深度学习在地球物理中的应用现状与前景

深度学习是机器学习的一个分支,是使用低维特征组合来表示高维特征组合,包含多重复杂结构或多个非线性变换的多个处理层对数据进行高维抽象的一种算法.深度学习的自我学习和适应能力使它在计算机视觉、语音识别、金融等领域得到了广泛应用.为分析深度学习在地球物理领域的应用前景,本文在介绍深度学习概况的基础上,结合实例分析了深度学习在地震探测定位、大地电磁数据处理、航空电磁数据解释等领域的应用现状.发现深度学习在处理海量数据在并行处理、进行模式识别特征提取、数据预测等方面都有巨大的优势.随着三维探测逐渐成为地球物理勘探主流趋势,必将产生海量数据,涉及大型计算和反演,深度学习在地球物理探测中应用将更加广泛.     

PRC_MTMV和EMTF在长周期大地电磁数据处理中的应用

长周期大地电磁信号强度弱,频带宽,容易受到多种噪声的干扰,观测数据不满足加性、平稳和最小相位特性.因而,其数据处理仍有较多难点.常规的大地电磁数据处理方法是相似的,其主要差别是在时域或频域压制噪声、提高信噪比的数学方程和算法不同.为了提高数据处理的可靠性,拓宽方法的选择范围,本文介绍了广泛使用的PRC_MTMV和较少使用的EMTF两套软件系统的处理原理、参数配置以及用于处理长周期大地电磁资料的基本流程.利用两套系统对实测数据进行处理,对比发现,PRC_MTMV处理得到的视电阻率和相位曲线总是比EMTF的曲线平滑;EMTF的远参考处理对视电阻率曲线高频部分有较大的改善,说明EMTF能够有效克服磁场干扰;将同一测点长周期和宽频测深曲线拼接,二者的效果是相当的,表明EMTF能够满足需要并用于处理长周期大地电磁数据.     

瞬变电磁数据交叉型组合域去噪技术研究与应用

高效的瞬变电磁数据处理对后续的精确地质解译具有决定性的作用,而数据信号的去噪是数据处理环节的重中之重.时频分析方法是当前广泛应用于瞬变电磁数据处理去噪领域的主要方法技术,但其基本是单域方法的应用探索,各自单域方法实际应用效果不尽人意.本文基于曲波变换、小波变换及高阶相关统计技术,进行了交叉型组合域瞬变电磁数据去噪技术的研究与探索.通过引入高阶相关统计理论提供自适应的阈值函数、采用小波变换进行残留噪声成分小波系数分解,结合曲波变换正反过程实现交叉型组合域去噪技术.设计了包含随机噪声、相关噪声的数值模拟合成数据去噪算例验证了本文方法的可行性.将本文方法应用于两个实测数据去噪分析,表明本文方法可有效解决不同复杂程度的含噪声瞬变电磁数据去噪领域.研究成果为瞬变电磁高精度数据处理提供了新的技术手段.     

基于多源数据的机器学习在地震预测中的研究进展

近年来,机器学习的快速发展在计算机视觉、自然语言处理和数据挖掘等领域取得前所未有的成绩。地震研究学科众多,包括地震学、大地测量学、地球化学、地球电磁学和地质学等,研究产生的多源、复杂、海量数据高度符合机器学习对于训练数据的要求,因此许多学者将机器学习方法引入到地震预测中。本文基于机器学习背景、地震预测应用流程和评价方法等方面,回顾了近年来基于机器学习方法,利用不同学科数据进行地震预测的应用概况和主要进展,并对机器学习在地震预测中的应用进行总结和讨论。     

Hilbert-Huang变换与傅里叶变换在大地电磁数据处理中的适用性分析

Hilbert-Huang变换(HHT)和傅立叶变换是目前广发应用于大地电磁(MT)信号处理的两种算法,但两种方法在MT信号的处理中的适用性研究却鲜有报道.文章以仿真平稳信号、加噪信号、非平稳信号和实测大地电磁信号为例,从准确性、稳定性、计算效率等几个方面比较了两种算法在大地电磁信号处理中的适用性.结果表明:傅立叶变换对于无噪平稳信号的分析,其分辨率和准确性很高,且计算速度快,适合海量大地电磁测深数据的处理;HHT算法具有时频分析和滤除高频分量的能力,能精确的刻画信号能量随时间和频率的分布,且抗噪声性能好,在MT数据筛选和去噪等方面有优势;基于HHT边际谱的功率谱估计更适合MT信号非平稳特性的实质,但其计算效率低,是制约其工程应用的瓶颈问题.     

矿区近场源噪声对大地电磁测深数据的影响及其压制方法

大地电磁测深采集的是天然电磁场,具有振幅微弱、频带宽的特点.在人文活动密集地区,电磁噪声干扰日趋严重,导致大地电磁测深曲线具有明显的近场源效应.本文利用电偶极子理论模型分析了电磁相关噪声对大地电磁测深数据的影响特征,并对湖南衡阳某矿区噪声实验数据进行了讨论,分析了矿区噪声的特点.分别利用远参考方法和基于大地电磁时间序列依赖关系的去噪方法对实验数据进行了处理.研究结果表明:矿区近场源噪声的频率一般大于0.1 Hz,远参考方法可以压制高频部分近场源噪声,但在0.1 Hz附近仍存在跳点;基于大地电磁时间序列依赖关系的去噪方法也可以压制矿区强相关噪声,抑制近场源效应,其效果要好于远参考的处理;两种方法结合可以更好的压制强噪声,基本消除了近场源效应,有效提高了大地电磁测深数据的信噪比.     

基于曲波变换的航空电磁数据调平方法研究

航空电磁法由于高效和高精度的特点广泛应用于地质填图、矿产资源、地下水、及环境与工程等勘查.然而,航空电磁系统处于动态环境,噪声影响严重,航空电磁数据处理至关重要.航空电磁数据噪声除随机成分外,还包括有各种效应引起的畸变,数据去噪需要依据噪声特征进行处理.航空电磁数据调平是航空电磁数据处理中至关重要的步骤,它能有效去除数据中由飞机飞行条件变化导致系统状态变化而产生的异常.传统的调平方法由于效率较低、易产生数据畸变等受到限制.为了克服这些局限性,我们提出一种基于曲波变换的数据调平方法.该方法得益于曲波变换多尺度和多方向性特征,可以有效地提取数据中的调平误差并予以去除.与此同时,利用该方法我们可以对非规则测区数据进行直接调平,无需进行测区分割,显著提高调平效率和普适性.为了检验本文曲波变换调平方法的有效性,我们将其应用于理论数据以及在爱尔兰Waterford地区实测的航电数据调平.实验结果表明该方法有效地去除调平误差的同时很好地保留有用信号.     

AR模型在大地电磁测深资料处理中的应用

大地电磁测深资料数据采集过程中,由于温度、湿度等对仪器的影响或GPS搜星不正常,采集到的数据有时会出现时间序列跳帧或缺失现象.针对这一问题,本文将基于无激励AR(p)模型预测数据的原理引入大地电磁测深数据处理中.根据已知序列确定AR(p)模型阶数以及模型参数,建立正确的预测模型对缺失数据进行预测,并对比经过预测后的数据与实际样本数据的频谱,表明AR(p)预测模型可以解决原始资料的不连续性问题,提高了大地电磁测深野外资料的利用率.     

基于广义S变换的大地电磁测深数据处理

S变换是一种优于短时傅里叶变换和小波变换的时频分析方法.采用广义S变换进行大地电磁场时间序列频谱分析,一方面能够提高对电磁噪声成分的时间定位能力,便于实现电磁噪声的滤波处理;另一方面可以增加频谱系数的个数,从而改善大地电磁阻抗张量元素的统计特性.本文从广义S变换和大地电磁测深数据处理方法的原理出发,给出了采用叠加窗函数的离散广义S变换形式,讨论了广义S变换窗口宽度比例因子、窗口宽度与可提取频谱系数个数之间的关系,定义了利用离散广义S变换时频谱计算大地电磁场分量功率谱公式;在此基础上,研究了基于S变换时谱频的大地电磁测深数据ROBUST处理方法.最后,通过实测资料进行方法检验,结果表明本文方法比短时傅里叶变换处理效果更好,并且有利于识别和压制电磁噪声.     

利用K-SVD字典学习算法压制海洋大地电磁噪声

海洋大地电磁数据处理的结果会影响数据反演和解释的准确性.在浅水中,由海浪引起的强电磁干扰和大地电磁场叠加在一起,使得噪声所在频段内的视电阻率和相位曲线出现畸变.针对这种强干扰,本文将K-SVD字典学习算法应用于海洋大地电磁信号处理中,通过稀疏表示海浪感应磁噪声实现大地电磁磁场信号的重构,并结合视电阻率信息进行相位校正....