二维重力数据离散反演的贝叶斯高斯过程框架：在韩国西部和戈达瓦里盆地的应用

《Geophysical Journal International》：A Bayesian Gaussian Process Framework for the Discrete Inversion of 2D Gravity Data: Applications to the West Korea and Godavari Basins

　　

摘要

虽然贝叶斯推断已广泛应用于大地电磁、地震和磁场数据集，但其在重力异常方面的应用仍相对较少被探索。为了解决这一问题，我们提出了InDIA（密度界面反演及其应用），一个基于Python的贝叶斯推断框架，利用结构高斯过程。InDIA旨在估算离散化的地下层深度和密度，同时明确量化不确定性。与以往局限于连续深度剖面和局部问题的技术不同，InDIA整合了多种先验信息，以有效解决局部和区域的重力异常。该方法成功克服了局部基于梯度的优化技术（如Adam）中常见的多参数挑战和收敛问题。该算法的优越性已通过多种合成模型得到验证（包括多棱柱配置、具有侧向密度变化的两层模型、具有侧向和垂直密度变化及断层倾斜模型的异质地下模型），这些模型具有恒定和可变密度分布——无论是侧向、垂直（先验约束）还是两者兼有——并融入了高斯噪声、随机游走噪声、系统噪声和椒盐噪声以模拟真实条件。此外，该框架的野外适用性通过使用两个真实的重力数据集得到了证明。首先，它解决了西朝鲜盆地的多层地下剖绘问题。其次，它在印度哥达瓦里盆地同时解析了深度和先验约束的垂直密度变化。在这两个实际应用案例中，反演的参数在地质上是可行的，并与先前建立的模型紧密吻合，证实了InDIA作为重力数据反演的可靠工具。

贝叶斯推断, 地壳结构, 重力异常与地球结构, 机器学习