基于去噪扩散概率模型与隐式神经表示的环境噪声经验格林函数精确插值
地球物理
2026-01-12 v1
摘要
从地震背景噪声中提取的经验格林函数（EGF）已被广泛用于地球内部结构成像，而基于 EGF 的层析成像分辨率取决于地震台站的空间密度。然而，由于成本和后勤限制，部署适用于高分辨率层析成像的密集地震台网通常十分困难。尽管对未采样位置的 EGF 进行可靠插值可以提高层析成像分辨率，但由于 EGF 的频散特性，这项任务本质上仍极具挑战性且探索不足。在本研究中，我们引入了 DIER（扩散辅助隐式 EGF 表示），一个自监督学习框架，该框架将隐式神经表示与去噪扩散概率模型相结合，以实现高保真 EGF 插值。在 DIER 中，扩散过程以台站坐标为条件，引导从随机噪声到 EGF 波形的转换，从而无需标记数据或合成波形即可灵活重建五维 EGF 场。我们通过横跨美国的大陆尺度 EGF 插值展示了 DIER 的有效性。结果表明，DIER 生成的 EGF 在相位对齐和频散特性方面有显著改善，明显优于传统的基于径向基函数的插值方法。使用从插值 EGF 导出的相速度进行面波层析成像，其结果也与由更密集地震台网数据构建的参考模型高度吻合。我们的发现表明，DIER 为在台站覆盖稀疏的区域进行高分辨率环境噪声层析成像提供了一种有前景且成本效益高的方法。
引用
@article{arxiv.2601.05489,
title = {Accurate Interpolation of Ambient Noise Empirical Green's Functions by Denoising Diffusion Probabilistic Model and Implicit Neural Representation},
author = {Guoyi Chen and Junlun Li and Bao Deng},
journal= {arXiv preprint arXiv:2601.05489},
year = {2026}
}
备注
Submitted to Geophysical Journal International