基于卷积神经网络的机载电磁数据反演：训练数据集噪声与数据间隙特征的影响分析

《Geophysical Journal International》：The importance of realistic noise characteristics in neural network inversion of airborne electromagnetic data

　　

摘要

深度学习等方法（如神经网络）为地球物理反演提供了一种快速替代方案，并越来越多地应用于机载电磁（AEM）数据，以解决各类地球科学问题。此类网络既依赖于网络架构，也依赖于合适的训练数据集，才能产生逼真的地下电阻率模型。本文开发了一种卷积神经网络（CNN）来反演AEM数据，并特别关注训练数据集的特征。训练数据不仅要涵盖地下性质分布的合理范围，还必须模拟目标调查数据的噪声和数据间隙特征。我们发现，在无噪声数据上训练的神经网络虽然在验证数据上表现优异，但在实际数据上表现不佳，往往在电阻率模型中引入地质上不合理的伪影。相反，使用适合特定调查的噪声和数据间隙特征对训练数据进行条件处理，虽然对验证数据的拟合程度较低，但在应用于调查数据时产生的伪影更少。损失函数度量标准和数据归一化方法的选择很重要，且在不同调查之间可能有所差异。尽管神经网络设计取得了显著进展，但开发具有足够广泛特征的训练数据以使其能够在众多调查和数据采集平台之间推广，仍然是一个重要的挑战。