中国科学院广州地球化学研究所研究生马骥骁在导师、该所研究员邓阳凡的指导下，联合清华大学的合作者，在国家重点研发计划、国家自然科学基金和中国科学院先导项目的资助下，基于深度学习的地震学和电磁学联合反演研究取得新进展。相关成果发表于《地球物理学调查》（Surveys in Geophysics）。

该研究中，研究人员首先综述了目前主流的常规耦合方法及其在地震学和电磁学一维到三维联合反演中的应用，然后总结了机器学习目前在地震和电磁联合反演中约束物性关系的应用，并指出深度学习在处理联合反演问题中发掘速度和电阻率之间非线性关系的优势，最后构建了融合注意力机制的卷积神经网络以提高对关注特征的学习能力，并开展了地震-电磁合成数据的二维联合反演应用。

具体采用了属性融合的思路，旨在利用泛化的神经网络为每次迭代同时预测新的速度和电阻率参考模型，从而促进反演过程的收敛优化。在该思路下构建了基于泛化卷积神经网络的智能地震电磁联合反演框架，该反演框架明确了神经网络以及两种数据反演的步骤，有效简化了联合反演流程及目标函数设计的复杂性。

研究人员利用合成数据分别进行了地震和电磁数据的单独反演，基于交叉梯度联合反演以及基于深度学习的联合反演，测试结果显示基于深度学习的联合反演方法相对于交叉梯度约束和单独反演的结果有明显提升，尤其对于异常体的形态恢复有明显改进，验证了属性融合思路能够使得神经网络有效学习到速度和电阻率之间的非线性关系，并展示了该研究构建的智能联合反演框架的可应用性。

通过对比不同方法的地震数据和电磁数据的拟合曲线，该研究展示了基于深度学习的联合反演方法对两种数据的拟合情况均优于单独反演和交叉梯度联合反演，再次验证了智能联合反演的优越性。

据介绍，目前基于深度学习的地震电磁联合反演方法还没有应用于实际观测数据的联合反演工作中，因此在未来有望将这套方法应用于探矿以及火山区等浅部成像研究中。此外，该研究为未来的三维尺度下的联合反演方法开发提供了思路，并有望结合接收函数以及面波频散等地震学数据来提供更多的信息约束，从而获得精度、可靠性更高的壳幔尺度成像结果。

相关论文信息：https://doi.org/10.1007/s10712-024-09867-3