通过基于断层平衡的补丁提取技术和深度学习网络（UNet、Efficient-UNet 和 VGG19-UNet）提高地震断层检测的准确性

《Scientific Reports》：Improving seismic fault detection through fault-balanced patch extraction and deep learning networks (UNet, Efficient-UNet, and VGG19-UNet)

　　

摘要

准确的地震断层检测对于可靠的结构解释、水库特征分析和降低钻探风险至关重要。传统的基于属性的方法通常存在对噪声的敏感性、断层连续性不完整以及严重依赖解释者经验的问题，尤其是在结构复杂的地质环境中。本研究评估了三种基于卷积神经网络的分割模型——Standard UNet、Efficient-UNet和VGG19-UNet，在使用从真实3D地震数据体中提取的2D地震图像进行自动断层检测时的性能。为了解决断层解释中固有的类别不平衡问题，采用了一种考虑断层特征的数据集准备策略。训练样本是通过设定最小断层像素阈值，并结合受控的断层掩膜膨胀和数据增强方法从富含断层的区域中提取的。所有模型均采用统一的Dice + 二元交叉熵损失函数进行训练，并在128×128大小的图像块上使用基于重叠的指标（Dice和IoU）以及耐距离变化的评估方法来衡量空间鲁棒性。结果表明，Standard UNet的整体性能最佳，平均Dice值为0.91，IoU值为0.85，显示出精确度和召回率之间的良好平衡。VGG19-UNet的性能也相当出色（Dice = 0.88，IoU = 0.81），且断层连续性相对较好；而Efficient-UNet的准确性较低（Dice = 0.73，IoU = 0.61），尤其是在检测细小或对比度较低的断层时表现不佳。耐距离变化的评估进一步证实了Standard UNet的鲁棒性，在较小的空间容忍度下其F1分数超过0.98。这些结果强调了数据集设计和模型架构选择在基于深度学习的地震断层检测中的重要性。所提出的框架在所研究的数据集上表现出良好的性能，而其在其他地质环境中的适用性仍是未来研究的重要方向。