地球物理抗差估计和广义逆方法

为进行观测数据误差较大的地球物理资料的反演,引人抗差估计,称作地球物理抗差估计;为使病态方程组的反演解更可靠,又结合广义逆方法进行了算法改进．首先介绍抗差最小二乘（ＲＬＳ）的基本原理,然后推寻出适于广义逆反演方法的改进算式,最后举例加以讨论．分析表明,抗差估计可以有效地抑制地球物理观测异常的影响,得出正常模式下的较好估计值;而用改进后的算式和广义逆反演可以使反演解更加改善,不仅如此,改进后的方法还能直接给出解估计的可靠性评价．     

大地电磁的多尺度反演

对于迭代方式的参数化反演方法,如何使反演结果稳定地收敛到整体极小仍是目前大地电磁（MT）反演中急需解决的问题．本文利用小波变换理论中的多尺度分析方法将大地电磁反问题分解为依赖于尺度变量的反问题序列,然后按尺度从大到小的次序依次求解,求解过程中前一个尺度反问题的解作为下一个尺度反问题的初始模型,直到来出对应于尺度为0的原反问题的解为止．该方法称为多尺度反演方法．数值试验和实际资料的反演结果表明,该方法可有效改善传统广义逆反演方法易陷入局部极小的弊端．     

大地电磁的多尺度反演

对于迭代方式的参数化反演方法,如何使反演结果稳定地收敛到整体极小仍是目前大地电磁（MT）反演中急需解决的问题．本文利用小波变换理论中的多尺度分析方法将大地电磁反问题分解为依赖于尺度变量的反问题序列,然后按尺度从大到小的次序依次求解,求解过程中前一个尺度反问题的解作为下一个尺度反问题的初始模型,直到来出对应于尺度为0的原反问题的解为止．该方法称为多尺度反演方法．数值试验和实际资料的反演结果表明,该方法可有效改善传统广义逆反演方法易陷入局部极小的弊端．     

顾及几何观测信息和地球物理模型的形变参数自适应滤波解

研究地壳形变的理论和方法主要有两大类：地球物理模型方法和几何方法．由于基准误差、观测误差和模型误差等,两种方法得到的结果往往存在差异．为合理利用几何信息和物理信息,控制几何观测及物理模型误差对形变参数估计的影响,并平衡两类信息对形变参数的贡献,本文提出一种利用自适应滤波综合估计形变参数的方法．采用抗差等价权控制几何观测异常误差的影响,引入自适应因子平衡几何观测和地球物理模型信息对形变模型参数估计的贡献,利用高精度IGS站速度确定局部形变的基准．利用一实测GPS监测网进行计算,结果表明该混合估计策略可充分利用局部重复几何观测信息减弱地球物理模型信息带来的形变系统误差,提高了形变参数解算精度．     

火山Mogi模型形变反演的虚拟观测法及方差分量估计

针对Mogi模型垂直位移与水平位移联合反演中的病态问题,改进火山形变总体最小二乘（Total Least Squares,TLS）联合反演的虚拟观测法,并使用方差分量估计（Variance Components Estimation,VCE）方法确定病态问题的正则化参数.将附有先验信息的参数作为观测方程,与垂直位移和水平位移的观测方程联合解算,推导了三类观测方程联合反演的求解公式及基于总体最小二乘方差分量估计确定正则化参数的表达式,给出了算法的迭代流程.通过算例实验,研究了总体最小二乘联合反演的虚拟观测法在火山Mogi模型形变反演中的应用;算例结果表明,三类数据的联合平差及方差分量估计方法可以确定权比因子并得到修正后的压力源参数,具有一定的实际参考价值.

     

基于粒子滤波的自然电场数据反演

自然电场法在工程和环境地球物理领域应用广泛,提高其观测数据反演解释的可靠性具有重要意义.自然电场数据的反演通常采用常规的线性或非线性方法来实现,这些方法都是基于最小拟合差获得反演模型参数值.由于地球物理反演固有的多解性,在数据噪声较大时,反演结果可能存在较大误差.粒子滤波算法能够得到一组粒子来近似系统参数某时刻的后验概率分布,通过求取粒子均值的方式便能得到系统参数的最小方差估计,使得在有较大噪声的情况下模型参数估计值都能比较接近于真实值,能够较好地提高反演的可靠性.因此在分析粒子滤波原理的基础上,通过测试重采样策略,提出了自然电场粒子滤波反演算法.对不同地电模型生成的模拟数据反演测试结果显示,在较大噪声条件下,该方法依然能够得到良好的反演结果,且反演用时相对于常规反演算法更短.这表明粒子滤波反演算法具有较好的抗噪声能力,比较适合自然电场等易受噪声干扰的地球物理数据反演.     

地球物理随机联合反演

基于场方程的地球物理联合反演隐含着两个基本过程:正演的联合与反演的联合。当用遗传算法解决这类问题时,它蕴含着一个反演的随机联合的过程,称之为随机联合反演。借鉴模拟退火和禁区搜索方法的思想,通过对遗传操作对象、操作过程以及迭代过程的改进,使改进后的遗传算法表现较快的收敛速率和良好的全局收敛性;通过模型数据的反演,从理论上证明改进的遗传算法能较好地解决非线性、复杂、大尺度离散反问题,使随机联合反演问题的解决成为可能。     

地壳形变监测中的水准与重力资料联合解算

重复水准测量提供了点位高程变化的重要几何信息,但水准测量本身又受地球重力场的影响,在水准观测值中同时含有重力场的信息．重复绝对重力测量或相对重力测量提供了丰富的局部重力场的信息,由于点的重力值随高程变化而变化,因此,它们同时也含有点位高程变化的信息．经典平差方法将两类观测值分别解算,将互补的信息作为干扰加以改正,或作为噪声处理,这不仅丢失了有用的信息,而且有损于成果的精度． 本文在整体大地测量框架内构制了这两类观测值的联合解算模型,给出了解算方法,研究了形变场的拟合和预测问题,并用实例进行了验证,得到了一些有益的结果．研究表明:联合解算可同时给出地面点的高程及其变化率和局部重力场的参数及其变化率,有利于信息的提取;联合解算的精度优于单独解算的结果;秩亏抗差解和拟稳抗差解分别优于相应的非抗差解;拟稳抗差解算方法自动选择拟稳点,有效地抵制了粗差和形变异常对起算基准的干扰;对于多期复测的资料,使用动态拟稳抗差估计,不仅能动态地寻找可靠的拟稳点,而且能保证动态变化参数免受或少受各历元观测粗差的干扰,可明显地提高动态参数的验后精度;当点位丰富时,建立形变模型并据此内插未测点的变形和推测某个时刻地壳的形变状态也是可行的．      

一种改进的贝叶斯反演算法

贝叶斯反演方法是一种以贝叶斯理论为基础的不确定性反演方法,该方法除了以寻找最优解为目标外同时还能对反演结果进行评价分析,因此在地球物理反演领域中占据重要地位.然而传统的贝叶斯反演算法约束能力一般,存在精度不高的问题.本文为了进一步提高该反演算法的精度,分别从初始反演阻抗模型、先验概率分布以及似然函数三个方面对算法进行了改进,改进点主要包括对初始反演阻抗模型中的随机噪声成分进行butterworth滤波处理使构建的初始阻抗与真实阻抗更加接近从而降低反演的难度,对先验概率分布进行多方法综合处理从而有效避免了单一方法约束能力的不足,对似然函数则引入反演残差与子波的互相关函数将其扩展为一个向量从而可以使其针对每个点进行约束.通过以上改进在一定程度上提高了贝叶斯反演算法的约束能力,并利用改进后的算法进行单道记录反演试算,直观对比分析了反演阻抗与实际阻抗的匹配程度,同时引入误差项加以验证,结果表明改进算法能够在一定程度上提高反演的精度.最后,本文通过抗噪性分析检验了改进算法的稳定性和适用性.     

一种基于数据融合的地球物理数据联合反演方法

从地球物理反演的基本概念出发，认为地球物理反演是 对实测数据的地球物理属性的理解或解释，多方法的地球物理数据联合反演是一种多传感器 的数据融合. 本文分析了地球物理数据的模糊特性，采用基于语义的模糊化方法，使不同物 理意义和尺度的特征数据及测区的地质和地球物理背景成为一体，结合地球物理专家解释的 方法，利用基于模糊逻辑系统的神经网络实现了融合. 该方法充分利用了各种地球物理探测 数据的全部信息，避免了线性反演的复杂计算；其数据融合的观点,为解决地球物理联合反 演问题提供了新的思路. 通过模拟实验和应用实例验证，该方法是有效的.     

基于局部采样MCMC方法的时移探地雷达反演

马尔科夫链蒙特卡洛方法(MCMC)是一种启发式的全局寻优算法,可以用来解决概率反演的问题.基于MCMC方法的反演不依赖于准确的初始模型,可以引入任意复杂的先验信息,通过对先验概率密度函数的采样来获得大量的后验概率分布样本,在寻找最优解的过程中可以跳出局部最优得到全局最优解.MCMC方法由于计算量巨大,应用难度较高,在地...     

基于局部相关性约束的三维大地电磁数据和重力数据的联合反演

为解决地球物理反演中多解性的问题,综合多种地球物理信息的联合反演受到了广泛的关注.本文依据不同地球物理响应可能由相同异常体引起,而不同地球物理分布参数之间存在相关性等特点,提出了一种基于局部Pearson相关系数约束的联合反演方法.该方法假设每个局部区域模型参数的分布具有线性相关特性,在拟合不同类型观测数据时,对局部模型参数施加相关性约束,进行联合反演以减少多解性.本文采用交替迭代联合反演流程,改善了同一目标函数下联合反演收敛性和速度问题.基于新的联合反演方法和流程,我们测试了三维大地电磁和重力仿真数据的联合反演.结果表明,本文提出的基于局部相关性约束的联合反演方法,能充分利用大地电磁和重力观测数据信息,有效改善单一地球物理反演收敛性和多解性的问题,反演效果得到明显提升.

     

微地震资料贝叶斯理论差分进化反演方法

微地震监测难以拾取准确初至,为了提高反演定位精度和减小多解性,研究了微地震贝叶斯差分进化反演方法.从分析讨论理论模型反演残差及其协方差分布特征出发,结合对比不加噪音和加入不同程度的噪音后残差协方差极小点位置移动、分布梯度变化特征,提出了先验信息解估计方法.针对后验估计中,由于难以获得先验信息解的方差估计致使无法计算加权系数问题,通过分析残差变化特征和解的变化关系,研究了利用残差求取加权系数的方法.为了加快寻优速度,讨论了差分进化反演方法,在变异操作方面使用差分策略,即利用种群中个体间的差分向量对个体进行扰动,实现个体变异,充分有效利用群体分布特性,提高算法的搜索能力,避免遗传算法中变异方式的不足.通过理论模型测试本方法的反演效果,并且和搜索方法反结果进行比较.测试结果证明本反演方法,对于不同程度初至干扰,反演结果向准确解逼近程度比搜索方法要好得多,实际资料的反演结果也好于搜索方法.     

Iteratively re‐weighted and refined least squares algorithm for robust inversion of geophysical data

A robust metric of data misfit such as the ?₁‐norm is required for geophysical parameter estimation when the data are contaminated by erratic noise. Recently, the iteratively re‐weighted and refined least‐squares algorithm was introduced for efficient solution of geophysical inverse problems in the presence of additive Gaussian noise in the data. We extend the algorithm in two practically important directions to make it applicable to data with non‐Gaussian noise and to make its regularisation parameter tuning more efficient and automatic. The regularisation parameter in iteratively reweighted and refined least‐squares algorithm varies with iteration, allowing the efficient solution of constrained problems. A technique is proposed based on the secant method for root finding to concentrate on finding a solution that satisfies the constraint, either fitting to a target misfit (if a bound on the noise is available) or having a target size (if a bound on the solution is available). This technique leads to an automatic update of the regularisation parameter at each and every iteration. We further propose a simple and efficient scheme that tunes the regularisation parameter without requiring target bounds. This is of great importance for the field data inversion where there is no information about the size of the noise and the solution. Numerical examples from non‐stationary seismic deconvolution and velocity‐stack inversion show that the proposed algorithm is efficient, stable, and robust and outperforms the conventional and state‐of‐the‐art methods.     

电阻率二维神经网络反演

由于非线性特性地球物理反演一直以来都是一个比较困难的问题. 近十年来,非线性反演方法如人工神经网络、遗传算法在地球物理数据解释中得到越来越多的应用,但目前基本仍限于一维反演问题. 对于二维反问题,反演参数较多,神经网络反演运用较少. 本文利用BP神经网络优化方法,实现了电阻率二维非线性反演. 与传统线性化的迭代反演比较,神经网络反演能够克服传统方法的不足、获得更好的反演结果.     

基于MCMC的叠前地震反演方法研究

马尔科夫链蒙特卡洛方法(MCMC)是一种启发式的全局寻优算法[1].它在贝叶斯框架下,利用已有资料进行约束,既可使最优解满足参数的统计特性,又通过融入的先验信息,提高解的精度;寻优过程可跳出局部最优,得到全局最优解.利用MCMC方法,可以得到大量来自于后验概率分布的样本,不仅可以得到每个未知参数的估计值,而且可以得到与之相关的各种不确定性信息.此外,由于算法并不是利用有单一最优解的目标函数,所以结果对初始值的依赖不强.通过对简单一维层状介质模型的处理,和实际资料的应用,说明利用基于Metropolis-Hastings算法的MCMC方法进行地震反演,通过对解空间的随机搜索能够得到较好的效果.     

基于混合差分进化算法的地球物理线性反演

地球物理反问题线性化处理之后, 各种反演算法归结为对病态线性方程组的求解. 为了快速准确地计算出地球物理参数, 本文提出了一种全新的基于LSQR算法的混合差分进化算法(Hybrid Differential Evolution Algorithm, HDE). 该算法利用LSQR算法给出DE算法的初始种群, 提高DE算法的计算速度和稳定性. 在不同噪声水平下, 对四种正则化方法Tikhonov、TSVD、LSQR和HDE的反演结果进行详细比较. 理论模型和实际数据反演的结果都表明: 改进的HDE算法应用于地球物理反问题的求解是成功的: 反演结果与原设定模型具有较高的相关性, 在稳定性和准确性上较常规的反演算法都具有一定的优势; 而且不需要给定正则化参数, 具有更强的实用性.     

2D多尺度混合优化地球物理反演方法及其应用(英文)

局部优化和全局优化方法广泛应用到地球物理反演,但是两者各有其优缺点。将两类方法结合起来可以取长补短。将退火遗传算法（SAGA）和单纯形算法相结合,得到了一种高效、健全的2D非线性混合地震走时反演方法。首先,利用SAGA进行大范围的全局搜索,然后由单纯形方法进行快速局部搜索。为了降低层析成像的多解性,我们采用了多尺度逐次逼近的技巧。把速度场划分为不同的空间尺度,定义网格节点上的速度作为待反演参数,采用双三次样条函数模型参数化,正问题采用有限差分走时计算方法,反问题采用多尺度混合反演方法。一个低速度异常体的数值模拟试验和抗走时扰动试验表明该方法是有效和健全的。我们将该方法应用到青藏高原东北缘阿尼玛卿rlet,Meyer,Marr,缝合带东段上部地壳速度结构研究中。数字模型试验和实际资料的应用表明了方法的有效性和健全性。     

Non-linear inversion of resistivity profiling data for some regular geometrical bodies1

The inversion of resistivity profiling data involves estimation of the spatial distribution of resistivities and thicknesses of rock layers from the apparent resistivity data values measured in the field as a function of electrode separation. The drawbacks of using traditional curve-matching techniques to solve this inverse problem have been overcome by iterative linear techniques but these require good starting models even if the shape of the causative body is asssumed known. In spite of the recent developments in inversion techniques, no robust method exists for the inversion of resistivity profiling data for the simple model of dikes and spheres which are the classical models of geophysical prospecting. We apply three different non-linear inversion schemes to invert synthetic resistivity profiling data for the classical models embedded in a uniform matrix of contrasting resistivity. The three non-linear algorithms used are called the Metropolis simulated annealing (SA), very fast simulated annealing (VFSA) and a genetic algorithm (GA). We compare the performance of the three algorithms using synthetic data for an outcropping vertical dike model. Although all three methods were successful in obtaining optimal solutions for arbitrary starting models, VFSA proved to be computationally the most efficient.