DL-FWI 方向论文笔记: Estimate near-surface velocity with reversals using deep learning and full-waveform i

摘要: 论文笔记.

@ARTICLE{MaJi2022Estimate, author = {Yong Ma and Xu Ji and Weiguang He and Tong Fei and Weichang Li}, title = {Estimate near-surface velocity with reversals using deep learning and full-waveform inversion: A field-data-driven method}, journal = {Journal of Applied Geophysics}, year = {2022}, volume = {206}, pages = {104822}, doi = {10.1016/j.jappgeo.2022.104822} }

期刊一般，但对我们小组的启发意义很大。

1. 应用范围：指出近地表反演的意义(300米)。
   解决我们以前的误区：避免盯着3500米或者更深。
2. 数据生成：根据现场工区的先验知识构造数据集，用于训练网络，因此这个网络就是针对该工区的。
   解决我们以前的误区：避免要用户提供完整的速度图，而是根据先验知识（例如大尺度、电磁法的初步勘探结果），构造针对性的速度图。
3. 噪声合成：指出三大类噪声ground roll, back scattering, various ambient noises
   解决我们以前的误区：用简单的高斯噪声，或初至前提取的实际噪声。
4. 传统FWI与DL-FWI的结合：先用DL-FWI构造近地表初始速度模型，再用FWI构造比较完整（包括更深的地层）。注：这一点只是参考，作者并没有做到。
   解决我们以前的误区：避免直接构造完整的初始速度模型
5. 输出时间域剖面
   解决我们以前的误区：不一定要用标准的深度域速度模型，只需要在后处理阶段，用数学式子把时间域转成空间域即可。避免在神经网络内部进行复杂的“时深转换”，有望获得更好结果，而且更有物理意义。