通过预训练速度模型生成变换网络实现浅层到深层先验传播
内容提要
本文提出了一种基于生成扩散模型的全波形反演优化方法，结合地下速度模型与地震观测数据，提高模型重构精度。研究中使用生成对抗神经运算器（GANO）和深度学习技术，开发了条件地面运动合成算法（cGM-GANO），并在南加州地震中心和日本KiK-net数据集上验证了其有效性。结果表明，该方法在复杂地震速度反演中表现优异，能够生成高保真速度模型，提升地下结构的准确性和可靠性。
延伸解读
生成扩散模型如何提升全波形反演
文章提出使用生成扩散模型优化全波形反演，将地下前期速度模型与地震观测数据结合，提高模型重构精度。扩散模型作为先验分布，能缓解全波形反演的非线性和非唯一性，减少对准确初始速度模型的依赖。通过物理原理指导的扩散模型（如EdGeo工具包）生成高保真速度图，用于微调机器学习模型，实验证明其优于现有方法。
cGM-GANO在地面运动合成中的验证与局限
cGM-GANO基于生成对抗神经运算器，能根据震级、距离、VS30和构造环境生成三分量振动加速度时间历程。在南加州地震中心宽频平台和日本KiK-net数据集上验证，结果显示其能恢复傅里叶幅度和伪谱加速度的尺度，并与传统地面运动模型产生一致的中位数尺度。但在训练数据稀缺时，短距离上误差最大；俯冲事件因数据充分，混合变异性捕捉较好。
SVInvNet在速度反演中的性能与数据规模影响
SVInvNet采用增强型多连接编码器-解码器结构，处理非线性地震速度反演。在750到6000个样本的数据集上训练，并在12000个样本的基准数据集上测试，尽管参数更少，但性能优于基准模型。与全波形反演相比，SVInvNet展示了有效性。研究还考察了不同环境噪声和训练数据集大小对学习结果的影响，表明数据规模对反演精度有重要作用。
不确定性量化与概率技术的应用
文章引入概率技术，采用变分推理和条件归一化流方法量化迁移速度模型的不确定性及其对成像的影响。通过结合生成人工智能与物理启发式共享图像聚合，减少对准确初始速度模型的依赖。案例研究证明了该方法在生成数据条件相关的迁移速度模型时的有效性，并用于量化后续成像过程中的振幅和定位效果，为地下结构提供考虑内在不确定性的洞察。
Q&A
什么是cGM-GANO算法，它的主要功能是什么？
cGM-GANO算法是一种条件地面运动合成算法，结合生成对抗神经运算器，能够根据震级、破裂距离等条件生成三分量振动加速度时间历程。
SVInvNet在地震速度反演中有什么优势？
SVInvNet采用增强型多连接编码器-解码器结构，能够有效处理复杂信息，解决非线性地震速度反演的挑战，并在较小的数据集上表现优异。
如何通过物理原理指导的扩散模型生成高保真速度图？
通过使用EdGeo工具包，结合物理原理指导的扩散模型，可以生成高保真速度图，用于微调机器学习模型。
该研究如何量化迁移速度模型的不确定性？
研究采用变分推理和条件归一化流方法，量化迁移速度模型的不确定性，并分析其对成像的影响。
全波形反演中的非线性和非唯一问题是如何解决的？
通过使用深度生成模型作为地震学参数的先验分布，结合变分贝叶斯推理方法，解决全波形反演中的非线性和非唯一问题。
反演-深度操作网络（Inversion-DeepONet）有什么创新之处？
Inversion-DeepONet利用多种频率与位置的数据集，提升了模型对地质结构的描述与建模能力，表现出优于现有FWI方法的准确性和泛化能力。
