DispFormer：面向位移曲线反演的预训练 Transformer 模型

面向地下剪切波速度（vs）估计的位移曲线反演至关重要，但传统方法常面临计算成本高、唯一性差以及对初始模型敏感等挑战。虽然深度学习方法显示出前景，但许多方法需要大量标注数据，且在现实数据集上表现不佳，这些数据集常表现为周期范围不同、缺失值以及信噪比低。为克服这些限制，本研究引入 DispFormer，这是一个基于 Transformer 的神经网络，用于从瑞利波相位和群位移曲线进行 vs 剖面反演。DispFormer 可独立处理每个周期的数据，使其能够处理不同长度的数据，无需网络修改，且无需训练和测试数据集严格对齐。还引入了深度感知训练策略，纳入了从位移数据深度灵敏度派生的物理约束。DispFormer 在全球合成数据集上进行预训练，并在两个区域合成数据集上进行零样本和少样本评估。结果表明，即使没有标注数据，零样本 DispFormer 也能生成的反演剖面优于用作预训练目标的插值参考模型，为传统工作流程提供可部署的初始模型生成器。当部分标注数据可用时，少样本训练的 DispFormer 超越传统全局搜索方法。实测结果进一步表明，DispFormer 对不同长度的位移数据具有良好的泛化能力，并优于参考模型。这些发现凸显了 DispFormer 作为位移曲线反演基础模型的潜力，并证明了将物理约束集成到深度学习地理物理应用中的优势。