基于双注意力生成对抗网络的FWI初始模型构建

《Journal of Applied Geophysics》：Initial model building for FWI using a dual-attention generative adversarial network

　　

# 中文翻译

本文提出了一个自动化的地质建模工作流程，用于生成具有结构多样性的合成模型。提出了一种深度学习框架，将卷积块注意力模块（CBAM）整合到条件生成对抗网络（cGAN）中，从而提升了地质特征提取和跨域映射性能。双通道输入设计将结构信息与背景信息相结合，用于全波形反演（FWI）的初始模型构建。通过合成数据测试、敏感性分析、噪声实验、消融实验及Marmousi基准实验验证了该方法的有效性。

## 引言

随着资源勘探向更深、地质条件更复杂的区域推进，地震成像对准确描绘盐下储层、推覆带、陡断层和盐体等复杂构造的需求日益增加（Vital等，2023；Zhang和Song，2025）。基于简化射线理论或线性化假设的传统成像方法可能难以解析这些复杂结构，这促使人们采用更精确的基于波动方程的反演方法，如全波形反演（FWI）（Pratt和Shipp，1999）。

全波形反演旨在通过最小化观测地震波形与模拟波形之间的残差，重建高分辨率的地下速度模型（Pratt，1999；Tarantola，1984）。从Mora的公式框架来看，FWI可以被视为层析成像与偏移的组合，其中层析成像更新背景速度，而偏移则将反射事件正确归位（Mora，1989）。然而，FWI是一个高度非线性且不适定的优化问题，其收敛性强烈依赖于初始速度模型的质量。在复杂地质条件下，不精确的初始模型可能导致周期跳跃现象，即观测数据与模拟数据之间的相位差超过半个波长，从而使反演陷入局部极小值，产生非物理伪影和不可靠的速度更新（Bunks等，1995；Virieux和Operto，2009）。因此，构建运动学合理且地质一致性的初始速度模型仍然是可靠FWI的关键前提。

传统的初始速度模型构建方法，包括测井解释、反射层析成像和偏移速度分析（MVA），已被广泛应用于地震勘探中（Liu和Bleistein，1995；Silva和Stovas，2009；Tarantola，1984；Woodward等，2008）。这些方法可以提供有用的背景速度信息，但往往依赖于人工解释、先验假设和迭代更新。在强横向速度变化、断层、盐体以及复杂构造变形区域，其性能可能下降（Weibull等，2012）。此外，传统工作流程通常耗时较长，且难以扩展至大规模训练或测试场景。这些局限性推动了更自动化、数据自适应方法在FWI初始模型构建中的发展。

近年来，深度学习（DL）（LeCun等，2015）越来越多地被探索用于地震反演和FWI相关任务（Wu等，2025）。现有研究大致可分为以下几类。第一类是端到端数据驱动反演，其中神经网络直接从地震数据学习地下参数的映射关系，包括反射系数、阻抗和速度模型（Kim和Nakata，2018；Li等，2020；Tao等，2023；Yang和Ma，2019）。这些方法计算效率高，但当测试数据与训练数据分布不同时，其泛化能力和物理可解释性可能受到限制。第二类是将物理约束纳入学习框架，例如在训练或优化过程中嵌入波动方程建模、数据残差或FWI相关梯度（Rasht-Behesht等，2022；Sun等，2020）。近期的物理约束FWI研究将注意力机制与多分支架构相结合，以降低对初始模型的依赖并减少多参数串扰。在一项研究中，将声波方程求解器和轴向自注意力嵌入到自编码器中，以强制物理一致性并捕捉长程波场依赖关系（Niu等，2026b）。在另一项研究中，一种无需初始模型的弹性FWI框架采用了编码器–双解码器架构，设有独立的速度和密度分支、弹性约束和曲率正则化，以改善反演稳定性并减轻P波速度、S波速度和密度之间的串扰（Niu等，2026a）。这些研究表明，物理约束、注意力机制和参数特定的解码分支能够与数据驱动的特征学习互补，从而提升FWI效果。第三类采用物理-数据混合策略，其中神经网络用于为后续物理反演提供地质先验、正则化项、低频外推或改进的初始模型（Fernandes等，2024；Sun和Demanet，2022；Vantassel等，2022；Wang等，2023a）。更近期，隐式神经表示也被引入波形反演中，将地下模型表示为由观测数据和物理方程约束的连续神经函数（Sun等，2023）。这些研究表明，深度学习在提升FWI方面具有巨大潜力，但可靠的速度预测仍需适当的物理约束、有代表性的训练数据以及信息丰富的输入表示。

在速度模型构建方面，输入表示的选择与网络架构同等重要。从叠前地震记录道集直接映射到速度模型具有挑战性，因为复杂波形与深度域速度结构之间的关系高度非线性且难以解释（Duque等，2019；Simon等，2024）。因此，一些研究采用地震图像或偏移剖面作为网络输入，以改善反射界面与地质结构之间的空间对应关系（Lewis和Vigh，2017；Zhang和Gao，2022）。然而，偏移通常需要较为精确的速度模型，且计算开销较大，这限制了大规模数据集的生成（Melo等，2013）。另一个有前景的方向是使用多源或多通道输入。与单输入映射相比，多通道策略能够融合来自不同地球物理产品的互补信息，如地震图像、初始速度模型、测井约束、低波数背景模型或解释的构造属性（Li等，2021；Wang等，2023b）。在这类框架中，地震输入提供反射几何信息，而辅助速度输入则为深度域预测提供背景运动学约束。

基于上述动机，本研究采用了由叠后地震剖面和光滑背景速度场组成的双通道输入设计。采用叠后地震剖面是因为它保留了与地层界面、断层、褶皱和高对比度体相关的主要反射几何信息。光滑背景速度场提供低波数速度趋势和时深转换约束。这两类输入的组合使网络能够从时域地震响应和深度域背景速度信息中学习非线性映射，最终输出深度域速度模型。该设计旨在为FWI构建初始模型，而非替代物理反演方法。

为支持监督学习训练，开发了一套自动化的地质建模工作流程，用于生成包含层内非均质性、多尺度褶皱、断层和局部异常的合成速度模型。现有的开源数据集（如OpenFWI）为基于深度学习的反演提供了有价值的基准，但其中某些子集包含的理想化结构可能无法充分反映复杂初始模型构建所需的构造复杂性（Deng等，2021）。因此，所提出的工作流程旨在以受控方式生成更多样化的地质场景。相应的叠后等效地震记录利用爆炸反射体原理高效生成（Claerbout，1971），为所提出的网络提供成对的训练样本。

在网络设计方面，本研究将卷积块注意力模块（CBAM）整合到条件生成对抗网络（cGAN）中。为简洁起见，所得到的CBAM增强型cGAN框架在此后简称为C-cGAN。cGAN框架通过辅助输入信息对生成过程进行条件约束，扩展了生成对抗学习（Mirza和Osindero，2014），并广泛应用于基于U-Net生成器结构的图像到图像转换任务（Isola等，2017；Ronneberger等，2015）。在地球物理应用中，基于GAN和cGAN的方法已被用于地质模型生成和地震到速度的映射（Araya-Polo等，2019；Mosser等，2020；Zhang和Lin，2020）。注意力机制通过自适应地重新加权信息性响应并抑制相关性较弱的成分来改善特征表示（Chen等，2016；Vaswani等，2017）。CBAM进一步执行顺序的通道注意力和空间注意力重新校准（Woo等，2018）。在本任务中，通道注意力有助于重新校准来自地震输入和背景速度输入的互补信息，而空间注意力则有助于强调断层、界面和高对比度异常等结构重要区域。因此，所提出的C-cGAN被设计为面向任务的框架，集成了双通道地球物理输入、对抗学习和基于注意力的特征精炼，用于FWI初始速度模型构建。

本研究的主要贡献总结如下：

1）开发了一套自动化地质建模工作流程，用于生成包含层状非均质性、多尺度褶皱、断层和局部异常的多样合成速度模型，以支持初始速度模型的监督学习构建。

2）采用了双通道输入策略，将叠后地震剖面与光滑背景速度场相结合，使网络能够同时利用反射几何信息和低波数速度约束。

3）开发了一种基于CBAM增强的cGAN框架，用于改善FWI初始速度模型构建中的地质特征提取和跨域映射能力。

4）通过合成数据集测试、消融实验、背景速度敏感性分析、地震噪声实验和Marmousi基准实验，系统评估了所提方法在受控条件下的潜力与局限性。

## 章节片段

### 训练标签的自动生成

为应对FWI对高质量、多样化训练标签的需求，我们开发了一套高效且自动化的二维（2D）地质结构建模工作流程（图1）。在Wu等（2020）提出的方法基础上，我们的方法解决了层内均质化和褶皱多样性不足等关键局限性。我们从初始的平层模型出发，利用随机参数逐步引入层内非均质性、多尺度褶皱和断层。这一过程通过……

### 跨域映射公式

按照上述自动化建模工作流程，随机生成 k 个真实速度模型 $V_i(x, z)$，$i=1, \ldots, k$。对于每个 $V_i$，通过提取并平滑一条代表性的垂向速度剖面，构建一维光滑背景速度模型 $V_0^{(i)}(x, z)$。在本实验设置中，$V_0^{(i)}$ 被刻意设计为一个粗略的低波数先验，仅提供总体的深度依赖速度趋势，而不引入详细的横向结构信息。

应特别强调的是……

### 实验

设计了三组实验，以系统评估所提方法在初始速度模型构建中的性能。

1）**合成数据集测试。** 第一组实验评估所提方法在第二部分引入的合成测试数据集上的性能。该组实验包含两个部分。首先，对比U-Net、cGAN和所提出的C-cGAN，以评估其跨域映射能力和结构重建精度。其次，进行敏感性分析和……

### 讨论

尽管深度学习技术在地球物理反演中取得了显著进展，但在复杂地质条件下构建可靠的FWI初始速度模型仍然具有挑战性。所提出的C-cGAN方法提供了一种面向任务的策略，将叠后地震数据与光滑背景速度信息相结合。合成测试、敏感性分析、噪声鲁棒性测试和Marmousi基准实验表明，双通道输入设计和CBAM注意力机制……

### 结论

本文提出了一种面向任务的C-cGAN方法，用于FWI初始速度模型构建，该方法集成了双通道地球物理输入、对抗学习和基于CBAM的特征精炼。所提出的框架采用叠后地震剖面和光滑背景速度模型作为互补输入，前者提供反射几何信息，后者提供低波数速度约束。此外，还开发了一套自动化地质建模工作流程，用于……

## CRediT作者贡献声明

**Luo Wenhao**：论文撰写 – 初稿撰写、可视化、验证、软件、方法论、调研、形式化分析、数据整理、概念构思。

**Chen Shengchang**：论文撰写 – 审稿与编辑、监督、项目管理、方法论、经费获取。

**Zhang Yawen**：论文撰写 – 审稿与编辑、可视化、监督。

**Gong Xinyue**：监督、项目管理。

**Dou Ruxun**：监督、项目管理、调研、形式化分析。

**Xiao Haowen**：监督。

## 资助

本工作得到了国家自然科学基金的资助[项目编号：42274145]。

## 利益冲突声明

作者声明以下财务利益/个人关系，可能被视为潜在的利益冲突：Chen Shengchang报告获得中国国家自然科学基金提供的财务支持。其他作者声明，不存在已知的可能影响本文所报告工作的财务利益冲突或个人关系。

---

**作者**：Luo Wenhao | Chen Shengchang | Zhang Yawen | Gong Xinyue | Dou Ruxun | Xiao Haowen | Shen Xiao