Bayesian Inference for Subsurface Geophysical Inverse Problems

Mingliang Liu

doi:10.1029/2025RG000884

Bayesian Inference for Subsurface Geophysical Inverse Problems

2026-03-21

0

PRE

AI

DOI：10.1029/2025RG000884

原文链接

原文求助

摘要

En 中文

在地球物理勘探研究中，地球物理反演建模旨在从间接观测数据（尤其是地球物理数据）中推断关键地球物理属性，如深部地质结构、岩性和流体分布，同时严格量化不确定性。这些反演问题通常具有高维特性且计算量大，需要高效的概率推断方法。贝叶斯反演提供了一种连贯的统计框架，能够整合先验地质知识与观测数据，实现地下表征中的系统性不确定性量化。梯度无关的贝叶斯采样方法长期以来被用于表征复杂的后验分布，并仍是地球物理反演的基础。近期，在梯度信息可高效获取的情境下，基于梯度的贝叶斯推断方法已作为有效替代方案出现。通过利用后验分布的局部几何特性，这些方法能够更高效地探索高维参数空间。与此同时，深度学习通过促进隐式地质先验、代理正演建模以及自动微分实现高效梯度计算，进一步增强了贝叶斯反演。本文综述了梯度无关和基于梯度的贝叶斯推断技术，重点探讨后者，并考察其在地震、电磁、重力及多物理场反演问题中的应用。基于这些进展，我们引入“可微分贝叶斯反演”作为潜在统一概念框架，整合基于深度学习的地质先验参数化、基于物理或代理的正演建模，以及模块化可微分架构内的概率推理。最后，本文概述了面向日益复杂的地球科学应用，开发稳健、可解释且具备不确定性感知能力的反演框架所面临的开放性挑战及未来研究方向。

Keyword:

Bayesian inversion

data assimilation

inverse problems

subsurface modeling

deep learning

differentiable physics

Bayesian Inference for Subsurface Geophysical Inverse Problems

摘要

期刊

机构