摘要
近地表区域地下介质的高质量快速探测是备受关注的研究领域。在农业方面，如何快速探测田块内土壤体积含水量，从而指导灌溉水量的区域及用量，以实现最大的农业收益成为一个重要课题。同时，对于土壤污染问题，特别是石油污染的迅速探测，对于保护土壤生态系统、维护生物多样性和保障人类健康至关重要。此外，城市道路、省道等道路网络中的地下病害的快速发现也对人们的出行安全和财产安全具有重要意义。探地雷达作为一种高效、非破坏性的地球物理方法，已经广泛应用于近地表区域探测，并取得了显著效果。然而，在实现数据快速反演方面仍存在一些困难。 为了解决以上问题，本文提出了一种利用深度学习方法快速反演探地雷达数据的策略，旨在提高土壤体积含水量、石油污染区和道路地下病害等地质环境问题的探测效率。 土壤探测中的一个关键挑战是快速、实时获取土壤体积含水量。近年来，深度学习方法在地球科学领域的应用越来越普遍。本文提出了一种基于深度学习的神经网络框架GPR-Swnet，通过建立探地雷达数据和对应土壤体积含水量模型的标签数据，经过大量数据训练，GPR-Swnet能够利用探地雷达数据直接反演土壤体积含水量。模拟数据实验表明，GPR-Swnet能够准确识别模型中不同的土壤体积含水量边界。在40ns内，反演的土壤体积含水量与模型拟合良好，40ns后的最大误差不超过0.10cm3*cm?3。为了验证模型的实际可靠性，本文选取吉林省公主岭市农业科学院的实验田进行了探地雷达探测，并将GPR-Swnet应用于土壤体积含水量反演。结果表明，GPR-Swnet反演值与田间土壤样品匹配，并与时域反射仪和土壤探针样品的总体趋势一致，最大差异不超过0.03cm3*cm?3。 土壤污染，特别是石油污染，对全球环境保护构成了重大挑战。传统的污染探测方法，由于固有的局限性，如人为主观因素、样品采集和实验室测试的需求、分辨率和精度限制等，无法满足当前对效率和精度的需求。在本文中，基于FC_DenseNet网络，通过调整密集块和过渡层的组合，以及输出处的激活函数，构建了深度神经网络模型GPR-Pdnet，它可以通过解密输入和输出数据之间的复杂非线性关系，自主反演土壤中的石油污染物分布。首先，本文自主设计并且批量构建了在空间域中随机分布石油污染物的土壤模型，然后将其转换为时域模型，作为输出数据。使用时域有限差分法从该模型中获取了探地雷达数据，作为神经网络的输入。随后，通过模拟实验证实了GPR-Pdnet模型在探测油污染区域方面的有效性。结果表明，该模型准确地反演了模拟数据的石油污染区域。实测数据实验中，使用高密度电法和现有的钻孔数据验证了模型对石油污染区域的反演。实验结果表明，该模型能够对石油污染区域的位置进行准确反演，表明其强大的泛化能力和稳健性。 道路地下病害严重威胁交通安全和道路稳定，探测道路地下病害已成为研究的热点领域。多项研究利用深度学习方法探索了道路地下病害与探地雷达数据之间的特征关系，但主要集中在图像识别方面。本文在GPR-Pdnet模型的基础上，添加更多的密集块，调整优化网络性能，构建了深度学习网络GPR-Roadnet，用于快速反演探地雷达数据，以便探测地下道路病害。首先，自主设计并且批量构建了包含脱空、空洞和松散区域的道路地下随机病害模型，通过模拟实验证实了GPR-Roadnet在探测地下道路病害方面的有效性。结果表明，该网络可以准确识别和定位脱空、空洞和松散区域等地下道路病害。现场实验中，观测到的探地雷达数据和GPR-Roadnet反演模型正演得到探地雷达信号具有高度一致性，表明该网络可以在真实地质条件下准确反演地下道路病害的位置和特征。 综合而言，本文所提出的方法能够降低反演的复杂性和时间，快速反演探地雷达数据，解决传统方法在土壤体积含水量、石油污染区和道路地下病害反演中做遇到的一些问题，在提高地质环境问题探测效率和精度方面具有重要意义，为相关领域的研究和实践提供了新的思路和方法。
NETL