.png){kind=icon}
返回
Enhancing deep learning based RMT data inversion using Gaussian random field
.png){kind=icon}
PRE
AI
DOI：10.1007/s11600-026-01876-7.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
深度学习方法已作为地球物理数据反演的有力工具出现。当应用于现场数据时，这些模型通常在没有额外网络微调的情况下难以适应。这是因为它们基于训练数据集和测试数据集中统计模式相同的假设。为解决此问题，我们提出了一种基于深度学习的无线电大地电磁数据反演方案，其中地下电阻率模型使用高斯随机场（GRF）生成。该网络在两个具有显著分布偏移的数据集上测试了其泛化能力，每个数据集均与训练所用的GRF存在显著差异。一个数据集包含具有各种矩形异常体的均匀背景。第二个数据集设计更为复杂，代表具有多层和断层的地质真实场景。在经过GRF数据集的端到端训练后，预训练网络成功识别了未见数据中的板状异常。合成实验证实，与均匀背景数据集相比，GRF数据集的多样性增强了泛化能力。该网络准确恢复了电阻率模型中的结构，并展示了抗噪声能力，优于传统的基于梯度的方法。最后，该方案使用来自印度Roorkee附近废物场地的示例现场数据进行测试。所提出的方案在数据驱动的监督学习框架中增强了泛化能力，为基于深度学习的无线电大地电磁数据反演方法提供了有前景的方向。
Keyword:
Magnetotelluric
U-Net
Deep learning
Gaussian Random field
Compressed sensing
查看更多机构