文献类型： 中文期刊

作者： 许祥 ¹ ; 邹志辉 ¹ ; 韩明亮 ¹ ; 贾冬顺 ¹ ; 周华伟 ¹ ; 裴建新 ¹ ; 马锐 ¹ ;

作者机构： 1.中国海洋大学海洋地球科学学院,海底科学与探测技术教育部重点实验室,深海圈层与地球系统教育部前沿科学中心;青岛海洋科学与技术国家实验室海洋矿产资源评价与探测技术功能实验室;中海油(中国)有限公司天津分公司;中国石油集团东方地球物理公司辽河物探处;美国休斯顿大学地球与大气科学系;汉海信息技术(上海)有限公司

关键词： 地震速度建模;深度学习;早至波;初至走时;地震层析成像;异构数据

期刊名称： 地球物理学报

ISSN： 0001-5733

年卷期： 2023 年 66 卷 012 期

页码： 5107-5122

收录情况： EI ; SCI ; 北大核心 ; CSCD

摘要： 地震初至走时和早至波形数据含有丰富的速度结构信息,被广泛用于地震速度建模.采用初至走时建模稳定,但精度不足;而地震波形速度建模虽然精度较高,但稳定性较低.联合采用初至走时和早至波形可能有助于同时提高速度建模的稳定性和精度,但走时和波形的物理意义不同,在数据结构上存在明显差异,难以直接在常规层析成像或波形反演中联合.本文提出联合地震初至走时与早至波形的深度学习速度建模方法,通过对特征数据集的异构数据进行维度变换,使初至走时和早至波形以不同通道输入到深度神经网络,形成相对应的速度模型映射.数值实验结果表明,该方法实现了初至走时和早至波形在速度建模中的优势互补,其建模精度优于仅采用初至走时及仅采用早至波形的深度学习建模方法和层析成像方法.利用异构数据开展深度学习速度建模的思路,对联合其他数据开展高精度速度建模也具有借鉴意义.