使用概率神经网络的不确定性感知叠前地震反演

《Franklin Open》：Uncertainty aware pre-stack seismic inversion using probabilistic neural networks

　　

地震反演是从地震信号推断地下属性的过程，是监测地下结构的关键工具，广泛应用于岩土工程、环境研究、土木工程和考古学等。地震反演得到的预测在指导高成本决策（包括地下施工、钻井和油田开发）中发挥关键作用。深度神经网络（DNNs）的最新进展表明，与传统统计方法相比，其在预测精细地下结构方面具有更高的准确性。然而，由于逆问题的不适定性和噪声，大多数机器学习方法忽略了预测的不确定性。通过采用概率视角，研究人员保持了现代神经网络的高预测质量，并进一步通过校准的不确定性估计提升了性能。在两个合成海上数据体上的测试表明，集成（ensembling）和概率层方法分别捕捉了认知不确定性（epistemic uncertainty）和偶然不确定性（aleatoric uncertainty），从而提供了良好校准的不确定性估计。与标准线性贝叶斯基线相比，研究人员的方法将均方误差（Mean Squared Error）降低了39%，将期望校准误差（Expected Calibration Error）降低了44%。此外，研究人员表明，所提出的方法在前向模型的扰动和有限数据训练下仍保持鲁棒性。

**论文解读：基于概率神经网络的不确定性感知叠前地震反演**

**研究背景与动机**

地震反演（seismic inversion）是从地震信号推断地下弹性属性（elastic properties）的关键技术，广泛应用于岩土工程、环境研究、土木工程和考古等领域。其预测结果直接指导地下施工、钻井和油田开发等高成本决策。传统方法（如线性贝叶斯反演）依赖于前向模型的近似和正则化技术，虽能提供解但无法充分刻画因逆问题不适定性（ill-posedness）和噪声（noise）导致的多解性。近年来，深度神经网络（deep neural networks, DNNs）在计算机视觉等领域展现出强大的复杂非线性映射能力，并在精细地下结构预测上超越传统统计方法。然而，大多数机器学习方法仅输出点估计，忽略了预测不确定性（uncertainty），这在高风险应用中可能导致误判。为此，研究人员提出概率框架，旨在保持DNN高预测精度的同时，提供校准良好的不确定性估计，以支持更可靠的决策。

**主要技术方法**

研究人员采用两种全卷积网络架构作为基座模型：二维卷积网络（CN）和基于U-Net的全卷积速度建模网络（FCNVMB）。为量化不确定性，模型混合了两种互补技术：1) 混合密度网络（Mixture Density Network, MDN），通过输出高斯混合分布捕捉数据固有的偶然不确定性（aleatoric uncertainty）；2) 深度集成（Deep Ensemble, DE），通过多个随机初始化网络的聚合近似模型参数的认知不确定性（epistemic uncertainty）。训练采用负对数似然（NLL）损失，优化器为AdamW，并使用了梯度裁剪和最小方差约束。数据来源包括两个合成三维海上数据体：Petrobras公司创建的合成基准数据（尺寸434×646×251 voxels）和公开的Stanford VI-E数据（200×200×150 voxels）。测试数据通过Zoeppritz方程生成，而训练数据使用Aki-Richards近似以避免逆犯罪。基线方法为线性贝叶斯1D反演，其先验来自训练数据，低频频谱来自稀疏井数据。

**研究结果**

* **定性结果（1D）**：对Petrobras数据单道弹性属性（纵波速度_vp、横波速度_vs、密度ρ）的预测显示，线性贝叶斯基线在深度250–750 m区域均方误差较大且不确定性估计不兼容，而CN+MDN+DE方法提供更准确的均值预测和兼容的不确定性区间。
* **定性结果（2D）**：对二维切片的_vp预测表明，线性贝叶斯基线在均值预测和不确定性估计上均表现较差，而CN+MDN+DE的预测标准差与绝对误差高度相关，显示出良好的校准性。
* **定量结果**：在Petrobras和Stanford VI-E数据集上，深度学习方法（CN/FCNVMB）的均方误差（MSE）均低于线性贝叶斯基线（例如Petrobras上CN+MDN+DE的MSE为0.13，基线为0.33）。在负对数似然（NLL）上，融合MDN和DE的模型显著优于基线（CN+MDN+DE的NLL为0.09，基线为0.84），表明不确定性估计更准确。
* **校准不确定性**：校准曲线和期望校准误差（ECE）/最大校准误差（MCE）指标显示，单独使用MDN可提供较好校准，但略偏过度自信；单独使用深度集成倾向于低估不确定性；两者结合（CN+MDN+DE）在校准误差上达到最优（Petrobras上ECE=0.02, MCE=0.03），优于线性贝叶斯基线（ECE=0.06, MCE=0.09）。
* **鲁棒性评估**：
* **有限数据**：当训练数据比例降低时，深度集成的加入显著改善NLL（尤其在Stanford VI-E上），因为低数据区域认知不确定性更高。
* **不同噪声**：对不同信噪比（SNR=1–14）的测试数据，DNN+MDN+DE方法在MSE和NLL上均持续优于线性贝叶斯基线，且深度集成在Stanford VI-E上对NLL提升明显。
* **前向算子变化**：改变子波频率宽度和中心频率时，DNN方法在大多数设置下保持较低MSE和NLL，优于基线；但极端频移时MDN可能过度自信，深度集成可部分缓解，但极端分布外数据仍具挑战。

**总结与结论**

研究背景指出，基于模型的传统反演方法虽理论基础强，但难以捕捉精细结构；深度学习方法预测能力强但忽略不确定性。为此，研究人员提出将混合密度网络与深度集成结合，在保持高预测精度同时，分别捕捉偶然不确定性和认知不确定性，从而提供校准良好的概率预测。在两个合成数据体上的验证表明，该框架在均方误差、负对数似然和校准误差上均显著优于线性贝叶斯基线，且对有限数据、噪声波动和前向模型变化具有鲁棒性。论文的结论部分总结道：“基于模型的强理论背景方法是求解地震反演问题的标准工具，可基于噪声和数据协方差矩阵预测不确定性。近期研究表明，深度机器学习的数据驱动方法可提升性能极限，更精细地预测地下结构。然而，大多数神经网络仅提供均值估计而忽略对应不确定性。研究显示，为全卷积架构添加概率输出层可捕捉不适定逆问题的偶然不确定性，而深度集成通过捕捉认知不确定性进一步增强不确定性估计性能。在两个合成地震数据集上的验证表明，地震信号由合成三维弹性属性体生成，受控设置允许测试前向模型变化的鲁棒性，研究者的方法显示出增强的鲁棒性。所提出的概率深度神经网络（DNNs）配备混合密度网络（MDN）和深度集成（DE），提供了良好的重建和校准的不确定性估计，显著优于基线线性贝叶斯模型方法。该方法可应用于通用架构，并允许在不同应用中识别变异性较大的区域。” 该研究发表在《Franklin Open》上，为将深度学习扩展到复杂地球物理环境中的不确定性量化提供了经过验证的框架。