基于殘差網(wǎng)絡(luò)與遷移學(xué)習(xí)的斷層自動(dòng)識(shí)別

張 政 嚴(yán) 哲 顧漢明

（中國(guó)地質(zhì)大學(xué)（武漢）地球物理與空間信息學(xué)院，湖北武漢430074）

0 引言

斷層是地下常見(jiàn)的地質(zhì)構(gòu)造，它對(duì)于油氣勘探、工程施工、天然地震研究等具有重要意義，因此斷層識(shí)別在地震資料解釋中十分重要。當(dāng)前已有很多斷層識(shí)別和解釋的方法，如相干體分析技術(shù)［1-3］、邊緣增強(qiáng)屬性分析技術(shù)［4］、螞蟻?zhàn)粉櫵惴ǎ?-6］、相似性傳播聚類與主成分分析法［7］、構(gòu)造導(dǎo)向?yàn)V波法［8］、基于熵的各向異性擴(kuò)散保邊濾波法［9］等。但是，這些方法都存在一定的局限性，如斷層相關(guān)屬性提取中存在噪聲問(wèn)題，不同工區(qū)存在參數(shù)優(yōu)化與適應(yīng)性問(wèn)題等。

隨著機(jī)器學(xué)習(xí)技術(shù)的快速發(fā)展與廣泛應(yīng)用，機(jī)器學(xué)習(xí)算法已經(jīng)用于地震資料的斷層識(shí)別。董守華等［10］、崔若飛［11］利用淺層全連接神經(jīng)網(wǎng)絡(luò)，通過(guò)學(xué)習(xí)斷層的地震反射特征參數(shù)，實(shí)現(xiàn)了簡(jiǎn)單的斷層識(shí)別。

隨著Lecun等［12］提出卷積神經(jīng)網(wǎng)絡(luò)概念，多種基于卷積神經(jīng)網(wǎng)絡(luò)算法開(kāi)始用于斷層識(shí)別。Huang等［13］將卷積神經(jīng)網(wǎng)絡(luò)、傳統(tǒng)機(jī)器學(xué)習(xí)算法與地震屬性相結(jié)合實(shí)現(xiàn)了斷層識(shí)別。Guitton［14］利用三維地震數(shù)據(jù)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了斷層的三維識(shí)別。Wu等［15］利用人工合成的斷層地震圖像訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了斷層識(shí)別；Liu 等［16］利用Smooth-Grad技術(shù)直觀解釋了卷積神經(jīng)網(wǎng)絡(luò)識(shí)別斷層的過(guò)程；Xiong等［17］、Ma等［18］和Guo等［19］利用 卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了斷層識(shí)別。Wu 等［20］利用U-Net圖像分割網(wǎng)絡(luò)實(shí)現(xiàn)了斷層識(shí)別。

Liu等［16］認(rèn)為神經(jīng)網(wǎng)絡(luò)識(shí)別結(jié)果不如人工解釋準(zhǔn)確。Xiong等［17］和Ma等［18］認(rèn)為神經(jīng)網(wǎng)絡(luò)識(shí)別結(jié)果優(yōu)于相干體技術(shù)。盡管利用卷積神經(jīng)網(wǎng)絡(luò)可以實(shí)現(xiàn)斷層識(shí)別，但是目前方法仍存在一定的局限性。地球物理領(lǐng)域沒(méi)有大量可靠的實(shí)際斷層樣本用于訓(xùn)練，而人工合成斷層地震圖像雖然解決了訓(xùn)練樣本問(wèn)題，但合成的斷層與實(shí)際斷層仍存在較大的差異，并且無(wú)法包含所有的實(shí)際斷層類型，導(dǎo)致斷層識(shí)別結(jié)果不理想。因此，訓(xùn)練的斷層識(shí)別網(wǎng)絡(luò)模型僅在信噪比較高的測(cè)試數(shù)據(jù)上表現(xiàn)良好，應(yīng)用于發(fā)育復(fù)雜、多樣斷層的實(shí)際地震數(shù)據(jù)時(shí)表現(xiàn)不佳，存在較多斷層漏識(shí)別或錯(cuò)誤識(shí)別。

針對(duì)上述問(wèn)題，本文提出一種基于深度殘差網(wǎng)絡(luò)與遷移學(xué)習(xí)的斷層識(shí)別改進(jìn)方法。其中，深度殘差網(wǎng)絡(luò)是He等［21］提出的一種深度卷積神經(jīng)網(wǎng)絡(luò)，它解決了深度網(wǎng)絡(luò)難以訓(xùn)練的問(wèn)題［22］，提升了網(wǎng)絡(luò)性能，能更好地學(xué)習(xí)目標(biāo)特征；遷移學(xué)習(xí)是運(yùn)用已有知識(shí)對(duì)相關(guān)問(wèn)題進(jìn)行求解的一種新的機(jī)器學(xué)習(xí)方法［23］，目的是遷移已有的知識(shí)以解決目標(biāo)領(lǐng)域中僅有少量標(biāo)簽樣本數(shù)據(jù)的學(xué)習(xí)問(wèn)題［24］。本文利用深度殘差網(wǎng)絡(luò)增加網(wǎng)絡(luò)復(fù)雜度，利用遷移學(xué)習(xí)增強(qiáng)網(wǎng)絡(luò)的泛化能力，使網(wǎng)絡(luò)能夠?qū)W習(xí)更多的斷層特征，更好地適應(yīng)實(shí)際地震數(shù)據(jù)。

1 深度殘差網(wǎng)絡(luò)識(shí)別斷層

1.1 訓(xùn)練樣本構(gòu)建

神經(jīng)網(wǎng)絡(luò)識(shí)別斷層本質(zhì)是構(gòu)建一個(gè)神經(jīng)網(wǎng)絡(luò)分類器，利用大量的斷層樣本訓(xùn)練網(wǎng)絡(luò)，使網(wǎng)絡(luò)能夠?qū)⑤斎氲臄鄬訙?zhǔn)確分類。本文基于Wu等［15］提出的合成斷層地震圖像的方法，生成25萬(wàn)個(gè)訓(xùn)練樣本，包括16萬(wàn)個(gè)斷層樣本與9萬(wàn)個(gè)非斷層樣本。樣本共分為17類，其中斷層樣本16類，包括正角度斷層（斷層面向左傾斜）8類、負(fù)角度斷層（斷層面向右傾斜）8類，角度范圍為［－85°，－64°］、［64°，85°］，每隔3°分為一類（圖1）；非斷層樣本1類，分為“無(wú)斷層”（圖1i、圖1j）和“斷層不經(jīng)過(guò)樣本中心”（圖1k、圖1l）兩種情況。每個(gè)樣本大小均為48×32像素，所有樣本的具體特征各不相同。

獲得訓(xùn)練樣本后，構(gòu)建一個(gè)34層的深度殘差網(wǎng)絡(luò)，使用合成斷層樣本訓(xùn)練網(wǎng)絡(luò)，達(dá)到目標(biāo)條件后完成訓(xùn)練并保存網(wǎng)絡(luò)參數(shù)。最后利用實(shí)際測(cè)試樣本與實(shí)際地震數(shù)據(jù)進(jìn)行測(cè)試。

圖1 部分合成樣本

1.2 殘差學(xué)習(xí)模塊構(gòu)建

增加神經(jīng)網(wǎng)絡(luò)的深度可以增加網(wǎng)絡(luò)的參數(shù)種類，以便更好地學(xué)習(xí)目標(biāo)特征。但是，簡(jiǎn)單地增加網(wǎng)絡(luò)層數(shù)會(huì)出現(xiàn)梯度消失、梯度爆炸、過(guò)擬合等問(wèn)題，造成網(wǎng)絡(luò)退化。其具體表現(xiàn)為訓(xùn)練精度與測(cè)試精度的下降。

為了解決深層網(wǎng)絡(luò)的退化問(wèn)題，He等［21］提出了殘差學(xué)習(xí)模塊，如圖2所示。模塊的輸入為x，期望輸出為H（x），實(shí)際輸出為F（x），每個(gè)模塊右側(cè)都有捷徑將輸入值x直接傳到輸出處，輸出時(shí)需要先使用激活函數(shù)激活。由于捷徑的存在，殘差學(xué)習(xí)模塊的輸出變?yōu)镕（x）＋x，學(xué)習(xí)目標(biāo)變?yōu)镕（x）＝H（x）－x，即網(wǎng)絡(luò)學(xué)習(xí)的內(nèi)容變?yōu)闅埐睢e等［21］指出，如果網(wǎng)絡(luò)層數(shù)超過(guò)最佳層數(shù)，殘差網(wǎng)絡(luò)會(huì)將多余層訓(xùn)練為F（x）＝0，即這些層的輸入與輸出相同，變?yōu)楹愕扔成洌@樣網(wǎng)絡(luò)層數(shù)加深就不會(huì)造成網(wǎng)絡(luò)退化。

圖2 殘差學(xué)習(xí)模塊結(jié)構(gòu)示意圖

殘差學(xué)習(xí)模塊不僅解決了網(wǎng)絡(luò)層數(shù)增加造成的退化問(wèn)題，還使得網(wǎng)絡(luò)的學(xué)習(xí)目標(biāo)簡(jiǎn)化，難度降低，使深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練變得更加容易。

本文使用圖3所示的兩層殘差學(xué)習(xí)模塊構(gòu)建殘差網(wǎng)絡(luò)。兩層殘差學(xué)習(xí)模塊中，卷積核的大小均為3×3，通過(guò)捷徑輸入的通道數(shù)與殘差模塊輸出的通道數(shù)相同。每層卷積操作后的特征都需要使用激活函數(shù)激活才能輸入到下一層。由于線性整流函數(shù)（Rectified Linear Unit，Re LU）相比于Sigmoid 和雙曲正切（Tanh）激活函數(shù)收斂速度更快，不容易發(fā)生梯度消失，更適合深度神經(jīng)網(wǎng)絡(luò)［25］，因此在每層卷積操作后都使用ReLU［f（x）］＝max（0，x）函數(shù)進(jìn)行激活。

圖3 兩層殘差學(xué)習(xí)模塊

1.3 網(wǎng)絡(luò)構(gòu)建

將輸入層、卷積層、池化層、16個(gè)殘差模塊、池化層、輸出層依次連接，構(gòu)成34 層深度殘差網(wǎng)絡(luò)（圖4）。其中，殘差學(xué)習(xí)模塊中捷徑有實(shí)線和虛線兩種。實(shí)線表示輸入與輸出通道數(shù)相同，可直接相加；虛線表示通道數(shù)不同，需要先使用1×1的卷積提升通道數(shù)，再相加。

2.1.1 提取溫度 35～85℃時(shí)隨溫度升高山竹果皮花青素提取量呈逐漸增加趨勢(shì)。其中，35～65℃時(shí)提取量的增幅較小，65～85℃時(shí)提取量的增幅較大。原因在于溫度升高，山竹果皮中酶被破壞，從而使溶液中可溶性成分的溶解度和擴(kuò)散系數(shù)增大；但溫度過(guò)高，也會(huì)使不耐熱的有效成分受到破壞而失活。長(zhǎng)時(shí)間高溫受熱，花青素易發(fā)生聚合，當(dāng)溫度≤85℃時(shí)花青素提取程度遠(yuǎn)大于分解程度，但提取的雜質(zhì)含量增高[15-17]，致使提取液變渾濁；且溫度過(guò)高給后續(xù)操作帶來(lái)困難，因此，正交試驗(yàn)溫度水平選用65～75℃較合適。

網(wǎng)絡(luò)輸入層為48×32像素的斷層圖像，圖像輸入后，經(jīng)過(guò)一次卷積與最大池化，提取斷層圖像的特征進(jìn)一步學(xué)習(xí)［26］。殘差模塊的輸入輸出通道數(shù)依次為32、64、128、256。圖4中有三層網(wǎng)絡(luò)出現(xiàn)“／2”標(biāo)識(shí)，表示其卷積步長(zhǎng)為2，卷積后會(huì)使圖像大小變?yōu)樵瓉?lái)的1／4，最終圖像縮小為原來(lái)的1／64，壓縮了數(shù)據(jù)特征圖像與參數(shù)數(shù)量。輸出前再次進(jìn)行最大池化，然后對(duì)應(yīng)不同的斷層角度，用Softmax函數(shù)將輸出結(jié)果分為17類

式中：σ（Zj）表示不同分類的概率分布，j為分類類別；k為分類數(shù)；本文K 取17。

損失函數(shù)選用交叉熵（CrossEntropy）函數(shù)式中：L為網(wǎng)絡(luò)損失；yi為網(wǎng)絡(luò)期望輸出；^yi為網(wǎng)絡(luò)實(shí)際輸出。

梯度下降選用自適應(yīng)矩估計(jì)（Adaptive Moment Estimation，Adam）梯度最速下降法［27］。

圖4 34層深度殘差網(wǎng)絡(luò)結(jié)構(gòu)示意圖

1.4 網(wǎng)絡(luò)訓(xùn)練與測(cè)試

本文使用RTX2080Ti GPU 訓(xùn)練網(wǎng)絡(luò)。學(xué)習(xí)率設(shè)置為1×10－4，訓(xùn)練批次為256，數(shù)據(jù)循環(huán)訓(xùn)練5次，訓(xùn)練完成后保存網(wǎng)絡(luò)參數(shù)并進(jìn)行測(cè)試。網(wǎng)絡(luò)對(duì)合成斷層樣本的識(shí)別準(zhǔn)確率為99.56%；對(duì)1000個(gè)實(shí)際斷層樣本的識(shí)別準(zhǔn)確率為73.45%。該結(jié)果表明合成數(shù)據(jù)與實(shí)際數(shù)據(jù)之間存在一定差異，由于實(shí)際數(shù)據(jù)含噪及地層產(chǎn)狀復(fù)雜等原因，即使圖像特征十分相似，數(shù)據(jù)特征也無(wú)法完全一致。

使用實(shí)際的二維地震剖面對(duì)該網(wǎng)絡(luò)進(jìn)一步測(cè)試。根據(jù)實(shí)際數(shù)據(jù)的大小，選擇合適的窗口對(duì)數(shù)據(jù)滑動(dòng)掃描并逐一識(shí)別，識(shí)別過(guò)程如圖5所示。數(shù)據(jù)掃描完成后，得到斷層識(shí)別結(jié)果（圖6）。經(jīng)過(guò)訓(xùn)練的深度殘差網(wǎng)絡(luò)能夠準(zhǔn)確識(shí)別出大多數(shù)斷層，但也存在一定的漏識(shí)別與不準(zhǔn)確識(shí)別，圖6中黑色箭頭指示的位置為錯(cuò)誤識(shí)別，紅色箭頭指示的位置為漏識(shí)別。

圖5 斷層識(shí)別與標(biāo)記過(guò)程

圖6 a測(cè)線34層的殘差網(wǎng)絡(luò)斷層識(shí)別結(jié)果

為了解決上述問(wèn)題，改進(jìn)識(shí)別結(jié)果，本文引入遷移學(xué)習(xí)。

2 遷移學(xué)習(xí)

遷移學(xué)習(xí)是利用數(shù)據(jù)、任務(wù)或網(wǎng)絡(luò)模型之間的相似性，將在舊領(lǐng)域?qū)W習(xí)的網(wǎng)絡(luò)模型應(yīng)用于新領(lǐng)域的一種學(xué)習(xí)過(guò)程。遷移學(xué)習(xí)解決了大數(shù)據(jù)與少標(biāo)注、普適化網(wǎng)絡(luò)模型與個(gè)性化需求之間的矛盾［28］。

2.1 數(shù)據(jù)實(shí)驗(yàn)

通過(guò)人工合成25萬(wàn)個(gè)斷層樣本訓(xùn)練斷層識(shí)別網(wǎng)絡(luò)模型，只需少量實(shí)際斷層訓(xùn)練樣本即可進(jìn)行遷移學(xué)習(xí)。手動(dòng)提取4000個(gè)實(shí)際斷層訓(xùn)練樣本，實(shí)際樣本中的斷層與非斷層的比例無(wú)需嚴(yán)格遵照合成樣本的比例。實(shí)驗(yàn)發(fā)現(xiàn)：提取實(shí)際樣本時(shí)，若提高其中斷層樣本的比例，則會(huì)提升網(wǎng)絡(luò)對(duì)斷層的識(shí)別能力，減少漏識(shí)別；若提高非斷層的比例，則會(huì)提升網(wǎng)絡(luò)對(duì)非斷層的識(shí)別能力，減少錯(cuò)誤識(shí)別。本文提取的實(shí)際訓(xùn)練樣本中，斷層與非斷層的比例約為1∶1。實(shí)際斷層樣本如圖7所示。

圖7 部分實(shí)際樣本

2.2 網(wǎng)絡(luò)遷移

在遷移學(xué)習(xí)時(shí)，直接使用實(shí)際數(shù)據(jù)繼續(xù)訓(xùn)練原有網(wǎng)絡(luò)。由于實(shí)際斷層樣本數(shù)量較少，因此適當(dāng)增大學(xué)習(xí)率至1×10－4、批次減小為128、數(shù)據(jù)循環(huán)次數(shù)增至50次，遷移完成后保存網(wǎng)絡(luò)參數(shù)。

使用前述相同的1000個(gè)實(shí)際斷層樣本進(jìn)行測(cè)試，遷移后的網(wǎng)絡(luò)在實(shí)際斷層樣本上識(shí)別準(zhǔn)確率由73.45%提高至95.54%。該結(jié)果表明網(wǎng)絡(luò)成功由源領(lǐng)域遷移至目標(biāo)領(lǐng)域，遷移學(xué)習(xí)效果明顯，未發(fā)生負(fù)遷移［29-30］。

對(duì)圖6 所示的二維地震剖面進(jìn)行測(cè)試。結(jié)果（圖8）顯示，遷移學(xué)習(xí)后殘差網(wǎng)絡(luò)減少了漏識(shí)別與錯(cuò)誤識(shí)別，提高了識(shí)別準(zhǔn)確率。

圖8 a測(cè)線遷移學(xué)習(xí)后的殘差網(wǎng)絡(luò)斷層識(shí)別結(jié)果

3 應(yīng)用效果

為了進(jìn)一步檢驗(yàn)深度殘差網(wǎng)絡(luò)與遷移學(xué)習(xí)的效果，本文測(cè)試了更多的二維、三維實(shí)際地震資料。

將改進(jìn)后的網(wǎng)絡(luò)應(yīng)用于另一條測(cè)線（圖9，與圖6地震剖面為同一二維工區(qū)），遷移學(xué)習(xí)后殘差網(wǎng)絡(luò)準(zhǔn)確地識(shí)別出了斷層。相比于遷移前，減少了斷層漏識(shí)別與錯(cuò)誤識(shí)別，大斷層識(shí)別連續(xù)性好，尺度較小的斷層也能準(zhǔn)確識(shí)別。這表明經(jīng)過(guò)遷移學(xué)習(xí)后，網(wǎng)絡(luò)學(xué)習(xí)到了實(shí)際地震資料中的斷層特征。

作為對(duì)比，本文訓(xùn)練6層卷積神經(jīng)網(wǎng)絡(luò)對(duì)圖9所示的二維地震測(cè)線數(shù)據(jù)進(jìn)行識(shí)別，結(jié)果如圖10所示。訓(xùn)練該卷積神經(jīng)網(wǎng)絡(luò)時(shí)，訓(xùn)練數(shù)據(jù)、學(xué)習(xí)率、批次大小、數(shù)據(jù)循環(huán)次數(shù)都與訓(xùn)練34層殘差網(wǎng)絡(luò)時(shí)保持一致。對(duì)比圖9、圖10可以看出，殘差網(wǎng)絡(luò)與遷移學(xué)習(xí)結(jié)合識(shí)別結(jié)果明顯優(yōu)于6層卷積神經(jīng)網(wǎng)絡(luò)識(shí)別結(jié)果，斷層漏識(shí)別明顯減少。使用前述1000個(gè)實(shí)際斷層樣本進(jìn)行測(cè)試，如表1所示，6層卷積神經(jīng)網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率僅為57.87%，遠(yuǎn)低于殘差網(wǎng)絡(luò)與遷移學(xué)習(xí)結(jié)合的方法，與圖9、圖10識(shí)別結(jié)果相符。

圖9 b測(cè)線遷移學(xué)習(xí)后的殘差網(wǎng)絡(luò)斷層識(shí)別結(jié)果

圖10 b測(cè)線6層卷積神經(jīng)網(wǎng)絡(luò)的斷層識(shí)別結(jié)果

表1 不同結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率

將遷移學(xué)習(xí)后殘差網(wǎng)絡(luò)應(yīng)用于不同工區(qū)的三維地震資料，識(shí)別結(jié)果如圖11～圖13所示。

其中，圖11 為工區(qū)1 的識(shí)別結(jié)果，該工區(qū)共201條測(cè)線，每條測(cè)線440 道，采樣間隔為4ms，采樣點(diǎn)數(shù)為751；圖12為工區(qū)2 的識(shí)別結(jié)果，該工區(qū)共441條測(cè)線，每條測(cè)線441道，采樣間隔為4ms，采樣點(diǎn)數(shù)為501；圖13為Kerry三維工區(qū)部分?jǐn)?shù)據(jù)的識(shí)別結(jié)果，測(cè)試使用了191條測(cè)線，每條測(cè)線700道，采樣間隔為4ms，采樣點(diǎn)數(shù)為401。

測(cè)試結(jié)果表明，深度殘差網(wǎng)絡(luò)與遷移學(xué)習(xí)結(jié)合能夠有效應(yīng)用于不同工區(qū)的三維地震資料的識(shí)別。使用少量實(shí)際樣本遷移后的網(wǎng)絡(luò)，準(zhǔn)確識(shí)別出了三維數(shù)據(jù)中的斷層，并且大尺度斷層在切片上也具有一定的連續(xù)性，能夠直觀地顯示出三維地震資料上斷層發(fā)育情況（圖11～圖13）。此外，這三組實(shí)際資料的斷層傾角都在網(wǎng)絡(luò)可識(shí)別的范圍內(nèi)，無(wú)需手動(dòng)設(shè)置參數(shù)，能自動(dòng)識(shí)別出不同傾角的斷層。

圖11 工區(qū)1三維地震資料本文方法斷層識(shí)別結(jié)果

圖12 工區(qū)2三維地震資料本文方法斷層識(shí)別結(jié)果

圖13 Kerry三維工區(qū)部分?jǐn)?shù)據(jù)本文方法斷層識(shí)別結(jié)果

4 結(jié)束語(yǔ)

訓(xùn)練樣本是神經(jīng)網(wǎng)絡(luò)識(shí)別斷層的基礎(chǔ)。少量的實(shí)際訓(xùn)練樣本難以訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)；人工合成的訓(xùn)練樣本雖然數(shù)量龐大，但合成數(shù)據(jù)與實(shí)際數(shù)據(jù)存在特征差異。將合成數(shù)據(jù)的數(shù)量?jī)?yōu)勢(shì)與實(shí)際數(shù)據(jù)的復(fù)雜特征相結(jié)合，可以提高神經(jīng)網(wǎng)絡(luò)斷層識(shí)別準(zhǔn)確率。

本文基于深度殘差網(wǎng)絡(luò)首先利用人工合成的大量斷層及非斷層樣本進(jìn)行訓(xùn)練，然后加上少量的實(shí)際斷層樣本進(jìn)行遷移學(xué)習(xí)，提升了網(wǎng)絡(luò)性能，增強(qiáng)了網(wǎng)絡(luò)結(jié)構(gòu)的泛化能力，從而提高了實(shí)際數(shù)據(jù)中斷層識(shí)別的準(zhǔn)確率。分析及應(yīng)用表明，與僅使用合成數(shù)據(jù)訓(xùn)練的深度殘差網(wǎng)絡(luò)相比，遷移學(xué)習(xí)后的深度殘差網(wǎng)絡(luò)能夠更加準(zhǔn)確地識(shí)別斷層，并且經(jīng)過(guò)一次遷移學(xué)習(xí)后的網(wǎng)絡(luò)可以適用于不同地區(qū)的實(shí)際資料。

本文方法依然存在不足之處，主要有：①斷層識(shí)別及定位采用的是滑窗方式實(shí)現(xiàn)，與目標(biāo)檢測(cè)類的算法相比效率較低，對(duì)于本文中使用的實(shí)際數(shù)據(jù)，識(shí)別時(shí)間在1個(gè)小時(shí)左右；②由于在獲取的地震數(shù)據(jù)中，斷層基本都屬于同一類型，因此無(wú)法檢驗(yàn)本文方法對(duì)一些更為復(fù)雜類型的斷層的識(shí)別準(zhǔn)確率。