基于Link-Net的地震相自动划分

陈海洋 汪玲玲

摘要：地震相人工解釋需要耗费大量的时间和精力，并存在很大的主观性和不确定性，从而直接影响地震资料解释的准确性。虽然深度学习算法已经广泛用于地震相划分，然而由于地震相出现的模式及其空间尺度的多样性，在保证高分辨率以及高精度的同时，提高计算效率仍是一项具有挑战性的任务。为此，提出基于ＬｉｎｋＮｅｔ的地震相自动划分方法，采用多分类交叉熵与Ｔｖｅｒｓｋｙ的加权线性组合作为网络训练的损失函数。Ｔｖｅｒｓｋｙ通过调整参数平衡假正类和假负类，进而提升召回率等指标以提高不均衡数据中少数类地震相边界的刻画精度。ＬｉｎｋＮｅｔ解码层共享编码层的学习特征，使解码层的结构更精简，大大提高了计算效率。在荷兰北海Ｆ３区块的测试结果表明：所提方法刻画地震相的精度高于ＵＮｅｔ＋ＰＰＭ（金字塔池化模块），在面对不均衡数据时，对占比较小的类别的关注度更高，并具有更好的边界刻画能力；ＬｉｎｋＮｅｔ计算速度快，可以在配置更低的设备上运行，较ＵＮｅｔ＋ＰＰＭ 更实用。

关键词：深度学习，地震相划分，ＬｉｎｋＮｅｔ，编码—解码结构，损失函数

中图分类号：Ｐ６３１ 文献标识码：Ａ doi：１０．１３８１０／ｊ．ｃｎｋｉ．ｉｓｓｎ．１０００-７２１０．２０２３．０３．００４