Sep, 2024

一种通过多模态提示引擎驱动的基础模型，用于跨调查的通用地震地体解译

HTML
PDF
TL;DR该研究针对现有深度学习方法在支持多模态输入和不同地体类型解译上的局限，提出了一种新的可提示基础模型。该模型结合了在大规模自然图像上预训练的视觉基础模型与复杂的多模态提示引擎，实现了对各种地震调查地体的准确解译。研究结果显示，该模型在准确性、可扩展性和对新类型地体的概括能力上具有显著优势，为地球科学数据解读建立了新的范式。
发现论文，激发创造
  • 使用物理先验增强的深度自编码器进行无监督地震足迹去除

    本文提出了一种名为FR-Net的去除地震采集器足迹的深度卷积自编码器网络，其设计了一个单向总变分模型（UTV）来按照噪声的内在方向性特性进行足迹获取，并使用UTV模型对DCAE进行强正则化，从而将DCAE转换为 extcolor{black}{增强先验}方法。 经过定性和定量评估，该FR-Net在三个合成和现场数据集上的表现优于先前的最先进方法。

    Feb, 2023

  • SeisCLIP：基于多模态数据预训练的地震学基础模型，用于多目标地震特征提取

    通过对多模态数据进行对比学习，开发了SeisCLIP基础模型，以解决在地震学中特定任务的深度学习模型所遇到的标注数据不足和区域通用性有限的问题。该模型在事件分类、定位和震源机制分析等任务中的表现优于基准方法，适用于不同地区的不同数据集，具有更大的潜力成为地震学领域的基础模型，为基于基础模型的地震学研究开辟了创新方向。

    Sep, 2023

  • 地震反演的基于坐标的学习方法：IntraSeismic

    介绍了IntraSeismic，一种新颖的混合地震反演方法，具有2D和3D后处理地震反演中无与伦比的性能、快速收敛速率、无缝包含硬约束条件（即井数据）和执行不确定性量化的能力，同时还具备数据压缩和对反演模型部分的快速随机访问的潜力。通过合成和现场数据的应用验证了该方法的有效性。

    Dec, 2023

  • 物理引导下的地球物理监测生成式人工智能工具包

    借助物理原理指导的扩散模型，引入EdGeo工具包生成高保真速度图，用于微调精简机器学习模型；实验证明，使用EdGeo生成的数据进行微调可获得优质速度图，尤其适合表示特殊特征，优于其他现有方法。

    Jan, 2024

  • 可控的地震速度合成使用生成扩散模型

    使用条件生成扩散模型为地震速度综合提供灵活性，同时提高准确性和可靠性，以解决目标分布涵盖的统计或神经网络方法不足的问题。

    Feb, 2024

  • 探索单台地面运动记录的深度学习挑战

    通过评估辅助信息对从地动记录中进行深度学习的过程的影响，本研究旨在评估深度学习模型在地动记录的深度学习中的有效性，并揭示了研究领域存在的一个缺口，即缺乏独立于任何辅助信息的单站地动记录的深度学习的稳健方法。

    Mar, 2024

  • 使用具有注意力层的卷积神经网络从地震振幅中高分辨率地检测地球结构异质性

    提出一种使用卷积神经网络和注意力层结合的高效且具有成本效益的架构，用于检测地震结构异质性，通过利用合成数据进行迁移学习以训练和微调模型，解决有限标注数据可用性的挑战。

    Apr, 2024

  • 反演-深度操作网络：基于深度操作网络的编码-解码新网络用于全波形反演

    本研究针对现有全波形反演（FWI）中数据集的不足，提出了一种新颖的反演-深度操作网络（Inversion-DeepONet）。该方法利用多种频率与位置的数据集，提升了模型对地质结构的精确描述与建模能力。实验结果表明，所提出的网络在准确性和泛化能力上优于现有数据驱动的FWI方法。

    Aug, 2024

  • 跨领域基础模型适应：开创地球物理数据分析的计算机视觉模型

    本研究针对地球科学在缺乏训练数据集和高计算成本方面的挑战，提出了一种将计算机视觉领域的基础模型（FMs）适应于地球科学的工作流程。通过对现有计算机视觉FMs的微调，显著降低了开发成本并提高了准确性，实验结果显示该方法在处理和解释地球科学数据方面具有广泛的应用潜力和切实效果。

    Aug, 2024

  • 地震时空即时预报的时间序列基础模型与深度学习架构

    本研究针对地震即时预报领域的不足，分析了多种深度学习架构，并提出了两种创新方法MultiFoundationQuake和GNNCoder。研究表明，所提出的MultiFoundationQuake模型在捕捉地震数据的时空关系方面表现优异，显著超过了其他定制架构，具有更高的预测准确性和实用价值。

    Aug, 2024