摘要
我们提出并测试了一种方法，用于降低全波形反演所需的输入数据的维度，以此作为降低计算成本的手段。在现代地震采集系统中，进行高强度应用时所需的数据量高达数万亿次浮点运算的存储规模；因此，使用全波形反演技术来解决复杂的地下结构问题或探索多种场景变得十分困难。所提出的方法利用带有二值化感知层的深度神经网络，通过压缩学习从大量地下模型中学习地震采集方案。这样一来，面对庞大的地震数据集时，经过训练的网络会先选择其中的一小部分数据，再通过表示学习，利用自编码器计算出这些数据的潜在表示，最后通过K均值聚类进一步筛选出最适合全波形反演的数据。这种方法实际上是一种分层筛选过程。即便仅使用2D全波形反演所需数据的10%，所提出的方法依然能持续优于随机数据采样方式，而这些成果为加速大规模3D反演中的全波形反演应用奠定了基础。
