地球物理反演是一种利用地表观测数据对地下介质物性参数进行求取的技术。地球物理反问题是一类高度非线性的不适定问题，传统的基于迭代优化的反演方法难免受到局部极小值、初始模型、收敛性和计算效率的影响。反问题的高精度快速求解是一直以来的研究热点。为规避上述传统反演方法中无法避免的问题，我所海洋地质与地球物理研究室海底探测技术及应用团队基于机器学习理论实现了海底沉积物物性参数的直接反演。

该研究针对海底叠前地震反演的特点，设计了一个6层的神经网络构架（图1），包括1个输入层、1个输出层和4个隐层。前两个隐层首先将叠前地震数据从数据域映射到待反演参数域，实现海底沉积物物性参数的初步反演；进而后两个隐层对初步反演结果进行误差校正，得到最终反演结果。基于该网络构架进一步提出了一种高效的网络训练方法（图2），该方法只需两步矩阵求逆即可完成网络训练。网络结构与训练过程保证了该方法的泛化能力，使得完成训练的网络可以用于不同的数据集。不同于传统的迭代优化反演，该方法是将数据直接映射为待反演参数，因而该方法不受局部极小值、初始模型、收敛性和计算效率的影响。数值测试表明该方法具有良好的稳定性（图3）。

图1. 叠前地震反演网络构架

图2. 参数学习流程

图3. 方法稳定性测试

该成果受到了国家自然科学基金、中央级公益性科研院所基本科研业务费专项资金、山东省自然科学基金和青岛海洋科学与技术试点国家实验室主任基金的资助，于2020年9月3日在线发表于国际知名期刊IEEE Transactions on Geoscience and Remote Sensing上，题为Machine Learning-Based Seafloor Seismic Prestack Inversion，论文第一编辑和通讯编辑为我所助理研究员刘洋廷博士，合编辑为中石化勘探分企业工程师钟雨博士。

原文链接：https://doi.org/10.1109/TGRS.2020.3019073