基于多任务FKANET框架的三维重力反演方法OA

为实现地表二维重力异常观测数据与地下三维密度地质体的高质量映射,本文采用了一种新型深度学习网络架构——FKANET(fusion kernel attention network),相较于以往三维重力反演常用的神经网络模型,FKANET在大幅减少网络模型参数量的同时,也提升了对地下三维密度地质体几何形态和密度幅值的反演精度。此外,针对实际重力异常观测数据中普遍存在的噪声问题,本文在FKANET网络架构上重新构建了一个基于多任务框架的改进型网络模型,实现对含噪数据的同步反演和去噪。两个任务共享相同编码器,从原始重力异常观测数据中提取重力异常特征,并分别采用两个独立的解码器完成重力异常数据的去噪任务和三维地质体的反演任务。该多任务框架不仅具备自适应去噪能力,能有效抑制重力异常观测数据中的噪声干扰,而且可以充分约束反演过程,增强模型对地下三维密度地质体的解析能力,从而提升反演结果的稳定性和精度。应用此方法于墨西哥中部SanNicolas地区进行实测数据的反演,实验结果表明,多任务FKANET可以实现对地质体边界和密度的高精度实时反演,并具有良好的抗噪能力。