综述：迈向高保真端到端地震分辨率提升：深度学习技术与井下-地表联合勘探的结合方案

《SURVEYS IN GEOPHYSICS》：Towards End-to-End Seismic Resolution Enhancement with High Fidelity: Deep Learning Solution Combined with Joint Borehole-Surface Exploration

　　

摘要

地表地震数据的分辨率有限，这一直是难以精确描绘细尺度地质特征（如薄层和小型断层）的一个重大障碍。虽然DAS-VSP能够提供高分辨率成像，但其有限的覆盖范围限制了其在大规模勘探中的应用。相反，地表地震数据虽然能提供更广泛的探测范围，但分辨率损失严重。此外，现有的深度学习方法往往无法有效整合这两种数据类型，因为它们过度依赖完全配对的训练数据或合成先验，从而导致在实际应用中泛化能力差且出现“模型不匹配”问题。为了解决这些难题，我们提出了一种新的半监督分辨率提升框架，该框架通过域适应方法将井下勘探与地表勘探相结合。其中关键组件是无监督的退化变换模块（DTM），它通过将来自未知退化领域的实际数据映射到由模拟先验定义的已知领域，从而对分辨率差距进行建模。与传统方法不同，这种变换是借助生成对抗网络（GAN）在非配对数据上学习的，这使得网络无需严格的样本级对齐即可捕捉复杂的退化模式，如频率衰减和失真。一旦数据被转换到已知领域，一种Transformer-CNN混合结构的U形退化反演模型（UDIM）就会进行反演操作，以重建高分辨率的地震剖面。由于将退化建模与反演过程巧妙分离，该框架避免了过度依赖合成先验的问题，同时在数据匮乏的情况下仍能保持稳定性。在两个实地数据集上的实验表明，与现有最先进的基准方法相比，该框架在地震事件恢复、断层连续性以及图像清晰度方面表现更为优异。这项研究展示了以井下数据为引导的域变换作为一种可扩展、高精度的地震成像及分辨率提升策略的巨大潜力。