基于深度学习的半监督迁移学习方法用于色散曲线提取

《Journal of Applied Geophysics》：Deep learning–based approach for dispersion curve extraction using semi-supervised transfer learning

　　•UWK-Net可直接从原始地震记录中提取瑞利波色散曲线。•小波卷积有助于保持多尺度特征以及低频信息。•KAN模块可实现从波形到色散曲线的自适应非线性映射。•基于物理原理的伪标签有助于在弱监督条件下实现合成数据与实际数据的适配。引言在近地表探测中，由于相速度会随频率发生系统性变化（Rayleigh，1885），瑞利波色散特性可为剪切波速度剖面提供高效且无损的约束条件。在典型的表面波分析流程中，首先采集地震数据，然后提取色散曲线，最后通过反演来估算地下剪切波速度结构。在这些步骤中，色散曲线提取往往是最大的瓶颈：提取过程中的误差和不连续性会直接影响反演结果，降低所获得的剪切波速度模型的可靠性。在传统方法中，色散曲线通常是从通过谱变换（如FK变换）或频率-贝塞尔函数成像方法（FJ/MFJ及其改进版本）从地震记录生成的色散图像（频率-速度能量图）中提取的。对于环境噪声测量，可采用互相关方法获得经验性的格林函数，这些函数可形成虚拟地震记录，从而能够与可控源数据一样在相同的色散成像框架下进行处理。虽然空间自相关方法常用于圆形阵列，但基于相关的色散分析及后续的FJ/MFJ成像并不局限于同心圆阵列结构；只要将波场表示为等效的接收器间形式，线性阵列也可用于此类分析。图1展示了完整的表面波反演流程。经过预处理（如去噪和增益校正）后，通过色散分析在频率-速度域生成能量图，进而从中提取出用于反演的色散曲线（基模及更高阶模式）。在本研究中，每当需要能量图时（如用于可视化或生成基于物理原理的伪标签），我们都会采用改进后的频率-贝塞尔函数成像方案（mMFJ）来生成它，该方案能有效增强瑞利波的多模态色散特征（Li和Chen，2020；Wang等人，2019；Wu等人，2020；Xi等人，2021）。因此，准确的色散曲线提取对于可靠的反演至关重要。从能量图中手动提取色散曲线既耗时又具有主观性，这促使人们寻求自动化方法。早期的研究引入了机器学习技术，用于从色散图像中分离信号特征与噪声。例如，高斯混合模型（GMM）和基于密度的带噪声空间聚类算法（DBSCAN）等无监督聚类方法被用来识别连贯的能量簇并抑制异常值（Rovetta等人，2021；Wang等人，2021）。尽管这些方法提高了结果的重复性，但其性能仍可能受算法超参数以及色散谱的质量（分辨率和噪声水平）的影响。近年来，深度学习方法越来越被用于自动提取色散曲线，通过学习分层特征来实现这一目标。U-Net和ResNet等架构已被改造用于将色散曲线提取视为色散图像上的图像分割/分类任务（Dai等人，2022；Kaul等人，2020），后续的研究还通过迁移学习、架构优化（如Res-Unet++、DisperNet）以及概率估计策略进一步提升了性能（Dong等人，2021；Hu等人，2023；Ren等人，2023；Song等人，2021；Zhang等人，2020）。最近有一项直接从地震记录到色散曲线的研究表明，残差网络能够学习从数值模拟的地震记录到瑞利波基模及第一阶高阶色散曲线的映射关系，其公开的ML_Dispersion代码库为这一流程提供了可复现的实现方式（Chamorro等人，2023，Chamorro等人，2024）。不过，许多现有流程在推理阶段仍依赖于色散图像的生成，这不仅会增加额外的处理时间，还可能在有限的频率-速度网格上对波形进行离散化处理，并在成像过程中进行隐式平滑/叠加操作，从而导致重要的低频波形信息丢失。尽管取得了进展，但在实际应用中仍存在三个现实挑战：1. 合成数据与实际数据之间的差异：在合成数据或特定场地数据集上训练的模型，由于噪声、耦合效应以及采集几何结构的差异，可能难以很好地泛化到新的实际场地条件中（Chamorro等人，2024）。2. 实际数据中标签的匮乏：在真实的地震记录中获得可靠的色散曲线标签十分困难，往往需要大量的人工工作，这限制了大规模的监督学习应用。3. 实时应用的资源限制：当计算能力（高浮点运算量）和响应时间受到限制时，高性能模型可能难以在嵌入式/边缘设备上部署（Hu等人，2025）。为了解决这些问题，并提出一种更易于实际应用的流程，我们提出了UWK-Net，这是一种端到端的神经网络，能够在推理过程中直接从原始地震记录中提取色散曲线。UWK-Net在U-Net风格的编码器-解码器结构基础上加入了基于小波的卷积操作（WTConv），以保留多尺度特征和低频信息，同时在瓶颈部分引入了KAN模块，以实现从波形到色散曲线的自适应非线性映射。为减少对目标场地领域手动标签的依赖，我们采用了受GLWS启发的弱监督/半监督合成数据到实际数据转换策略，仅在实际需要适配时，才通过mMFJ生成的基于物理原理的伪标签来进行指导。此外，我们还引入了一种基于梯度敏感度的结构化剪枝方法，以提高模型在资源受限条件下的计算效率。本文的主要贡献如下：1. 端到端的从地震记录到色散曲线的提取：我们直接从原始地震记录中回归出瑞利波色散曲线，从而在目标领域适配后无需再依赖色散图像的生成，同时还能保留波形信息，尤其是低频段的信息。2. 无需手动标签的基于物理原理的少样本/弱监督适配：我们提出了一种合成数据到实际数据的转换流程，其中通过mMFJ生成的伪标签可为在有限的实际数据条件下进行高效适配提供基于物理原理的监督。3. 考虑低频特性的架构设计：通过结合WTConv和KAN，UWK-Net具备更好的多尺度表征能力和非线性映射能力，有助于在噪声存在或场地条件变化的情况下进行预测。4. 面向边缘设备的模型压缩：我们提出了基于梯度敏感度的结构化剪枝方法，以减少模型冗余，提高在资源受限条件下的推理效率。章节概要任务定义与网络输入所提出的方法被定义为一种直接的波形域序列回归问题。给定一个经过预处理的地震记录，目标是在推理过程中不使用色散能量图作为网络输入，直接估算出瑞利波色散曲线。输入的地震记录表示为一个单通道的接收器-时间张量X∈?B×1×H×W，其中B表示批量大小，H表示有序接收器维度，W表示预处理后的时间样本数量。实验与讨论本节首先介绍在合成数据集上的实现细节和训练流程，随后进行基准测试比较。第3.4节则介绍了实际场地的采集情况以及现场测试结果。由于实际场地的伪标签是通过mMFJ生成的，且没有独立的真实色散曲线可供参考，因此这些现场案例不应被视为能够证明该适配后的网络在所有情况下都优于mMFJ的決定性证据。结论本研究提出了UWK-Net，该网络可在推理过程中直接实现从地震记录到色散曲线的回归。该方法的框架明确定义了输出张量、固定的频率网格、用于处理缺失或不可靠频率段的掩码损失函数，以及适配过程中基于mMFJ生成伪标签与直接网络推理之间的区别。合成实验表明，UWK-Net能够以较高的精度恢复瑞利波的基模及第一阶高阶模式，且计算成本较低。CRediT作者贡献说明Nan Changhong：写作——审阅与编辑，写作——初稿撰写，可视化，软件开发，方法论，研究工作，数据整理。Zheng Jing：写作——审阅与编辑，指导监督，资源协调，资金获取，正式分析。Shen Shuaishuai：写作——审阅与编辑，指导监督，数据整理，概念设计。Mo Lingbin：写作——审阅与编辑，项目管理，研究工作，数据整理。利益冲突声明作者声明不存在任何可能影响本文研究成果的已知财务利益或个人关系。致谢本研究得到了新疆维吾尔自治区重大科技项目（项目编号2025A01007）的支持。作者们还要感谢本研究中用于mMFJ色散成像的开源CC-FJpy软件包（https://github.com/ColinLii/CC-FJpy）（Wang等人，2019；Xi等人，2021）。Changhong Nan|Jing Zheng|Shuaishuai Shen|Lingbin Mo