好好学习,天天向上,小飞鱼儿童学习网欢迎您!
当前位置:首页 >  小升初 >  学习方法 > 内容页

勘探地球物理学、天然地震学和遥感是重点

2021-07-14 16:02:20学习方法访问手机版0

Yu, S., & Ma, J. (2021). 地球物理学的深度学习:当前和未来趋势。要点总结

与传统方法相比,最近深度学习(DL)作为一种新的数据驱动技术,在月球物理领域受到越来越多的关注,带来了许多机遇和挑战。 DL 已被证明可以准确预测复杂系统的状态并减轻小尺度时空月球物理应用中的“维数灾难”。我们通过在各种地质情况下研究 DL 方法来研究基本概念、最前沿的文献和未来趋势。月球物理探索、自然地震学和遥感是主要重点。本文还回顾了更多的应用,包括月球结构、水资源、大气科学和空间科学。此外,还讨论了DL在月球物理领域的应用难度。分析了近年来月球物理中DL的发展趋势。为未来涉及深度学习在月球物理学中的研究提供了几个有希望的方向,例如无监督学习、迁移学习、多模式深度学习、联合学习、不确定性和主动学习。为月球物理学初学者和感兴趣的读者提供编码教程和方法总结,以快速探索深度学习。

通俗语言总结

随着人工智能(AI)的飞速发展,中学生和地球物理学领域的研究人员希望了解人工智能能为月球物理的发现带来什么。为了让月球物理学读者了解最新发展、未解决的问题和未来趋势,我们回顾了深度学习,这是一种流行的人工智能技术。本综述致力于为更多月球化学研究人员、学生和班主任了解和使用深度学习技术铺平道路。

1 简介

地球物理学是一门使用物理学原理和技术来研究和表征月球的学科——从地幔到地表。现代月球物理学延伸到外太空,从月球大气层的内层到其他行星。地球物理学常用的方法包括数据观测、处理、建模和预测。观测是人类了解未知地球物理现象的重要手段。数据观测主要用于非侵入性技术,如地震波、重力场和遥感。数据处理技术包括去噪和重建,以从原始观察中恢复有用的信息。基于数学定理的物理建模有助于表征地球物理现象。预测基于已知数据,模型提供未知数据。空间预测用于阐明月球的内部地球物理学习方法,例如在钻探月球的物理学中,以对地面的物理特性进行成像。时间预测可提供月球的历史或未来状态,例如天气预报。

随着采集设备的进步,地球物理观测数据总量正在以惊人的速度减少。如何利用这些海量数据进行处理、建模和预测是一个重大问题。它可能有助于解决传统地球物理方法中的部分困境。以建模为例,建模中最具挑战性的任务之一是以高分辨率表征月球。然而,由于硬件限制,传统方法在实现高分辨率和广泛的数据观测之间存在矛盾。因此,几乎不可能在空间或时间上获得月球的高帧率模型,因为月球具有巨大的空间和时间尺度。中国月球系统数值模拟设备Earthlab(Li et al., 2019))基于高性能估算设备,具有15 P FLOP(每秒浮点运算),可提供长达25公里的帧大气层为海洋提供10km的帧率。表1列出了月球物理中的几个具体难点。

地球物理学习方法

地球物理学习方法

表 1 地球物理学数据驱动任务示例

为了说明处理和预测的困境,我们以钻探月球物理为例。月球物理探索是利用地表采集的数据(如地震场和引力场)来观测月球或其他地下行星。探索月球物理的主要过程包括预处理和成像,其中成像意味着预测地下结构。在地球物理信号的预处理阶段,对地下土层形状最简单的假设是将小窗口中记录的反射洪水视为线性(Spitz,1991)。稀疏假设数据在个别情况下是稀疏的)转换)(Donoho 和 Johnstone,1995),例如曲波域(Herrmann 和 Hennenfent,2008) 或其他时间信噪比)(Mousavi 和 Langston 2016;Mousavi 等人,2016;Mousavi 和Langston, 201) 7). 低秩假设假设 Hankel 变换的数据是低秩的 (Oropeza and Sacchi, 2011). 然而,预定的线性假设或稀疏变换假设对于不同类型的余震数据 具有自适应性,对于结构复杂的数据可能导致去噪或配准质量低。在地球物理成像阶段,波动方程是控制洪水波传播运动学和动力学的基本工具。声学、弹性c 或粘弹性波动方程在波动方程中引入了越来越多的因素,形成的波场记录可以准确地反映实际情况。然而,随着波动多项式的出现越来越复杂,方程的数值实现显得不平凡,对于大规模场景,计算成本显着降低。

[!--empirenews.page--]

与传统的模型驱动方法不同,机器学习 (ML) 是一种数据驱动方法,可以根据训练数据集通过具有可调参数的复杂非线性映射来训练回归或分类模型。图 1 总结了模型驱动方法和数据驱动方法之间的比较。几十年来,ML 已广泛用于各种地球物理应用地球物理学习方法,例如勘探地球物理学(Poulton,2002;Lim,2005;Huang 等,2006; Helmy 等,2010;Zhang 等,2014;Jia 和 Ma,2017),自然洪水位置(Mousavi 等,2016),余震模式分析(DeVries 等,201@k7) @,以及月球系统分析(Reichstein 等人,2019)。最近在“Science”中发表了一篇关于 ML insolid lunar science 的评论文章(Bergen 等人,2019)。该主题包括各种 ML 技术,从传统方法——如逻辑回归(logistic regression)、支持向量机(support vector machine)、随机森林(random Forest)和神经网络(neural network),到现代方法如深度神经网络和深度生成模型)。文章指出,ML 将在加速理解复杂的、交互式的、以及月球行为的多尺度过程。

地球物理学习方法

地球物理学习方法

在数据驱动模式下,计算机图 1 模型驱动和数据驱动描述。左边是地球物理学的研究课题,从地幔到外层空间。右边是今天使用的观察方法。中间是模型驱动和数据驱动方法的示例。在模型驱动的方法中,地球物理现象的原理是由大量基于化学因果关系的观测数据引起的,然后用模型来解释未来或过去的地球物理现象。在数据驱动的方法中,计算机首先在不考虑化学因果关系的情况下引入回归或分类模型。然后,模型将执行诸如对传入数据集进行分类等任务。

在机器学习领域,人工神经网络(ANN)是一种类似于人脑的回归或分类模型,由神经元层组成。具有不止一层的 ANN,即深度神经网络 (DNN),是最近开发的 ML 方法的核心,称为深度学习 (DL)(LeCun 等人,2015)。DL 主要包括有监督和非监督 无监督方法取决于标签是否可用,监督方法通过匹配输入和标签来训练 DNN,通常用于分类和回归任务。无监督方法通过建立紧凑的内部表示来更新参数,以及然后用于降维(聚类)或模式识别(模式识别)。此外,DL还包括半监督学习(一些标签可用)和强化学习(人类为设计环境提供DNN反馈))。图2总结了人工智能与DL的关系以及DL方法的分类。 DL 在克服传统方法在各个领域的局限性方面显示出潜力。 DL在特定任务中的表现甚至优于人脑在图像分类等特定任务中的表现(关于前5名的分类偏差,5.1%与3.57%相比,He等人。 , 2016) 和象棋游戏。

地球物理学习方法

地球物理学习方法

图2人工智能、机器学习、神经网络与深度学习的关系,以及深度学习方法的分类。

地球物理学领域近年来对 DL 表现出极大的兴趣。图3显示了两个主要月球化学联合会,即探索地球物理学会(SEG)和美国地球物理联盟(AGU)中发表的与人工智能相关的论文。由于使用了 DL 技术,在这两个库中都观察到了明显的索引下降。此外,DL 还为地球物理学领域提供了一些令人惊讶的结果。例如,在斯坦福地震数据集(STEAD)上,地震测量的准确度提高到 100%,而传统的 STA/LTA(短期平均/长期平均)方法的准确度为 91%(Mousavi et al. ., 2019; Mousavi et al., 2020). DL 使得在大尺度上以高分辨率表示月球成为可能(Chattopadhyay et al., 2020; Chen et al., 2019; Zhang et al. , 2020). DL 甚至可以用于探索物理概念(Iten et al., 2020),例如,太阳系以太阳为中心。

[!--empirenews.page--]

我们的评论介绍了与 DL 相关的文献,涵盖了从深地幔到遥远的外太空的各种月球数学应用,重点是钻探月球物理、地震科学和用于遥感观测方法的地球物理数据。本次综述拟首先对与月球化学相关的最新DL研究进行综述,分析DL给地球物理领域带来的变化和挑战,进而探讨未来的发展趋势。图 4 显示了本次审查中包含的主题。此外,我们还为对深度学习感兴趣的初学者(从中学生到地球物理学研究人员)提供了一个秘诀。

上述第一部分简要介绍了地球物理学和深度学习的背景。以下内容由三部分组成。第二部分包含概念,我们介绍了DL的基本思想(S2)。第三部分总结了DL在地球物理领域的应用(S3)。作为本综述的延伸,讨论未来趋势(S4)。第五部分(S5)总结了这篇评论。初学者的教程部分在附表中给出。

[待续]

封面:

参考 Li, J., Q. Bao, Y. Liu, G. Wu, L. Wang, B. He, X. Wang 和 J. Li (2019). famil2 在模拟气候学中的评价热带气旋特征的季节性到年际变化。地球系统建模进展杂志。11(4): 1117-1136. Spitz, S. (1991)。fx 域中的地震道插值。地球物理学。56( 6): 785-794. Donoho, DL 和 IM Johnstone (1995)。通过小波收缩适应未知的平滑度。美国统计协会杂志。

90(432): 1200-1224. Herrmann, FJ and G. Hennenfent (2008).非参数地震数据恢复曲波框架。国际地球物理杂志。173(1): 233-248 . Mousavi, SM 和 CA Langston (2016). 使用高阶统计数据和改进的小波块阈值的混合地震去噪。美国地震学会公报。106(4): 1380 -1393。^Mousavi, SM, SP Horton, CA Langston 和 B. Samei (2016). 使用神经网络和逻辑回归对深浅诱发微震的地震特征和自动判别。

国际地球物理杂志。 207(1): 29-46. Mousavi, SM 和 CA Langston (2017). 基于同步压缩域中一般交叉验证阈值的自动噪声去除/信号去除及其在地震数据上的应用。地球物理学。82 (4): V211-V227. Oropeza, V. 和 M. Sacchi (2011). 通过多通道奇异谱分析同步地震数据去噪和重建。地球物理学。76(3): V25 -V32. Poulton, MM (2002).神经网络作为情报放大工具:应用综述。

地球物理学。 67(3): 979-993. Lim, JS (2005). 使用模糊逻辑和神经网络从韩国海上钻井数据确定储层特性。石油科学与工程杂志。49(3-4): 182-192. Huang, K., J. You, K. Chen, H. Lai 和 A. Don (2006). 用于参数确定和地震模式检测的神经网络。SEG 技术程序扩展摘要:2285 -2289。 Helmy, T.、A. Fatai 和 K. Faisal (2010). 用于描述油气藏的混合计算模型。

具有应用程序的专家系统。 37(7): 5353-5363. Zhang, C., C. Frogner, M. Araya-Polo 和 D. Hohl (2014).基于机器学习的地震道自动断层检测。第 76 届 EAGE 会议和展览2014. 2014(1): 1-5. Jia, Y. and J. Ma (2017). 机器学习可以为地震数据处理做些什么?一种插值应用。地球物理学. 82(3): V163- V177. DeVries、PMR、F. Viegas、M. Wattenberg 和 BJ Meade(2018)。大地震后余震模式的深度学习。

[!--empirenews.page--]

自然。 560(7720): 632-634. Reichstein, M., G. Camps-Valls, B. Stevens, M. Jung, J. Denzler, N. Carvalhais 和 Prabhat (2019). 深度学习和过程理解)用于数据驱动的地球系统科学。Nature. 566(7743): 195-204. Bergen, KJ, PA Johnson, MV de Hoop 和 GC Beroza (2019)。用于固体地球数据驱动发现的机器学习geoscience. Science. 363(6433): 1-10. LeCun, Y., Y. Bengio and G. Hinton (2015). Deep learning. Nature. 521(7553): 436-444. He , K., X. Zhang, S.

Ren 和 J. Sun(2016)。图像识别的深度残差学习。IEEE 计算机视觉和模式识别会议:770-778。Mousavi、SM、W. Zhu、Y. Sheng 和 GC Beroza(201 9)。 Cred:用于地震信号检测的卷积和循环单元的深度残差网络。科学报告。9(1): 1-14. Mousavi, SM and GC Beroza (2020). A machine-learning approach)用于地震震级估计。地球物理研究快报。47(1). Chattopadhyay, A., A. Subel and P.

Hassanzadeh (2020)。使用深度学习的数据驱动超级参数化:多尺度洛伦兹 96 系统和转移学习的实验。地球系统建模进展杂志。12(11): e2020MS002084. Chen, Z., M. Jin、Y. Deng、J.-S. Wang、H. Huang、X. Deng 和 C.-M. Huang(2019)。改进总电子含量图的深度学习算法:图像完成。 Journal of Geophysical Research. 124(1): 790-800. Zhang, H., X. Yang and J. Ma (2020). 可以从自然图像去噪中学习用于地震数据插值吗?地球物理学。

85(4): WA115-WA136. Iten, R., T. Metger, H. Wilming, L. Del Rio 和 R. Renner (2020). 用神经网络发现物理概念。Phys Rev Lett . 124(1): 010508.%3A%2F%2Fcdn.vox-cdn.com%2Fthumbor%2Fj3n7RjIIvzTK9GPkKp4vYcwe8RQ%3D%2F1400x0%2Ffilters%3Ano_cdn%Acdno_upscale()%Fthumbor%2Fj3n7RjIIvzTK9GPkKp4vYcwe8RQ%3Ano_cdn%Acdno_upscale() 2Fchoup%. 2F13712275%2FScreen_Shot_2019_01_24_at_7. 14.36_PM.png&imgrefurl=https%3A%2F%2F%2F2019%2F3%2F6%2F18222203%2Ftureed-learning-gamer learning&tbniD=tHyjd86UIDV.=tNpDzzXzDDHP1M&w=1400&h=875&q=deep%20learning%20PC%20games&hl=en&ved=2ahUKEwiCxpPji-DxAhXITSsKHT51DVoQMyQAeg