利用多种数据集进行联合反演成像是获取高精度地下结构的重要手段。已有的方法大都基于线性或非线性算法，二者分别存在依赖初始模型和计算量大等局限性。近年来有学者将深度学习应用于模型反演研究，但目前仍处于初步研究阶段，通常只采用单一观测数据进行反演，成像精度较低，且通用性较差。为此有必要发展新的基于多模态神经网络的联合反演方法，能够具备不依赖初始模型且计算速度快的优势。

中国地震局地球物理研究所王伟涛研究员团队基于Transformer模型构建了面波频散和椭率联合反演的神经网络JointNet。这种网络本身的复杂程度使得它具有较高的精度和性能。利用多个Transformer网络层分别提取输入的面波频散和椭率曲线的特征，利用连接层和线性层将输入数据的特征转换为一维横波速度模型，实现联合反演。

图1 JointNet网络架构

基于全球速度模型Crust1.0随机生成一维模型并计算其理论面波频散和椭率数据对网络进行训练直至收敛。分别利用理论和实际观测数据对训练好的网络进行验证。结果显示JointNet和MCMC方法反演获得的模型具有较好的一致性，对结果的统计分析表明该方法能够获得与传统非线性方法精度相当的反演结果。反演过程中分别统计了两种方法的计算耗时，结果显示JointNet的计算时间大幅减少，计算效率约为MCMC方法的20万倍，因此可作为此类方法的替代方法。由于采用了基于全球模型随机生成的数据进行训练，JointNet可直接应用于不同研究区域，不需要重复训练。JointNet可联合多种数据进行反演，具有较高的拓展性，可作为一种新的反演框架用于后续的成像研究。

图2 利用JointNet和MCMC方法反演理论数据得到一维模型对比

图3 利用JointNet和MCMC方法反演真实观测数据得到一维模型对比

图4 利用JointNet和MCMC方法反演真实观测数据得到三维模型对比

综上，基于深度学习的联合反演算法能够在保证计算精度的情况下大幅提升计算效率，在密集台阵成像研究中能够替代传统反演方法，具有很好的应用前景。 

研究成果于2023年发表在学术期刊《Bulletin of the Seismological Society of America》（Huang, X., Z. Yu, W. Wang, and F. Wang. 2023. JointNet: A Multimodal Deep Learning-Based Approach for Joint Inversion of Rayleigh Wave Dispersion and Ellipticity, Bull. Seismol. Soc. Am. XX, 1–15, doi: 10.1785/0120230199）,受国家重点研发计划项目（2021YFC3000702）、中国地震局地球物理研究所基本科研业务费专项（DQJB22R34）和国家自然科学基金（U2239206, 42004046）共同资助。

【作者简介】

第一作者：黄翔，男，地球物理先导技术研究室助理研究员，主要从事背景噪声成像、远震面波成像、联合反演壳幔结构等相关研究工作。Email：huangxiang@cea-igp.ac.cn

通讯作者：于子叶，男，地球物理先导技术研究室副研究员，毕业于中国科学院大学。从事地震数据分析、面波反演工作。并著有《深度学习算法与实践》一书。Email：yuziye@cea-igp.ac.cn