基于CycleGAN的地震加速度到速度位移自动重建方法

《Applied Sciences》：Automatic Reconstruction of Velocity and Displacement from Seismic Acceleration Measurements by a Cycle-Consistent Generative Adversarial Network

　　从加速度测量中重建速度和位移对于地震或微震数据解释至关重要。许多现有方法在速度和位移重建方面均能取得优异结果。然而，这些重建方法涉及大量参数，且需要针对不同数据集进行调整。对于高精度即时重建，尤其是针对大规模含噪数据集，仍存在改进空间。因此，我们提出一种深度学习方案，在推理过程中无需参数调整，即可通过循环一致性生成对抗网络（CycleGAN）自动从地震加速度测量中重建速度和位移。为获取配对训练数据，我们采用半合成方法构建数据集。基于该数据集，我们利用CycleGAN训练两个映射函数，分别从加速度测量中重建速度和位移。随后，我们在测试集上将该方法与两种传统方法进行比较。对于地震速度测量的重建，本文所提方法在测试集上的平均峰值误差（Erp）、平均偏差误差（Err）和均方根误差（Ers）分别为0.1478、1.2269和0.0097。此外，对于地震位移测量的重建，本文所提方法在测试集上的平均Erp、Err和Ers值分别为0.2004、0.9783和5.6×10??。另外，在含噪输入条件下，我们方法重建的记录其信噪比（SNR）退化程度最小，且在较高SNR范围内保留了更多记录，优于传统方法重建的结果。结果表明，所提方法在速度重建精度上与传统方法相当，在位移重建精度上则优于传统方法。更重要的是，该方法能够自动重建记录，在无需人工调参的情况下对输入噪声保持鲁棒性，展现出良好的实际应用前景。