变换（DCT）。我们说明我们的方法使用两个不同的案例研究，涉及地球物理数据的合成水示踪剂渗透研究和饱和条件下的真实世界的实地研究。我们的研究结果表明，DCT参数化产生最准确的估计分布土壤水分的大范围的空间分辨率，和优越的MCMC收敛速度。此外，DCT非常适合于研究和量化模型截断误差对MT-DREAM（ZS）反演结果的影响。对于现场的例子，横向各向异性需要得到可靠的土壤水分变异。我们的研究结果还表明，后土壤水分的不确定性与建议的贝叶斯过程是显着大于其对应的估计从经典的平滑约束确定性反演。
2017-01-06 physics.geo-ph
Pretrain-to-alignment learning paradigm to improve geophysical AI applicability under scarce field labels and synthetic-to-field gaps: A case study of relative geologic time estimation in global shelf-edge clinothems
University of Science and Technology of China（中国科学技术大学）；Anhui University of Science and Technology（安徽理工大学）
本文提出了一种预训练到对齐的学习范式，通过整合自监督预训练、合成监督、先验驱动细化和领域适应微调，提升地球物理AI在稀少实地标签和合成到实地差距下的适用性，通过全球岸缘cline-thems中相对地质时间估计的案例研究验证了该范式的有效性。
2026-05-16 physics.geo-ph
Extending Occam's inversion with lasso fusion, overcomplete dictionaries, and isotropic total variation regularisation
Geoscience Australia（澳大利亚地球科学局）
本文将Occam反演与lasso融合、过完备字典及各向同性总变分正则化结合，揭示三种l1正则化求解器的数学原理，为地球物理反演推荐了高效求解方法，以鼓励该领域采用l1正则化反演。
2026-08-17 physics.geo-ph stat.ML
Quantum computational intelligence for traveltime seismic inversion
量子计算正处于早期实施阶段。它的能力在过去几年中一直在增长，但它在几个科学领域的应用仍然局限于过于简单的问题。在这一阶段，重要的是要确定量子计算呈现最有希望的结果的情况，以便在技术准备部署时做好准备。量子物理领域有几个领域受到当前计算能力的限制，其中所谓的地震反演是最重要的领域之一，这是受益于量子计算的强有力的候选者。在这项工作中，我们实现了一种旅行时地震反演方法，通过近期量子算法的基础上无梯度量子线路学习。我们证明了一台拥有数千个量子比特的量子计算机，即使有噪音，也可以解决地球物理问题。此外，我们还比较了该方法与变分量子算法的收敛性。
2022-09-01 math.OC physics.geo-ph quant-ph
InversionNet3D: Efficient and Scalable Learning for 3D Full Waveform Inversion
Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）
地震全波形反演（FWI）技术的目的是找到一个高分辨率的地下地球物理模型提供波形数据。最近在数据驱动的FWI方面的一些努力在获得2D速度图方面显示了一些令人鼓舞的结果。然而，由于高计算复杂性和大内存消耗，通过深度网络重建三维高分辨率速度图仍然是一个巨大的挑战。在本文中，我们提出了InversionNet 3D，一个有效的和可扩展的编码器-解码器网络的3D FWI。所提出的方法在编码器中采用群卷积来建立一个有效的层次结构，用于从多个源学习信息，同时减少不必要的参数和操作。可逆层的引入进一步减少了训练过程中中间特征的内存消耗，从而能够根据不同应用场景的需要开发具有更多层和更高容量的更深层次的网络。在3D Kimberlina数据集上的实验表明，与基线相比，InversionNet 3D实现了最先进的重建性能，具有更低的计算成本和更低的内存占用。
2021-10-27 cs.LG eess.SP physics.geo-ph
GeoVolDiff: Taming 3D Geological Volumes with Latent Diffusion
Xi’an Jiaotong University（西安交通大学）
提出GeoVolDiff生成框架，通过物理模拟构建训练语料、训练潜扩散模型捕获3D地质结构分布、合成多样结构体，以缓解地球物理数据稀缺问题，并在地震阻抗反演任务中验证了合成数据的有效性。
2026-06-02 physics.geo-ph
Space-Varying Iterative Restoration of 2-D Inversion Models Computed from Marine CSEM Data
海洋可控源电磁（CSEM）既用于大规模地球物理应用，也用于碳氢化合物和天然气水合物的勘探。由于EM场的扩散特性，仅使用非常低的频率，导致具有相当低分辨率的反演结果。在本文中，我们计算了与反演相关的分辨矩阵，并导出了相应的点扩散函数。PSF给出了关于实际反演已经模糊了多少的信息，并且因此使用空间变化反褶积可以进一步改善反演结果。实际的去模糊是利用非负柔性共轭梯度最小二乘算法（NN-FCGLS），这是一种快速迭代恢复技术。为了完整性，我们还介绍了通过使用基于极大似然估计（MLE）与未知PSF的盲反卷积算法获得的结果。所提出的方法的潜力已被证明使用复杂的合成数据以及在巴伦支海的Wisting油田获得的现场数据。在这两种情况下，最终反演结果的分辨率都有所提高，并与已知目标区域显示出更好的一致性。
2022-11-07 physics.geo-ph
Bayesian deep learning integration of geophysical and drilling data for 3D prediction of copper mineralization and drill targeting: a case study from the Kogodai prospect, Rudny Altai
Terra Quantum AG（泰拉量子公司）；Kogodai Joint Venture LLP（科戈代合资有限责任合伙公司）
提出贝叶斯深度学习三维工作流，联合钻探与地球物理数据预测铜品位场并量化不确定性，应用于科戈代伊远景区，辅助风险感知钻探靶区定位。
2026-09-10 cs.LG physics.geo-ph
Evolution of the Stress and Strain field in the Tyra field during the Post-Chalk Deposition and Seismic Inversion of fault zone using Informed-Proposal Monte Carlo
当油气藏被用作CO2储存设施时，准确的不确定性分析和风险评估至关重要。综合地质知识、地质建模、测井数据和地球物理数据的信息为这一分析提供了基础。对覆盖层中的应力/应变变化的时间发展进行建模提供了关于储层中的断层和断裂概率的先验知识，其进而用于地震反演以约束断层和断裂的模型。求解大规模地震反问题的一个主要问题是计算量大和效率低。我们使用一种新引入的方法--信息建议蒙特卡罗（IPMC）-来处理这个问题，并进行了概念性研究的基础上，从丹麦北海的真实数据。结果概述了一种方法，用于评估的风险，有潜在的损害CO2储存的水库在覆盖层中的亚震断层。
2021-08-31 physics.geo-ph
Deep generative models in inversion: a review and development of a new approach based on a variational autoencoder
当求解地球物理成像中的逆问题时，可以使用深度生成模型（DGM）来强制求解以显示由地下的独立信息（例如，地质设置）支持的高度结构化的空间图案。在这种情况下，可以在潜在空间中制定反演，其中定义了模式的低维参数化，并且可以应用马尔可夫链蒙特卡罗或基于梯度的方法。然而，潜在的和原始的（像素）表示之间的生成映射通常是高度非线性的，这可能会导致一些困难的反演，特别是基于梯度的方法。在这篇文章中，我们回顾了与DGMs反演的概念框架，并研究了生成映射的非线性的主要原因。因此，我们确定了两个目标之间的冲突：生成的模式的准确性和基于梯度的反演的可行性。此外，我们展示了如何变分自编码器，这是一个特定的实例的DGM，可以选择的一些训练参数，使这两个目标之间的权衡是实现和可接受的反演结果与随机梯度下降方案获得。使用真值模型的测试用例与不同的复杂性和跨钻孔走时层析成像数据的通道模式，涉及线性和非线性的前向算子被用来评估所提出的方法的性能。
2020-08-27 physics.geo-ph
Structure-Driven Methodology: An Emerging Cross-Domain Paradigm
School of Earth Sciences, Zhejiang University（浙江大学地球科学学院）
本文提出结构驱动方法论作为跨领域新范式，通过实例阐述其逻辑，并系统提出SDI（含MSDI和PSDI），强调其作为客观驱动范式的补充，带来效率与认知的双重提升。
2026-10-05 math.HO physics.geo-ph
Data-driven Full-waveform Inversion Surrogate using Conditional Generative Adversarial Networks
Universidade Federal do Espírito Santo（巴西联邦圣埃斯皮里图大学）；Instituto Federal do Espírito Santo（圣埃斯皮里图联邦理工学院）；Exploração e Produção Petróleo Brasileiro S.A.（巴西国家石油公司勘探与生产部门）
在石油和天然气工业中，估计地下速度场是地震处理、储层表征和烃体积计算中的重要步骤。全波形反演（FWI）速度建模是一种迭代高级技术，其提供准确且详细的速度场模型，尽管由于在每次FWI迭代时需要基于物理的数值模拟而具有非常高的计算成本。在这项研究中，我们提出了一种生成速度场模型的方法，详细的通过FWI获得的，使用有条件的生成对抗网络（cGAN）与多个输入。这种方法的主要动机是规避全波形反演速度建模的极高成本。真实世界的数据被用来训练和测试所提出的网络架构，和三个评价指标（百分之错误，结构相似性指数的措施，和视觉分析）作为质量标准。基于这些度量，在测试集上评估的结果表明，GAN能够准确地匹配真实FWI生成的输出，使其能够从输入数据中提取主要地质结构和横向速度变化。实验结果表明，所提出的方法，部署时，有可能提高地球物理储层表征过程的速度，节省时间和计算资源。
2021-04-30 cs.LG eess.SP physics.geo-ph
Enhancing Deep Learning based RMT Data Inversion using Gaussian Random Field
Indian Institute of Technology (Indian School of Mines)（印度理工学院（印度矿业学院））；UiT The Arctic University of Norway（挪威北极大学）；Indian Institute of Petroleum & Energy（印度石油与能源研究院）；Transmute AI Lab (Texmin Hub)（Transmute AI实验室（Texmin中心））
本文针对深度学习 RMT 反演中的分布外泛化问题，提出用 Gaussian Random Fields 生成地下电阻率模型并端到端训练网络，在合成与现场数据中验证了其抗噪和泛化优势。
2024-10-22 cs.CE cs.LG eess.SP
