U-SWIFT：基于 Transformer 与频散曲线归一化的统一面波反演框架

深度学习是一种日益流行的反演面波频散曲线以获取 Vs 剖面的方法。然而，其泛化能力受限于训练数据的深度和速度尺度。我们提出了一个统一的深度学习框架，通过频散曲线归一化来克服这一局限性。通过利用频散曲线的缩放特性，我们的方法使单个预训练模型能够预测跨不同尺度的 Vs 剖面，从浅层地下（例如深度 < 10 m）到地壳级别。该框架结合了一个基于 Transformer 的新型模型，以处理可变长度的频散曲线，并免除了繁琐的手工参数化。合成数据与实际数据的结果表明，该方法能提供带有不确定性估计的快速且稳健的反演。这项工作提供了一种高效的反演方法，适用于从近地表工程到地壳成像的广泛应用。该框架为在地球物理反演中开发尺度不变的深度学习模型确立了范式。