定位地震的高效深度学习图像条件
摘要：基于迁移的地震定位方法可能会由于地震源的非爆炸性组分而出现极性反转问题，导致迁移图像不聚焦。已经提出了各种方法，但产生理想的聚焦迁移源图像仍然是一个挑战。在本研究中，通过利用卷积神经网络的一般模式识别能力，我们提出了一种新颖的深度学习图像条件（DLIC）来解决这个问题。所提出的DLIC在修正了P和S波的走时移位之后，衡量了波形对齐的质量，并且遵循地球物理成像的原理，即最佳对齐的波形完全代表最佳成像的源位置。通过合成测试和实际数据应用，展示了所提出的DLIC的有效性和优点。合成数据测试表明，DLIC可以有效地克服数据中的极性反转问题。对南加利福尼亚的实际数据应用表明，DLIC可以极大地增强迁移源图像的聚焦效果，超过了广泛使用的源扫描算法。进一步的测试表明，DLIC适用于连续地震数据，适用于历史地震较少的地区，并具有定位小震级地震的潜力。该提出的DLIC将有益于基于迁移的地震源定位方法。
作者：Wenhuan Kuang, Jie Zhang, and Wei Zhang
论文ID：2304.05087
分类：Geophysics
分类简称：physics.geo-ph
提交时间：2023-04-17