[发明专利]一种基于多任务机器学习的莫霍面结构预测方法

说明书

本发明涉及一种基于多任务机器学习的莫霍面结构预测方法，包括如下步骤：S1、利用基于卷积神经网络的样式迁移技术从真实数据中学习噪声特征，将真实接收函数噪声样式迁移至模拟数据中，从而生成带噪声的模拟数据集；S2、利用基于应参数共享的多任务卷积神经网络完成预测模型训练，得到可以预测单台下方莫霍面结构的预测模型，其中莫霍面结构包括深度、走向、下倾角；S3、利用加速贝克曼与阈值迭代方法对缺失的方位角的实际预测数据中进行重建；S4、对单台的莫霍面结构进行预测。该方法改变传统思路和处理流程，结合深度神经网络，通过清晰、简洁的流程化的策略，实现了对地球深部莫霍面的准确预测。

技术领域

本发明涉及地球深部地壳结构研究领域，尤其是涉及一种基于多任务机器学习的莫霍面结构预测方法。

背景技术

接收函数是一组可有效用于表征地下速度界面的时间序列信号，利用其对速度界面和地震波速的敏感性，目前常用于研究地下圈层结构和反演S波速度。此外由于每张接收函数地震图中按方位角排列的波形都表示的是以台站为中心，接收来自不同反方角，从深部界面穿透而来的波形，因此图中的转换波和多次波常会因为实际穿透点的位置变化，而导致波形同相轴随反方位角发生振幅和到时的改变。其中径向接收函数中的Ps转换波和PpPS、PpSs+PsPs多次波共同用于表征莫霍面信号，这些信号中包含了界面所在深度以及界面总体的走向和与水平面下倾夹角信息。然而接收函数的主体特征信息与反应结构变化的信息混叠，再加上噪声的干扰以及各向异性对波形的影响，使得单纯的通过解读接收函数反方位角特征分析台站下方地壳结构困难很大。而本次研究，我们希望利用卷积神经网络直接从接收函数地震图中识别反方位角特征，构建模型进而预测单台下方的莫霍面三维结构。

本次研究用于方法实测的对象是郯庐断裂带中南段及其邻区。该断裂带是下杨子板块与华北板块的缝合带，也是一条深切岩石圈的巨型断裂。前人利用多种方法对郯庐断裂带及邻区的地壳结构探测已经开展了很长时间，其中接收函数方法揭示了区域莫霍面的总体结构，地震波速与反射地震方法也将该区域的壳内结构和速度异常很好的呈现。但先前的这些技术手段也存在明显的局限性，叠加和插值的使用可能会在一定程度上抹去单个台站所呈现的细节结构信息，固定角度的剖面和过多的平滑处理更加导致了成像后地壳结构起伏特征变得模糊或消失。因此，我们的方法仅对单台下方的莫霍面结构进行预测，获得每个台站的莫霍面深度和总体界面走向和下倾角。

发明内容

本发明的目的是为了解决现有技术存在的缺陷，提供一种基于多任务机器学习的莫霍面结构预测方法。

为了实现上述目的，本发明采用的技术方案如下：

一种基于多任务机器学习的莫霍面结构预测方法，包括如下步骤：

S1、利用基于卷积神经网络的样式迁移技术从真实数据中学习噪声特征，将真实接收函数噪声样式迁移至模拟数据中，从而生成带噪声的模拟数据集；

S2、利用基于硬参数共享的多任务卷积神经网络完成预测模型训练，得到可以预测单台下方莫霍面结构的预测模型，其中莫霍面结构包括深度、走向、下倾角；

S3、利用加速贝克曼与阈值迭代方法对缺失的方位角的实际预测数据中进行重建；

S4、对单台的莫霍面结构进行预测。

进一步，所述S1具体操作时：首先建立了一个噪声库，每一道噪声均随机截取于需要被预测的真实接收函数，对于每个真实接收函数，随机选取一个时刻，截取与模拟数据长度一致的片段作为噪声样本；

在给36个方位角模拟数据加噪前，先从噪声库里随机抽取36条噪声数据组成“样式图像，”按反方位角排列由模拟接收函数组成的地震图为“内容图像，”用于数据仿真的网络采用一个基于预训练好的且去除全连接层的VGG-19网络，将“内容图像”和“样式图像”送入网络训练，对按特征输出的结果按(1)、(2)、 (3)构建不同损失函数，再进行反向求导，多次迭代得到最终的带有真实噪声的模拟数据；