[发明专利]一种基于卷积神经网络的航空瞬变电磁数据反演方法

说明书

本发明公开了一种基于卷积神经网络的航空瞬变电磁反演方法，包括以下步骤：1)生成由航空瞬变电磁响应数据、收发装置高度和电阻率模型构成的合成数据集；2)根据合成数据集建立卷积神经网络，以航空瞬变电磁观测的时域信号为输入数据，以其对应介质模型的电阻率对数值为输出数据；3)根据误差下降曲线选取合适的训练集规模和训练周期，确保训练效果和计算效率；完成网络训练；4)根据网络反演结果及其正演响应与真实值的拟合情况判断网络的泛化能力；5)将新采集的航空瞬变电磁响应数据输入至卷积神经网络中，得到地下介质的电阻率分布情况。该方法反演结果准确，能够提高航空瞬变电磁数据解释效率，进而为航空瞬变电磁数据实时成像提供技术支持。

技术领域

本发明提供一种地球电磁数据的快速反演方法，具体涉及一种基于卷积神经网络的航空瞬变电磁数据反演方法。

背景技术

航空瞬变电磁法是一种重要的主动源电磁勘探方法，具有对地形适应性强、观测效率高、对低阻异常体敏感等优势，因此已被广泛应用于地下水探寻、环境监测、矿产勘查等领域。

目前，航空瞬变电磁数据解释方法主要分为确定型反演和统计型反演。确定型反演方法首先设定初始模型和目标函数。目标函数通常为模型正演响应与观测数据之间的拟合误差与正则化项之和。其中，正则化项用来融合参考模型以及模型光滑度等先验信息。通过迭代调整模型参数，使目标函数收敛至预先设定的可接受范围，得到最终的解释模型。然而，受到多解性影响，目标函数存在众多局部极小值，反演结果依赖初始模型，易陷入局部最优解；且正则化项的选取具有主观性。此外，迭代调整模型参数时需要多次正演模拟和Jacobian矩阵计算，较为耗时。统计型反演方法通过在模型空间进行采样来提供模型参数的统计特征，但由于模型空间大，其对计算资源的需求很高，计算成本随模型参数的增加指数上升。

航空瞬变电磁法观测区域广，采集数据量大，且其具有多源性，在反演时需要针对每个发射源进行正演响应拟合，在数据解释中面临巨大的计算挑战。同时，相比于地面观测系统，航空电磁数据信噪比较低，易受噪声干扰，会加剧反演的多解性问题。总体来说，采用传统反演方法进行航空瞬变电磁数据解释仍受到多解性和计算成本的局限。

深度学习方法是一种数据驱动的非线性全局优化方法，Bai等(2020,(Quasi-)Real-time inversion of airborne time-domain electromagnetic data viaartificial neural network.Remote Sensing.12(20),3440)、Noh等(2020,Imagingsubsurface resistivity structure from airborne electromagnetic induction datausing deep neural network.Exploration Geophysics,51(2),214-220)和Feng等(2020,Resistivity-depth imaging with the airborne transient electromagnetic methodbased on an artificial neural network.Journal of Environmental andEngineering Geophysics,25(3),355-368)将人工神经网络(Artificial NeuralNetwork，ANN)应用于航空瞬变电磁数据反演中。Li等(2020,Fast imaging of time-domain airborne EM data using deep learning technology.Geophysics,85(5),E163-E170)将卷积神经网络(Convolutional Neural Networks，CNN)与长短时记忆模块(LongShort-Term Memory，LSTM)相结合，考虑飞行高度，实现了航空瞬变电磁数据反演。这些神经网络反演算法结构简单，多采用3-5层的阶梯状电阻率模型，纵向网格厚度随深度不断增大，难以灵活适应电阻率异常体的边界，在实际应用时对复杂电阻率环境适用性较弱。