利用深度图学习在高维中进行地震初至拾取
机器学习
2024-04-15 v1 人工智能
信号处理
地球物理
摘要
当代自动初至（FB）拾取方法通常分析一维信号、二维炮集或三维炮检点集。利用更高维度的数据（如二维或三维）能够引入全局特征，从而提高局部拾取的稳定性。尽管具有这些优势，高维数据需要结构化的输入并增加了计算需求。针对这一问题，我们提出了一种名为 DGL-FB 的深度图学习新方法，通过构建大图来高效提取信息。在该图中，每个地震道被表示为一个节点，由反映相似性的边连接。为控制图的规模，我们开发了一种子图采样技术以简化模型训练与推理。我们提出的 DGL-FB 框架利用深度图学习进行 FB 拾取。它使用深度图编码器将子图编码为全局特征。随后，将编码后的全局特征与局部节点信号结合，并输入到基于 ResUNet 的一维分割网络中进行 FB 检测。对 DGL-FB 的现场测量评估表明，与基于二维 U-Net 的基准方法相比，其具有更高的准确性和稳定性。
引用
@article{arxiv.2404.08408,
title = {Seismic First Break Picking in a Higher Dimension Using Deep Graph Learning},
author = {Hongtao Wang and Li Long and Jiangshe Zhang and Xiaoli Wei and Chunxia Zhang and Zhenbo Guo},
journal= {arXiv preprint arXiv:2404.08408},
year = {2024}
}