基于扩散模型的重力数据网格化方法OA

受地形等因素的影响,实测重力数据会出现分布不规则或数据缺失的情况。传统的网格化方法,如克里金插值和最小曲率法,在处理复杂地质构造时存在一定的局限性。针对上述问题,笔者等提出了一种基于扩散模型的网格化方法,通过模拟重力数据的扩散和去噪过程,学习重力数据的概率密度函数,从而生成符合全局统计分布的重力异常值。合成数据实验结果表明,扩散模型在重力数据网格化任务中具有较高的有效性与准确性,其网格化结果的最大误差和方差明显优于传统方法,在边界区域仍能保持平滑过渡,避免了传统方法在数据稀疏区域出现的明显振荡现象。实测数据实验结果表明,在存在大面积缺失区域的情况下,扩散模型仍能准确还原重力异常的细节结构,网格化误差小、连续性强,验证了该方法的实用性。因此,扩散模型网格化方法未来有望推广应用于实测重力数据的网格化与反演预处理流程中,为复杂地质构造区域的地球物理解释提供更加可靠的支持。