特征-数据协同反演：一种用于浅地表弹性全波形反演(EFWI)的孪生卷积神经网络(Siamese CNN)方法

《Artificial Intelligence in Geosciences》：Feature-Data Collaborative Inversion: A Siamese Convolutional Neural Network Method for Shallow-Subsurface EFWI

　　

弹性全波形反演（Elastic Full-Waveform Inversion，EFWI）是实现高分辨率地下参数（包括纵波速度VP、横波速度VS及密度ρ）成像的重要工具，但其在浅地表勘探中受强非线性、对初始模型极度敏感及特定参数（尤其是密度）低灵敏度等问题制约。为此，研究人员提出一种基于孪生卷积神经网络（Siamese Convolutional Neural Network，Siamese CNN）的EFWI框架——SCFWI（Siamese CNN-based Feature-data Collaborative Full-Waveform Inversion），用于多参数同步反演。该框架将权重共享的孪生网络嵌入物理反演迭代循环中，自适应提取观测数据与合成地震数据的多尺度共有特征；并构造新颖的特征-数据协同目标函数（Feature-Data Collaborative Objective Function），实施双重约束：最小化特征差异以恢复全局构造并约束低灵敏度参数，同时减小波形残差以保留局部高分辨率细节。数值实验表明，SCFWI显著削弱对精确初始模型的依赖并增强抗噪性；尤为突出的是，在SEAM模型上密度均方根误差（Root-Mean-Square Error，RMSE）较传统EFWI降低56.6%，证明其可有效缓解参数串扰（Parameter Crosstalk）。本研究为EFWI多参数反演提供了一种有前景的物理引导深度学习框架，并对更广泛的智能地球物理反演应用具有借鉴意义。

论文解读：Feature-Data Collaborative Inversion——一种基于Siamese CNN的浅地表EFWI方法

研究背景与意义

全波形反演（Full-Waveform Inversion，FWI）及其弹性拓展——弹性全波形反演（Elastic Full-Waveform Inversion，EFWI）——通过拟合观测与合成地震记录来反演地下介质参数（纵波速度V_P、横波速度V_S、密度ρ），是高分辨率地下成像的核心手段。然而EFWI在浅地表应用中面临三大瓶颈：（1）目标函数高度非凸，对初始模型（Initial Model）敏感，初始模型偏差易导致周波跳跃（Cycle Skipping）而陷入局部极小；（2）多参数间存在严重参数串扰（Parameter Crosstalk），尤其浅地表面波（Surface Wave）主导时，V_S敏感而V_P和密度ρ对地震记录响应弱，密度反演精度极低；（3）传统L₂范数仅逐点匹配波形，难以自适应挖掘数据深层特征。现有改进策略（多尺度策略、包络反演、最优传输距离、Hessian近似解耦、顺序反演及纯数据驱动深度学习）或依赖人工设计特征，或需大量标注数据且泛化性差，或忽略弹性介质中的模式转换。为此，研究人员开展本研究，提出特征-数据协同反演框架SCFWI，将物理驱动（Physics-Guided）的孪生卷积神经网络嵌入EFWI迭代过程，兼顾全局特征约束与局部波形保真，以提升浅地表多参数EFWI的反演精度、抗噪性及对初始模型的鲁棒性。该文发表于《Artificial Intelligence in Geosciences》。

主要关键技术方法

研究人员设计特征-数据协同弹性全波形反演（SCFWI）框架：采用共享权重的孪生卷积神经网络（Siamese Convolutional Neural Network）双分支分别接收观测与合成单炮记录（Shot Gather），经带残差连接（Residual Connection）的编码器-解码器（Encoder-Decoder）结构提取多尺度深层特征；构造协同目标函数E_total=λ·‖F(d_obs)-F(d_sync)‖₂²/(‖F(d_obs)‖₂²+ε)+(1-λ)·‖d_obs-d_sync‖₂²/‖d_obs‖₂²，其中F(·)为Siamese网络特征映射，λ=0.5为平衡因子；通过链式法则计算特征项对模型参数的梯度（需反向传播经Siamese网络及波动方程正演算子），采用Adam优化器更新模型参数与网络参数；弹性波场正演采用二阶时间—四阶空间精度的有限差分法，自由表面为上边界，卷积完全匹配层（CPML）吸收侧底边界；数值实验选用浅断层模型（Shallow Fault Model）、压缩Overthrust模型及压缩SEAM模型，以RMSE、MAE、Pearson相关系数（PCC）及梯度夹角（Gradient Angle）定量评估，并与传统EFWI及仅含特征项（λ=1）的变体对比，加噪测试加入5%及10%高斯白噪声。

研究结果

3.1. Shallow Fault Model（浅断层模型）

在无噪条件下，以均匀半空间为初始模型，SCFWI(λ=0.5)反演的V_PRMSE=37.67 m/s、密度RMSE=53.46 kg/m³，较传统EFWI分别降低21.3%和25.7%；V_S三者相当。梯度夹角分析显示SCFWI(λ=0.5)各参数对梯度近正交（平均88.1°），优于EFWI（平均约84°）及纯特征约束变体，表明协同损失促进梯度解耦。收敛曲线与NRMSE残差均证明SCFWI(λ=0.5)收敛更快、最终波形拟合最佳（NRMSE=0.0023）。结论：特征-数据协同目标函数有效缓解初始模型依赖与参数串扰，清晰恢复断层边界。

3.2. Noise Tests on the Shallow Fault Model（浅断层模型噪声测试）

加入5%及10%高斯白噪声并使用具垂向梯度的较优初始模型。SCFWI(λ=0.5)在所有噪声水平下保持最高精度与最强稳定性：10%噪声时密度RMSE=45.18 kg/m³（EFWI为58.79，纯特征变体恶化至86.92），PCC仍达0.9150。纯特征变体在高噪声下误差剧增且结构模糊，传统EFWI受噪声诱导周波跳跃影响大。结论：特征项提供平滑优化地形抵抗噪声，数据项保留高频细节，二者梯度噪声部分抵消产生方差缩减效应，使SCFWI具优异抗噪鲁棒性。

3.3. Overthrust model（Overthrust模型）

针对复杂构造，SCFWI(λ=0.5)成功重建薄互层与复杂断裂，V_PPCC=0.9500，密度RMSE较EFWI降低41.1%（由88.48降至52.12 kg/m³）。EFWI因强非线性陷入局部极小，V_P与密度严重偏离。NRMSE显示SCFWI(λ=0.5)波形残差最小（0.00127）。结论：Siamese网络提取的多尺度特征约束宏观构造，协同数据域约束保高分辨细节，适用于复杂地质结构。

3.4. SEAM model（SEAM模型）

高对比度强非均匀SEAM模型中，EFWI密度反演失败（归一化误差升至1.09且未下降），V_P出现假异常；SCFWI(λ=0.5)密度RMSE由EFWI的72.57降至31.50 kg/m³（降低56.6%），V_PRMSE=29.74 m/s（EFWI为77.09）。梯度耦合分析显示EFWI梯度夹角严重偏离正交（V_P–V_S仅58.5°），SCFWI(λ=0.5)改善明显。结论：特征域约束作为可学习正则化项强化低密度灵敏度参数反演，协同数据项锐化异常体边界，大幅减轻强非线性下的反演失效。

讨论与结论翻译

研究人员指出，SCFWI属于物理引导深度学习框架，不依赖大规模标注数据，将神经网络作为高级特征提取与相似性度量工具嵌入传统反演，可视为对传统波形反演的有效正则化与增强。协同目标函数中特征项捕获全局运动学特征以约束弱灵敏参数（如密度），数据项保留振幅相位信息以维持高波数细节，这是仅单一域失配无法达成的。与已有SiameseFWI及包络FWI对比，SCFWI在多参数灵敏度差异较大时具综合优势。特征崩溃（Feature Collapse）风险通过监测编码器瓶颈特征方差（最小值1903.54?崩塌阈值）与有效秩（9.78~10.50稳定）排除，数据域项形成自校正反馈防止退化。权重因子λ经敏感性分析确定λ=0.5为多参数反演平衡点。局限含超参数需经验选取、显存限制三维扩展，未来拟研究动态λ更新、混合精度训练及推广至黏弹性及各向异性FWI。

结论（CONCLUSION）原文翻译：

本研究建立了SCFWI框架，作为解决浅地表多参数EFWI关键挑战的物理引导方案。该方法利用权重共享的双分支网络自适应提取多尺度特征，并将其融入特征-数据协同目标函数中，实现V_P、V_S和密度的高精度同步反演。研究结果表明，该协同方法相较传统波形匹配有显著改进——特征域约束充当可学习正则化项以平滑优化地形，有助于缓解周波跳跃并加强对密度（EFWI中长期难题）的反演约束。数值实验证明，SCFWI使V_P和密度反演精度较传统EFWI提升20%以上，且表现出更强的抗噪性与复杂构造适应性。特征-数据协同反演核心理念为EFWI经典难题提供了新途径，也为更广泛的智能地球物理反演问题提供了方法论启示。