摘要
地震相人工解释需要耗费大量的时间和精力,并存在很大的主观性和不确定性,从而直接影响地震资料解释的准确性.虽然深度学习算法已经广泛用于地震相划分,然而由于地震相出现的模式及其空间尺度的多样性,在保证高分辨率以及高精度的同时,提高计算效率仍是一项具有挑战性的任务.为此,提出基于LinkNet的地震相 自动划分方法,采用多分类交叉熵与Tversky的加权线性组合作为网络训练的损失函数.Tversky通过调整参数平衡假正类和假负类,进而提升召回率等指标以提高不均衡数据中少数类地震相边界的刻画精度.LinkNet解码层共享编码层的学习特征,使解码层的结构更精简,大大提高了计算效率.在荷兰北海F3区块的测试结果表明:所提方法刻画地震相的精度高于U-Net+PPM(金字塔池化模块),在面对不均衡数据时,对占比较小的类别的关注度更高,并具有更好的边界刻画能力;LinkNet计算速度快,可以在配置更低的设备上运行,较U-Net+PPM更实用.
基金项目
国家重点研发计划项目(2020YFA0713400)
国家自然科学基金(41874154)
维普
万方数据