GJI:基於卷積神經網絡的接收函數質量評估和反演
鑒於人工智能在信號檢測與識別領域的巨大成功、廣泛分布的臺站接收函數數據以及高分辨的區域性的殼幔三維速度模型,本文將卷積神經網絡(CNN)應用於接收函數的質量評估,將U型網絡結構(UNet)應用於接收函數和面波頻散的聯合反演,嘗試實現高質量接收函數的自動高效篩選,構建符合區域構造背景的速度結構模型。
宝马游戏大厅吳慶舉研究員團隊通過構建基於人工智能的卷積神經網絡,實現對P波接收函數波形質量的快速評估,為殼幔結構研究提供高質量的接收函數;通過構建UNet實現對接收函數和面波頻散的聯合反演成像,獲得符合先驗模型約束的穩健的S波速度結構。
本研究處理了來自青藏高原東北緣的22221個遠震事件,引入信噪比和相似度方法,采用標簽為好或差的簡單二分對數據質量進行標識:高信噪比且高相似度的數據用標簽1標識為合格數據;低相似度且低信噪比的數據用標簽0標識為不合格數據,舍棄其余數據,避免其模糊性對網絡的影響。用接收函數波形數據、遠震Z分量數據以及質量標簽訓練CNN,反向傳播更新CNN權重,建立接收函數波形數據和質量分類之間的映射關系,構建了CNN框架。驗證集數據的預測結果表明:CNN繼承了人工挑選接收函數的經驗,能夠從原始的接收函數數據中篩選出高信噪比、高相似度的接收函數(圖1)。
本研究基於全球PREM模型和Ccrust5.1模型,對模型參數做合理的隨機擾動,隨機生成大量的地殼模型,計算合成接收函數和頻散,建立接收函數和面波頻散數據與S波速度結構數據的訓練集,然後將接收函數和面波頻散作為兩個通道的模型輸入,將地球S波速度結構作為輸出,實現端到端的訓練,從而建立了接收函數和面波聯合反演的UNet模型。將野外實測數據作為UNet的驗證集,測試集和驗證集的Loss曲線表明UNet具有較好的泛化能力。與經典的阻尼最小二乘反演結果的對比表明,對大量模型進行深度學習後反演獲得的模型更加穩健,且UNet還能給出反演結果的不確定度(圖2)。
圖1 人工挑選接收函數與CNN挑選接收函數的對比圖。臺站61063和62335的接收函數的人工挑選(第一行,高斯濾波參數為 1.0)和 CNN挑選結果(第二行,高斯濾波參數為 1.5)的比較;Ps、PpPs 和 PpSs + PsPs的理論到時用黑色虛線標記
圖2 (a)用於反演的疊加P波接收函數;(b) 利用阻尼最小二乘法聯合反演面波與接收函數得到的模型 (Li et al., 2017); (c)UNet 聯合反演接收函數和面波頻散得到的模型 (d) 由100個預測模型導出的不確定度
本研究提出了基於深度學習的接收函數質量評估方法,將數據的信噪比和相似度應用於神經網絡,實現了接收函數質量的高效評估,對於地球物理資料質量的定量高效評估有潛在的應用前景。首次將神經網絡應用於接收函數和面波頻散聯合反演,理論模型和實際觀測數據的測試表明,基於神經網絡的聯合反演方法較阻尼最小二乘法,有反演所期待的結果穩健的特點,對於地球物理資料反演有潛在的科學意義和應用價值。
研究成果詳見: Gan, L., Wu, Q., Huang, Q., & Tang, R. (2022). Quality classification and inversion of receiver functions using convolutional neural network. Geophysical Journal International, 232(3), 1833-1848.https://doi.org/10.1093/gji/ggac417
【作者簡介】
第一作者:甘露,女,1992年生,博士,主要從事地球物理反演方法研究。
Email:ganlu@pku.edu.cn;
通訊作者:吳慶舉,男,1966年生,研究員,主要從事宝马游戏大厅學、地球內部結構以及地球動力學研究工作。
Email:wuqj@cea-igp.ac.cn