基于改进残差网络的地震相识别方法研究

地震相识别是地震资料解释的一项基础工作,使用基于深度学习的地震相识别可以极大提升地震数据解释效率。现有语义分割模型的特征通常由深层低分辨率的特征映射得到,牺牲空间分辨率、忽略细节信息,导致模型对于地震相类别间的边缘精细度刻画差。此外,现有方法使用单一交叉熵损失函数,对边界预测惩罚过于严重,也会导致边界预测值模糊。针对以上问题,提出一种提升边缘准确度的地震相识别模型。其在ResNet网络末端加入RRM (Residual Refinement Module, RRM)模块强调捕捉全局信息,获得良好的边缘刻画效果;在损失函数上,采用多级混合损失,改善地震相边界的刻画问题。将此研究方法应用于荷兰北海F3工区数据的实验结果表明:相比基于UNet的语义分割模型,改进的残差网络语义分割模型在地震相主测线剖面的预测中有着更高的精度与更加良好的边缘刻画结果。