英文：Deep learning-driven velocity model building workflow.docx

【深度学习驱动的速度模型构建工作流程】 深度学习（DL）技术在地球科学，尤其是地震数据处理和速度模型构建中发挥着越来越重要的作用。传统的地震解释方法依赖于大量的人工操作和建模，容易引入人为偏见和方法局限性。而DL技术能够直接处理地震数据，减少了人为干预，提高了建模的精度。 文章中提到了一个基于深度学习的工作流程，它使用模拟速度模型和实际的地震波形作为输入，输出地下速度模型。这一流程的关键在于克服数据不足导致的过度拟合或算法失败问题。为了解决这个问题，研究者利用生成对抗网络（GAN）来增强原始训练数据集。GAN是一种无监督学习模型，它能生成与真实数据相似的新数据，从而扩大训练数据集的规模，提高模型的泛化能力。 在使用GAN生成的增强数据训练后，深度学习层析成像算法能够预测出具有高统计性和结构精度的速度模型。然而，地球科学领域由于缺乏足够的标记数据，使得机器学习的应用受到限制。文章指出，增加数据量、合成综合数据、行业合作创建高质量标准化数据集，以及将无监督学习的概念融入监督学习方法，是应对这一挑战的四种策略。 生成对抗网络在此过程中起着核心作用，它能够学习有限模型实例的地质表示，并生成大量独特且地质上合理的模型，这些模型既保留了原始数据的统计特性，又提供了监督学习所需的多样性。工作流程包括使用GAN生成的地球模型训练DL层析成像操作员，最终使得操作员能够直接从原始地震数据重建速度模型。 深度学习在地震全波形反演（FWI）中的应用也被提及，FWI是一种先进的地球建模技术，但因其高计算需求和迭代过程中的非线性问题而存在挑战。DL方法通过充分利用数据中的所有信息，降低了这些问题的影响，提供了一种更有效的方法来估计地下速度模型，同时避免了FWI的计算复杂度和反演难题。 这篇文献探讨了深度学习在地球物理学中的潜力，特别是在速度模型构建中的应用。通过使用生成对抗网络增强数据和训练深度学习模型，科学家们能够创建更精确、更丰富的地质模型，这不仅有助于地震成像，也为地质解释提供了有价值的工具。随着技术的发展，未来有望看到更多DL在地球科学领域的创新应用。