近日，地球物理权威期刊Geophysical Journal International在线发表了团队最新研究成果“Fast forward approximation and multi-task inversion of gravity anomaly based on UNet3+”。该论文利用深度学习方法实现了重力快速正演，并提出多任务重力反演方法，提高了密度模型反演效果。第一作者为硕士研究生吕梦芝同学，通讯作者为张玉洁副教授。

        重力反演是石油、矿产资源勘探和地质构造研究中获取三维密度分布的主要方法。近年来，随着深度学习的快速发展和计算能力的提高，深度学习被广泛用于解决许多科学领域的反问题，基于深度学习的重力反演方法也取得了一定的进展。但是，这些方法旨在通过训练以地质模型为标签的神经网络来学习重力异常数据和地质模型之间的映射关系，需要为每个待测区域构建大量的训练数据对，需大量的运算时间和存储空间。此外，深度学习在重力反演应用方面仍然存在反演结果边界模糊、模型深部反演效果差、不能很好的区分多个密度值等问题。

        针对现有深度学习反演方法数据集准备时间长的问题，本文提出基于UNet3+的重力异常快速正演方法。首先构建高度随机的密度模型，然后利用现有正演方法计算相应的重力异常数据训练网络。训练后的网络可以快速预测任意观测点上的重力异常，并且在未经训练的随机游走模型上仍具有较好的效果，为深度学习反演打下了一定的数据基础。

        针对反演任务在多个密度值上表现不好的问题，本文提出基于UNet3+的多任务重力反演方法。Huang等(2021)将单一密度值反演问题转化为类不平衡的图像分割问题，从而重建出聚焦、边界清晰的异常源。本文提出多任务重力反演模型，将反演任务转化为两个相对比较简单的任务。一个任务实现对异常体的分割，另一个任务实现对异常体密度值的回归，并利用第一个任务的结果对第二个任务加以约束。合成数据的实验结果表明，该方法不仅可以预测出边界清晰的异常体，而且还能够实现不同密度值的预测，在有负剩余密度值情况下也表现良好。此外，多任务方法还能够提升模型深处的反演效果。

        在墨西哥中部的圣尼古拉斯(San Nicolas)矿床的实测重力数据上验证了本文所提方法的有效性，反演结果与实际资料较为吻合。

图1 从左到右依次为两种模型的实际重力异常、网络预测重力异常、残差分布图

图2 GravInv2验证集中的一个模型：从左到右依次为3D视图、250m和500m深度的剖面(a) 真实模型；(b) 单任务UNet3+预测结果；(c1) 多任务UNet3+中任务A分割结果；(c2) 多任务UNet3+反演结果

图3 圣尼古拉斯矿区剩余重力异常利用不同数据集训练好的网络反演结果剖面

        该研究获国家自然科学基金（No.42122025、42122030）联合资助。

        论文信息：M Lv, Y Zhang, S Liu, Fast forward approximation and multi-task inversion of gravity anomaly based on UNet3+, Geophysical Journal International, 2023, 234(2), 972-984, doi: 10.1093/gji/ggad106.

        论文连接：https://academic.oup.com/gji/article/234/2/972/7076329.