在地球物理学反演成像中，单一物理属性反演受到噪声干扰、先验信息或数据集不充分的影响，导致获得的地下物理参数模型存在不确定性和非唯一性。目前，联合多种地球物理场如地震或电磁观测数据的共同反演是解决这些问题的有效途径。作为地球物理深部探测的重要手段，地震和电磁成像方法能够分别揭示地下介质的速度和电阻率参数信息，两种方法在空间分辨率及对异常体的敏感度上各有差异。因此，开展地震和电磁联合反演旨在两种观测数据约束下，同时有效获得速度、电阻率的结构特征。目前两类主流的联合约束思路分别为：岩石物理约束方法和交叉梯度等基于结构相似性的约束方法，两种思路都存在各自的不可忽视的弊端，并且在联合目标函数中加入约束正则化项需要额外考虑参数权重，增加了问题的复杂度。此外，对于地质构造复杂的研究区域，不同尺度局部及不同深度的岩石的电性、速度特征可能存在多种线性或非线性关系会影响结果的合理性。而目前基于聚类思路的机器学习方法对发掘研究区域中非线性且不可表达的隐式多物性关系仍然比较困难。
深度学习方法得益于神经网络能够接受大型非线性问题的输入并发掘出不同区域、不同参数间的隐性关系，显著简化了联合目标函数的构建以及参数权重选择问题。本项研究中，中国科学院广州地化所研究生马骥骁，在导师邓阳凡研究员指导下，联合清华大学的合作者，首先综述了目前主流的常规耦合方法及其在地震学和电磁学一维到三维联合反演中的应用，然后总结了机器学习目前在地震和电磁联合反演中约束物性关系的应用，并指出深度学习在处理联合反演问题中发掘速度和电阻率之间非线性关系的优势，最后构建了融合注意力机制的卷积神经网络以提高对关注特征的学习能力，并开展了地震-电磁合成数据的二维联合反演应用。
具体采用了属性融合的思路，旨在利用泛化的神经网络为每次迭代同时预测新的速度和电阻率参考模型从而促进反演过程的收敛优化的进行。在该思路下构建了基于泛化卷积神经网络的智能地震电磁联合反演框架（图1），该反演框架明确了神经网络以及两种数据反演的步骤，有效简化了联合反演流程及目标函数设计的复杂性。
图1 基于深度学习的智能联合反演框架
利用合成数据分别进行了地震和电磁数据的单独反演，基于交叉梯度联合反演以及基于深度学习的联合反演，测试结果表示基于深度学习的联合反演方法相对于交叉梯度约束和单独反演的结果有明显提升，尤其对于异常体的形态恢复有明显改进（图2），验证了属性融合思路能够使得神经网络有效学习到速度和电阻率之间的非线性关系，并展示了该研究构建的智能联合反演框架的可应用性。
图2 (a)和(b)为真实电阻率和速度模型，(c)和(d)为单独反演获得模型，(e)和(f)为交叉梯度联合反演获得模型，(g)和(h)为基于深度学习联合反演获得模型
通过对比不同方法的地震数据和电磁数据的拟合曲线（图3），展示了基于深度学习的联合反演方法对两种数据的拟合情况均优于单独反演和交叉梯度联合反演，再次验证了智能联合反演的优越性。
图3 地震和电磁数据的拟合曲线
目前基于深度学习的地震电磁联合反演方法还没有应用于实际观测数据的联合反演工作中，因此在未来有望将这套方法应用于探矿以及火山区等浅部成像研究中。此外，本项研究为未来的三维尺度下的联合反演方法开发提供了指导思路，并有望结合接收函数以及面波频散等地震学数据来提供更多的信息约束，从而获得精度、可靠性更高的壳幔尺度成像结果。
研究成果发表在国际知名学术期刊 Surveys in Geophysics。这项工作得到了国家重点研发计划（2022YFF0801003），国家自然科学基金（42322401）和中国科学院先导项目（XDA0430203）的资助。
文章相关信息：Jixiao Ma, Yangfan Deng*, Xin Li, Rui Guo, Hongyu Zhou, Maokun Li. 2024. Recent Advances in Machine Learning-Enhanced Joint Inversion of Seismic and Electromagnetic Data. Surv Geophys, https://doi.org/10.1007/s10712-024-09867-3
原文链接：https://doi.org/10.1007/s10712-024-09867-3
