人工智能地震資料處理與解釋方法研究進展

中圖分類號：P631 文獻標識碼：A DOI：10.13810/j. cnki. issn. 1000-7210.20240388

Abstract： With increasingly complex oil and gas exploration targets，seismic exploration faces chalenges such as low signal-to-noise ratio （SNR），low resolution，and dificultiesin velocity modeling and imaging of seismic data.Conventional seismic data processing and interpretation methods have certain limitations in accuracy or efficiency when applied to masive seismic data. The artificial intelligence （AI）-based seismic data processing and interpretation methods can effctively improve accuracy and eficiency. To this end，this paper provides an overview of supervised，semi-supervised，and unsupervised deep learning techniques，and summarizes the applications of deep learning in data processing such as first break picking，SNR improvement，data reconstruction， velocity spectrum interpretation，migration，and resolution enhancement. Meanwhile，it discusses the applications of deep learning in identifying geological bodies suchas faults，seismic facies，river channels，and salt domes，as wellas in wave impedance inversion，AVO inversion，fullwaveform inversion，lithology identification，reservoir parameter prediction，and fluid identification. The production of training sets，optimization of neural networks，training strategies，and large models arediscussed，with an outlook on thedevelopment trend of AI-based processng and interpretation methods for seismic data provided. It is pointed out that the generalization of networks should be continuously increased and large models suitable for seismic exploration should be studied.

eywords： seismic data processing，seismic data interpretation，artificial inteligence，deep learning 劉洋，孫宇航，張浩然，等．人工智能地震資料處理與解釋方法研究進展[J].石油地球物理勘探，2025，60（4）： 1067-1087. LIU Yang，SUN Yuhang，ZHANG Haoran，et al. A review of artificial inteligence-based seismic data processing and interpretation methods[J]. Oil Geophysical Prospecting，2025，60（4） ：1067-1087.

0 引言

隨著油氣勘探的不斷發展，其所面臨的目標日益復雜，即由簡單地表、簡單構造轉向復雜地表、復雜構造，由構造油氣藏轉向巖性、裂隙等隱蔽性油氣藏，由常規油氣轉向非常規油氣，由中深層轉向深層、超深層。地震勘探面臨著地震資料信噪比低、分辨率低、速度建模和成像困難等問題。隨著寬方位、高密度、多分量、井地聯采等地震采集技術的推廣應用，地震數據量迅速增加，提高海量地震數據的處理和解釋的精度、效率成為當前研究的重點。

常規地震資料處理與解釋技術大多基于模型，在面對復雜地質目標和海量數據時，在精度或效率方面存在一定的局限性。深度學習技術是近年來發展起來的一種重要的人工智能技術，目前已經應用于地震資料處理與解釋的多個環節，有效提高了精度和效率。本文首先概述深度學習技術，然后分別總結地震資料智能處理方法、地質體智能識別方法、智能反演和儲層預測方法，討論訓練集的制作等問題，最后進行方法總結與展望。

1深度學習技術概述

深度學習是機器學習的一個分支。它通過構建與訓練深度神經網絡（DeepNeuralNetworks，DNN）來模擬人腦神經網絡的工作方式，使計算機能夠自動學習與理解復雜的數據模式。該技術通過逐層抽象數據特征，自動學習數據的內在規律與表示層次，在處理復雜數據（如圖像、語音、文本等）方面表現出色。自2006年提出以來，深度學習在多個領域（如計算機視覺、自然語言處理、醫學診斷等）取得了顯著進展。深度學習具有強大的非線性擬合能力，能夠處理許多傳統方法難以應對的問題，推動了人工智能技術的快速發展。

下面概述深度學習技術，簡要介紹監督、半監督和無監督深度學習技術。

1. 1 技術概述

深度學習技術是人工智能和機器學習領域的一項重要技術，它通過模擬人腦的神經網絡處理與分析大量數據。深度學習通過深度神經網絡實現，網絡主要由輸入層、隱藏層和輸出層構成。輸入層負責接受數據，隱藏層對輸入數據進行特征提取與變換，而輸出層則生成最終的預測結果。這些層之間的關系通常由不同結構的神經網絡建立，如卷積神經網絡（ConvolutionalNeuralNetworks，CNN）、循環神經網絡（RecurrentNeuralNetwork，RNN）和生成對抗 網絡（Generative AdversarialNetwork，GAN）等。

依據訓練數據中是否包含標簽信息，可以將深度學習分為監督學習、半監督學習和無監督學習三類。其中，監督學習利用標注數據訓練模型；半監督學習利用部分標注數據和部分未標注數據訓練模型，進而實現預測的目的；無監督學習則不依賴標簽，直接學習數據中模式、關系或結構，進而通過網絡表征數據。

1. 2 監督深度學習

監督深度學習是深度學習的一個重要分支，其核心在于利用已知標簽的訓練數據集訓練模型，使其能夠學習輸人與輸出之間的映射關系，進而對未知數據進行預測。

在監督深度學習中，數據集通常包含大量的輸入樣本及其對應的標簽。監督深度學習原理如圖1所示，首先將輸入數據輸入到神經網絡模型得到輸出結果，然后結合標簽計算誤差，再將誤差進行反傳，進而對模型進行參數更新。通過不斷迭代訓練，模型能夠學習輸入數據中的特征，并構建從輸入到輸出之間的映射關系。

神經網絡模型包括DNN、CNN、RNN等，這些模型在監督學習中發揮了重要作用。監督深度學習的優勢在于其強大的學習能力。通過大量的訓練數據和復雜的神經網絡結構，模型能夠學習數據中的深層特征和復雜規律，從而對未知數據進行預測。然而，監督學習也面臨著一些挑戰，如數據標注成本高、模型泛化性不足等問題。

1.3半監督深度學習

半監督深度學習在機器學習中受到廣泛關注。它旨在利用部分標簽數據和部分無標簽數據進行模型訓練，以提高模型的泛化能力和準確性。與監督學習相比，半監督學習可以利用未標注數據中的信息，從而在一定程度上解決了標簽數據稀缺和高成本問題。

半監督深度學習的方法主要有四類，即基于一致性正則化的方法、偽標簽方法、基于生成模型的方法和基于圖的方法[1。其中，一致性正則化方法的核心思想是利用未標注數據對模型進行約束，以提高模型的泛化能力。通過在損失函數中加入正則化項，約束模型在未標注數據與標注數據的預測結果之間的不一致性，從而提高模型的泛化能力。偽標簽法的核心思想是給未標注數據進行偽標注，以此擴大訓練集，進而提高模型的性能。生成模型方法的核心思想是利用未標注數據生成更多的訓練樣本，以擴充標注數據集。具體來說，這種方法會訓練一個生成模型，例如變分自編碼器（VariationalAuto-Encoder，VAE）或GAN，以從未標注數據生成與標注數據相似的樣本。然后，將這些生成的樣本與標注數據一起用于模型訓練，以提高其泛化能力和魯棒性。基于圖的方法的核心思想是將樣本表示為圖的節點，通過圖結構將已標注樣本信息傳播到未標注樣本中，使未標注樣本被賦予了標簽，以此擴大訓練集，進而提高模型的性能。

目前，半監督深度學習也面臨著一些挑戰，如數據分布復雜、模型訓練時間長等問題。

1.4無監督深度學習

無監督深度學習是機器學習的一個重要分支，是一種不需要依賴標簽數據就能訓練模型的方法。與監督學習相比，無監督學習能夠在大量未標注的數據中自動學習數據的內在結構和規律。常用的無監督深度學習方法主要有自編碼器和GAN。自編碼器是一種典型的無監督學習模型，通過神經網絡將輸入數據編碼為低維特征，然后從低維特征重建出原始數據，以最小化重建誤差，使低維特征能夠捕捉輸人數據的主要特征。GAN是一種強大的生成模型，通過生成器和判別器的對抗訓練，生成器能生成逼真的數據樣本，判別器則區分真實數據與生成數據。

盡管無監督深度學習在很多任務中取得了顯著的效果，但它仍然面臨一些挑戰，如結果準確性不足、難以解釋以及難以評估等。

2 地震資料智能處理

深度學習已經應用于地震資料處理中的多個環節，有效提高了處理方法的精度或效率。下面介紹深度學習在初至拾取、提高信噪比、數據重建、速度譜拾取、偏移和提高分辨率等方面的應用。

2.1 初至拾取

近年來，隨著深度學習在圖像和語音領域的發展，越來越多的學者將其應用于初至拾取。初至拾取的標簽制作（圖2）分為三種：第一種將初至時間點置為1，其余點為0，如圖2b所示；第二種將初至前置為0，初至后置為1，如圖2c所示；第三種用高斯函數表示，其最大值位置表示初至點，如圖2d所示。

圖2初至拾取的標簽制作示意圖

在大型三維數據中，使用卷積神經網絡、循環神經網絡可以有效拾取初至。與傳統方法相比，這兩種方法可以大幅度提高拾取效率。另外，可以將傳統方法與深度學習方法結合起來拾取初至[2-3]，以提升拾取的精度。基于編解碼結構模型、采用圖像語義分割方法，可以有效拾取初至[4-7]。模型一次性生成的拾取結果可能存在異常初至，針對這種拾取精度不足的情況，可采用多種后處理方法進行質量控制和校正優化。具體包括： ① 基于循環神經網絡對卷積神經網絡分割結果進行智能后處理[8-9]； ② 應用

3σ 統計準則進行異常值篩選與校正[10]； ③ 引人視速度約束的卷積神經網絡后處理方法[11-12]。這些方法可有效提升地震數據處理的準確性和可靠性。通過多階段拾取，也可以提高精度[13]。

在監督學習中，模型的泛化性可能不高，通過遷移學習或者元學習可以提高模型的適應性[14]。

2.2 提高信噪比

2.2.1 非相干噪聲壓制

基于深度學習的非相干噪聲壓制方法是通過神經網絡表征含噪數據的信號子空間。根據是否需要無噪數據作為訓練標簽，可將其分為監督方法和無監督方法。Liu等[15通過訓練三維卷積神經網絡，有效壓制三維疊后地震數據中的隨機噪聲。Zhu等[16]利用神經網絡學習含噪數據在時頻域的稀疏表示，通過構建濾波掩碼將含噪數據分解為信號和噪聲兩部分。相比之下，無監督深度學習無需干凈數據作為訓練標簽，將神經網絡視為可學習的濾波器，通過信號的可編碼性和隨機噪聲的不可編碼性實現去噪[17-18]。深度圖像先驗（Deep Image Prior，DIP）[19-20]方法將隨機矩陣作為神經網絡輸入逼近含噪數據，通過限制迭代次數獲得去噪結果。Chen等21]進一步提出了增強型DIP方法，采用含噪數據的伯努利下采樣子集作為神經網絡輸入，通過基于伯努利二進制掩碼設計的損失函數，在采樣位置擬合信號，從而顯著提高了抗噪能力。

2.2.2相干噪聲壓制

眾多學者針對相干噪聲，提出了有效的深度學習衰減方案。Wang等22提出了一種基于卷積神經網絡的監督深度學習方法，用于多次波衰減，并通過數據增強技術提升去噪性能。葉月明等[23]引入自注意力機制和生成對抗網絡，開發了一種適用于海洋地震數據的監督多次波壓制方法，有效抑制了多次波對目標信號的干擾。Kaur等[24在陸地地震數據處理中采用了生成對抗網絡框架，結合局部時頻變換和非平穩回歸技術，生成網絡訓練標簽，實現了面波的高效衰減。針對面波衰減與同時源分離問題，Liu等[25]基于線性動校正和生成對抗網絡中的低頻偏差，提出了一種無監督深度學習框架以有效衰減面波。Baardman等26提出了一種基于卷積神經網絡的監督深度學習去混疊方法，為解決混疊噪聲問題提供了新的思路。Chen等2基于共檢波點道集和偽去混疊后的共炮點道集之間的相干相似性，提出了一種無監督多步去混疊方法，將偽去混疊結果作為神經網絡的輸入，共炮點道集作為訓練標簽。該方法充分利用數據的內在相干性，改善了去混疊效果。

2.3 數據重建

基于深度學習的地震數據重建方法突破了傳統方法中對稀疏性和低秩等先驗假設的依賴，以神經網絡為核心，通過監督或無監督策略對網絡進行訓練。

如圖3a所示，在監督方法數據重建中，常用流程包括以下步驟：首先在由不完整數據和完整數據構成的合成數據集上，訓練生成對抗網絡28或殘差神經網絡[29]；然后將訓練好的模型直接應用于實際數據，而無需重新調整網絡的權重參數。張巖等[30]提出了一種雙域聯合的監督方法，通過學習地震數據在時間域和小波域的聯合分布以實現數據重建，將問題轉化為多尺度小波系數的預測。受傳統凸集投影（ProjectionOntoConvexSets，POCS）重建方法啟發，Chen等[3設計了一種名為POCS-Net的監督神經網絡，采用獨立的神經網絡替代傅里葉變換，而且無需設置重建中的閾值參數，使重建參數通過訓練自動優化。

在無監督方法數據重建中，無需使用完整數據作為標簽訓練神經網絡，而是將網絡視為一種重建算子，這類似于稀疏變換方法中的基函數和字典學習方法中的字典原子，以及低秩近似方法中的降秩算子[32]

與監督方法相比，無監督方法具有節省訓練集制作成本的優勢，但其需要頻繁調整神經網絡的權重以適應新數據，從而實現最佳重建精度。

如圖3b所示，無監督數據重建方法可以分為兩大類：時間域方法和頻率域方法。前者可進一步細分為四小類：DIP方法、自編碼方法、基于掩碼的方法及基于坐標的方法。其中： ① 基于DIP的數據重建方法以隨機數矩陣為神經網絡輸入，在未缺失位置計算網絡輸出與原始不完整數據之間的誤差以更新網絡參數。Kong等33使用了DIP方法進行無監督地震數據重建。基于自編碼的數據重建方法以原始不完整數據為神經網絡輸入。鑒于網絡參數為隨機初始化，因此在早期迭代中，網絡輸出與原始不完整數據并不匹配。 ② 與DIP方法一樣，自編碼方法在未缺失位置計算網絡輸出與原始不完整數據之間

的誤差以更新網絡參數。Chen等[34提出了一種無監督注意力深度學習框架，用于三維地震數據的自編碼重建。該方法通過將傳統POCS迭代方案和基于三維卷積Transformer網絡的設計相結合，實現即插即用的三維地震數據重建。 ③ 基于掩碼的數據重建方法利用伯努利采樣產生的二進制掩碼造成原始不完整數據的進一步缺失。每次迭代中，在缺失位置計算網絡輸出與原始不完整數據之間的損失以更新網絡參數。Chen等[35提出了一種基于掩碼和蒙特卡洛近似的無監督數據重建與不確定性估計方法，該方法在伯努利二進制掩碼引導的損失函數約束下迭代重建缺失的地震道，然后通過蒙特卡洛近似從網絡參數的后驗分布中采樣，以量化數據重建的不確定性。 ④ 基于坐標的數據重建方法包括點坐標方法和道坐標方法，旨在用神經網絡實現坐標到地震信號的非線性映射。Liu等[36提出了一種點坐標方法重建每個缺失信號點。Chen等3提出了一種道坐標方法，實現從坐標值到單道缺失信號的非線性映射。頻率域數據重建方法包括分離法和同步法，旨在重建原始不完整數據的每個有效頻率成分。Zhang等38結合低秩近似模型和無監督深度學習，提出了一種頻率域分離數據重建方案，即分別重建每個頻率成分的實部和虛部。Chen等39提出了一種頻率域同步數據重建方案，該方法通過復數神經網絡直接重建復數頻譜。

2.4速度譜解釋

在速度譜人工解釋中，主要利用了如下三個原則：一是拾取的速度應為速度譜能量團極大值；二是拾取的速度應使反射波同相軸校平；三是利用拾取的速度進行動校正和疊加，反射波疊加能量應達到最大。目前，人工智能速度解釋基本使用了這些原則，采用的網絡包括RNN[40]和CNN[41-43]等。基于速度譜具有空間和時序特征，張昊等[44提出了聯合利用CNN和LSTM網絡的自動解釋速度譜方法，提高了解釋精度。通過分階段處理方法也可以提高速度譜自動解釋精度。楊彤遠等45將處理分為兩個階段：先結合自動編碼器和卷積模型得到最終的候選區域，再使用動態規劃實現對速度的拾取。另外，目標檢測方法在速度譜解釋中得到應用。Zhang 等[46]通過目標檢測模型YOLOv3提取特征圖，再使用LSTM學習序列信息，實現了速度的自動拾取；Yuan等47使用MaskR-CNN對速度譜能量極值區域進行預測，實現了速度的自動拾取。

2.5偏移

在地震數據處理中，偏移技術可以為后續的資料解釋工作提供較為準確的地下構造成像。然而，在實際應用中，地震數據成像分辨率和信噪比難以滿足當前勘探精度不斷提高的需求。

最近，深度學習技術憑借可以充分利用地震數據的優勢而逐漸用于地震數據成像領域。針對常規逆時偏移的成像噪聲，目前主要有直接壓制和間接壓制兩種策略。直接壓制噪聲方法通過處理偏移剖面直接壓制偏移剖面上的噪聲。如諸峰等48通過CNN直接建立了含噪偏移剖面與不含噪偏移剖面的非線性映射關系，用于壓制偏移噪聲。基于此，深度學習技術用于壓制偏移過程中由于混疊數據或多分量數據產生的串擾噪聲。間接壓制噪聲的方法則是通過處理地震數據和波場等信息間接壓制成像噪聲。Kaur等49]、Sun等[50]、Wang等[51]分別采用CNN、U-Net和GAN實現了彈性波場的縱波、橫波分離以壓制彈性波成像中的串擾噪聲。Sun等[52利用GAN實現了對地震數據的上、下行波分離以壓制低頻噪聲，有效提高了計算效率。Tao等[53通過多任務學習實現了針對VSP數據的上、下行波分離，進而提高了VSP數據的成像精度。

在提高成像剖面分辨率方面也存在兩種策略：對偏移成像剖面進行拓頻處理和對采集的地震數據進行拓頻處理。Liu等54通過CNN直接對傳統疊前時間偏移成像剖面進行拓頻。Hu等[55]采用全卷積網絡（FullyConvolutionalNetwork，FCN）同時拓展地震數據的低頻和高頻信息，重建全頻帶的地震數據，并將重建的地震數據應用于逆時偏移，有效提高了深層復雜構造成像的分辨率。

此外，深度學習技術也廣泛用于解決由于采集或者成像方法造成成像精度較差等問題。Cheng等[56采用一種多尺度卷積神經網絡，解決了海底節點（OceanBottomNode，OBN）地震數據因稀疏采集導致的同相軸成像連續性較差的問題。Yu等[57]利用U-Net有效提高了傳統單程波成像精度，并通過改善遷移學習提升了網絡的泛化性。

深度學習技術也用于最小二乘逆時偏移（LeastSquares Reverse Time Migration，LSRTM）。Vamaraju等[58率先使用開源深度學習工具（如PyTorch）的功能實現了LSRTM。Torres等59將傳統的LSRTM與深度學習方法相結合，避免了正則化的顯式計算，通過幾次迭代即可獲得高精度反射率模型。Sun等修改了傳統GAN框架，通過網絡近似Hessian矩陣的逆提高成像質量并降低計算成本。隨后，Sun等6]使用條件生成對抗網絡（ConditionalGAN，CGAN）框架預測點擴散函數的反褶積，降低了圖像域LSRTM的存儲成本。

由于深度學習技術在解決傳統偏移成像問題的巨大潛力，將傳統偏移成像方法與深度學習技術相結合，可為未來智能化成像技術的發展提供堅實的基礎。

2.6 提高分辨率

人工智能技術在提高地震資料分辨率方面的應用越來越受到關注，借助圖像超分辨率的思想可以提高地震資料分辨率[62-63]。然而，地震資料的高分辨率并不等同于自然圖像的高分辨率，提高地震資料分辨率是對地震信號的振幅和相位進行綜合調整，以實現有效頻率成分的拓展。可以考慮將人工智能算法融入常規方法框架中以發揮兩者優勢。例如，Wang等[64以稀疏脈沖反褶積作為方法框架，采用字典學習，建立地震信號和測井數據（反射系數序列）的稀疏表征，進而構建誤差約束，以模型和數據雙驅動的方式提高了地震資料分辨率。也有學者將常規方法中的某些環節由神經網絡替代，通過深度神經網絡建立數據之間的復雜映射關系，為反射系數反演提供了先驗信息[65-66]。

目前，主要采用監督學習的方式提高分辨率，使網絡學習由低分辨率到高分辨率地震信號的映射。此時，需采取合適的手段建立神經網絡訓練數據集，可制作低分辨率、高分辨率的地震數據，并分別作為神經網絡訓練的輸入和標簽，如圖4所示。

圖4制作用于網絡訓練的低分辨率和高分辨率地震數據集

如果訓練數據和網絡測試階段應用的數據特征不同，就會遇到神經網絡泛化性較差的問題。為了減小訓練與測試數據的特征差異并獲取充足的訓練數據，孫永壯等從實際地震資料中提取偽反射系數，制作大量合成地震記錄用于神經網絡訓練；Zhang等8采用域適應方法使訓練與測試數據同時趨于相似的分布；也有學者利用測井資料作為輔助信息構建訓練數據集[69-70]。此外，也可以將結構和地震相約束加入神經網絡預測中以提升網絡的泛化性[62，70-71]

基于監督學習訓練的神經網絡，預測結果受制于帶標簽訓練數據的數量和多樣性。因此，僅需要少量訓練標簽的弱監督學習或無需標簽數據的自監督、無監督學習方式是智能化提高分辨率的發展方向。已經有學者做了初步嘗試，例如，Liu等2以弱監督學習方式訓練生成對抗網絡以提升實際資料的分辨率；Wang等[73]和Cheng等74采用自監督方式拓展了地震數據的低頻信息。

在提高分辨率任務而采用的深度學習算法方面，目前廣泛基于卷積層、遞歸神經單元或兩者兼備搭建深度神經網絡架構。以上所述大多在此框架下提高分辨率。生成式模型如GAN[75采用獨特的網絡架構及網絡訓練策略，在提高分辨率任務中展現出了優越的性能[71-72.76]。然而，由于GAN網絡的訓練比較困難[77]，擴散模型[8]成為當前最先進的深度生成模型之一。如今已有學者進行了初步的提高分辨率測試[79-80]，展現出了擴散模型的巨大潛力。

3地震資料地質體智能識別

3.1 斷層識別

基于深度學習的斷層識別方法能夠顯著降低人工成本、提高效率，并且具有更強的客觀性。在深度學習領域，斷層識別通常被視為一種圖像分割任務，主要采用監督學習方式對神經網絡進行訓練。然而，由于實際地震數據中斷層標簽的獲取較費時，許多研究者傾向于采用合成數據集訓練斷層識別網絡。

合成地震數據的生成過程可通過數值模擬自動完成，不僅大幅減少時間和人力成本，還具備高度的可控性。研究人員可以根據需求生成任意數量的合成數據，并通過調整地質條件和構造參數來模擬不同的地質背景，從而構建多樣化的數據集。更重要的是，在生成這些數據時，地質結構和斷層位置等標簽信息完全已知，這為數據的準確性和可解釋性提供了保障。

Wu等[8將斷層識別建模作為圖像分割問題，通過創建二值掩碼（斷層位置標注為1，非斷層位置標注為0）實現斷層的自動識別，并提出了一種生成三維合成地震數據及其對應斷層標簽的自動化流程。Guillon等[82]基于參數空間對斷層訓練集的偏差進行分析和優化，定義了包含地震屬性和斷層幾何特征（如頻率、振幅分布、噪聲水平以及斷層的形態、密度等）的參數空間。陳桂等83探討了深度學習及其他機器學習算法在地震斷層識別中的應用。Pham等[4通過Wasserstein生成對抗網絡增廣斷層自動識別的訓練集。Yang等85構建結合先驗信息和Transformer網絡的多任務學習框架，從地震數據中同時識別層位和斷層。Mustafa等8指出，由人工標注的斷層標簽可能存在不完整性，從而誤導神經網絡的優化方向。為此，將解釋人員的注意力圖像引入訓練流程，提出了一種基于視覺注意力引導的訓練框架，有效克服了傳統參數微調在斷層標簽缺失區域的不足。

除了上述的監督斷層識別方法外，一些研究者還提出了半監督或無監督方案，旨在降低方法對斷層標簽的依賴程度[87-88]。然而，由于合成數據與實際數據之間的分布差異，使用合成數據訓練的斷層識別網絡在某些實際數據上的表現可能會受到限制。對此，研究者們嘗試將合成數據與實際數據結合[89-91]，或通過優化方法縮小二者的分布差異[92]，以提升網絡在實際地震數據中的斷層識別能力。Wang等[93提出了一種基于知識蒸餾的集成策略。在知識蒸餾過程中，一個復雜的“教師\"模型將知識傳遞給較小的“學生\"模型。其中，合成地震數據和實際地震數據分別用于訓練兩個教師模型，學生模型從教師模型的輸出中學習斷層特征。結果表明，與單一教師模型相比，學生模型在斷層檢測方面表現出更高的分辨率和精度。

3.2 地震相識別

地震相智能識別方法大致分為無監督、監督和半監督三類[94]

其中，無監督方法無需標簽數據的參與，算法對地震數據本身挖掘潛在信息而進行地震相自動識別。聚類方法在無監督機器學習的地震相智能識別任務中得到應用[95-96]，該類方法通過尋找同一地震相內部的相似性，將具有最相似特征的地震信號識別為同一類。隨著神經網絡技術的發展，鑒于神經網絡強大的特征提取和非線性預測能力，自組織映射網絡[97-98]和具有自編碼結構的神經網絡[99]逐漸應用于地震相識別中的波形分類，并可與傳統聚類算法等相結合[100]以提高地震相分類精度。此外，結合深度神經網絡的對比學習等人工智能技術也可用于無監督地震相識別[101]。無監督方法雖然可以避免受到地震數據標簽難以獲取的限制，但它更多依賴于數據的特征相似性進行分類，而地震反射特征的差異有時很小，因此還需考慮采用深度嵌入聚類[102]等先進算法，以及添加地質結構約束或其他先驗信息以提高地震相識別精度。

監督方法在地震相智能識別方面的應用需要依靠事先給定的地震相標簽，使人工智能算法學習地震數據到標簽之間的復雜映射關系，從而對不同地震相進行區分[103]。由于地震相識別和計算機視覺任務的相似性，在圖像識別任務中廣泛使用的卷積深度神經網絡成為了識別地震相任務的主要網絡。最初，人們考慮將地震相識別視作圖像分類任務，將地震數據體切割成小塊后輸人神經網絡，然后針對每個數據采樣點進行地震相分類[104-105]。然而，這種方式對地震相的識別精度和效率均較低[106]。因此，將地震相識別作為圖像分割任務的方法逐漸成為主流，這類方法可將地震數據整體輸入神經網絡，并同步得到各采樣點的預測分類。許多學者已經采用U-Net^[107-110] 、DeepLabv3 + [106，111]、Transformer[112]、圖神經網絡[113]等各類深度神經網絡，并取得了良好的地震相識別效果。同時，集成學習[109]遷移學習[110]、網絡架構搜索[114]等技術也被引入以提高神經網絡識別地震相的泛化性和精度。

半監督學習僅需部分標簽數據，它結合地震數據本身進行特征學習，從而實現較高精度的地震相識別。蔡涵鵬等[115提出了基于疊前地震紋理屬性的半監督地震相分析算法，采用自組織映射網絡實現了地震相分類。Mustafa等[116提出了一種基于深度自編碼網絡流形學習的主動學習方法，解釋人員可根據自編碼流形學習的結果添加地震相標簽數據以繼續訓練網絡。Alaudah等[17采用相似性檢索技術，依據少量的地震相標簽數據獲得相似的數據并將它作為弱標簽，實現了弱監督學習。Chikhaoui等[118]采用自監督學習實現了地震相分類。也有學者利用生成對抗網絡，基于少量標簽數據和其他未標注的地震數據訓練生成器和判別器，實現了地震相分類[119]。此外，還可以通過對比學習去提高網絡劃分地震相的精度[120]。

總體而言，地震相智能識別技術的發展趨勢是盡可能地降低對精細標注數據的需求，主要利用地震數據自身特征實現地震相的自動、高精度劃分。

3.3河道、鹽丘等地質體識別

對于河道識別，可以將其看作是語義分割問題，使用編—解碼結構網絡對河道進行刻畫[121-122]。也可將其視為回歸問題，利用合成的河道數據集訓練端到端三維卷積神經網絡，可有效識別復雜構造中的河道[123]

對于鹽丘識別，基于圖像分類方法，利用卷積神經網絡可實現鹽丘邊界的檢測[104，124]。基于圖像分割方法，采用端到端的編一解碼器，可實現三維鹽丘邊界的自動檢測[125-126]。以地震數據體和成像速度體作為多通道輸入，可以提高鹽丘識別的準確性[127]。綜合多屬性特征，也可以采用集成學習的方法對鹽丘進行識別[128]。由于鹽丘形態較為復雜，直接進行識別可能有誤，因此通過人工交互，利用歐幾里德距離圖和地震圖像相結合來訓練CNN模型，可得到更好的鹽丘邊界識別結果[129]。鹽丘標注樣本獲取困難，因此可借鑒生成視頻中間幀任務，將稀疏鹽丘標簽視為關鍵幀，未標注的切片視為中間幀，基于光流估計和稀疏標簽約束生成高質量的偽標簽，進而使用神經網絡模型準確刻畫鹽丘[130]。

4地震資料智能反演

基于人工智能的地震資料反演思路與常規的地震反演有相似之處，同樣屬于最優化問題求解。常規的地震反演方法基于明確的數學物理模型（例如地震褶積理論和波動方程），屬于模型驅動方法。其基本思路如圖5a所示，即利用初始地下參數模型或當前模型模擬地震數據，計算模擬數據與觀測數據之間的誤差，優化迭代地下介質參數模型使誤差達到極小。

人工智能深度學習技術的發展為解決地球物理反問題提供了新的路徑，即可利用深度神經網絡在輸入與期望輸出之間建立復雜的非線性映射，而不依賴于特定的模型。智能反演方法通常利用深度神經網絡預測、輸出地下介質參數，優化對象為神經網絡權重參數。地震資料智能反演思路可大致分為以下兩類：基于數據驅動的反演和模型與數據雙驅動的反演，兩種反演思路分別如圖5b和圖5c所示。其中，基于數據驅動的反演屬于監督學習，依賴真實地下介質模型的標簽，它將地震數據輸人神經網絡后，網絡學習輸出地下介質參數，目標函數構建為網絡輸出與標簽之間的差異度量。模型與數據雙驅動的反演又可看作半監督學習，在前述數據驅動反演的基礎上，引入模型驅動（物理約束），即基于數學物理模型根據網絡預測結果模擬地震數據，期望模擬數據與輸入網絡的觀測數據之間的誤差達到極小。

圖5各類反演方法的基本思路實線方框表示流程的起始。

4.1 波阻抗反演

常規的波阻抗反演方法基于褶積理論，屬于模型驅動方法，需要將實際問題模型化、數學化。然而，實際問題通常受到眾多因素影響，可能無法較好地與物理模型匹配。

基于數據驅動的深度學習技術可以解決傳統建模手段難以模擬的實際問題，它利用深度神經網絡以單純數據驅動的方式反演波阻抗。首先，需要確保可以獲得大量的真實地下模型即波阻抗數據（可由測井資料獲得）作為標簽；然后，將實際地震記錄作為網絡輸人，通過網絡運算得到預測結果，將預測結果與標簽數據通過目標函數計算誤差并迭代更新網絡權重，使網絡預測結果具備接近真實波阻抗信息的能力。以上反演思路需要將標簽數據作為主要約束，人們通常采用由測井資料計算得到的波阻抗數據作為網絡訓練的標簽[131-132]。然而，有時實際工區的測井資料較少，這易導致神經網絡泛化性較差。因此，有學者采用遷移學習[133-134]、多任務學習[135]、域適應策略[136]、低頻先驗約束[137]或反射系數稀疏約束[66，138]等方式改善監督學習波阻抗反演的效果。

將物理約束加入數據驅動的波阻抗反演越來越受到人們的重視。一方面能夠利用神經網絡從大量數據中提取特征、擬合復雜的非線性關系；另一方面又能利用傳統建模手段，將物理模型約束引入數據驅動反演過程，使計算結果可以部分被解釋。因此，這種反演策略可稱為模型與數據雙驅動的波阻抗反演。模型與數據雙驅動的方式是在前述數據驅動反演的基礎上，增加一項數據誤差的約束，即利用網絡預測的近似波阻抗數據，基于褶積理論得到合成地震記錄，并將合成記錄與實際觀測記錄相比較計算數據誤差，波阻抗模型誤差與地震數據誤差同時用于更新網絡權重。由于這種反演策略同時利用了代表監督學習的標簽數據約束和代表無監督學習的觀測數據約束，因此模型與數據雙驅動也屬于半監督學習[139]。

在模型與數據雙驅動反演框架下，許多學者提出了能夠充分利用有限的標簽數據以及物理模型約束的有效方法，包括基于拓低頻地震數據實現半監督波阻抗反演[140]、基于閉環學習的波阻抗反演[141-143]、基于生成對抗學習策略的波阻抗反演[14-146]以及基于物理約束的波阻抗反演[147-148]等。

智能化波阻抗反演的發展趨勢仍然是以模型與數據雙驅動策略為主，減少對測井數據標簽的依賴，同時基于地震數據本身反演得到較高精度的波阻抗預測結果。

4.2 AVO反演

地震AVO反演是得到彈性參數的一種重要手段。近年來，數據驅動的智能AVO反演方法逐漸成為研究熱點[149-150]。相較于傳統方法，智能方法反演的彈性參數具有更高的分辨率，但需要大量有代表性的訓練樣本。然而，對于大多數實際工區，測井數據較少且分布不均，很難得到符合要求的訓練樣本[151-152]。學者們嘗試從不同角度解決這一問題，包括改進神經網絡模型結構和優化目標函數。

在改進神經網絡模型結構方面，Wang等[134]利用由反向網絡和正向網絡組成的閉環全卷積殘差網絡，發展了智能地震AVO反演方法。其中，反向網絡根據地震數據預測彈性參數，正向網絡根據預測彈性參數合成地震數據。測試結果表明，該方法優于常規智能反演方法，它對訓練樣本的依賴性相對較低，且反演的彈性參數具有更好的橫向連續性。Luo 等[153]提出了一種基于多變形卷積神經網絡的智能AVO反演方法。該方法通過可以自適應調整的偏置項來自動擬合地震數據與彈性參數之間的多尺度對應關系，其反演的彈性參數具有相對更高的精度。

在優化目標函數方面，Sun等[154將褶積正演理論和神經網絡技術相結合，提出了一種基于多目標函數的智能地震AVO反演方法。該方法利用三個獨立的目標函數分別實現了網絡訓練、網絡優化和網絡反演。合成數據和實際測試結果均表明了該方法可以在少量訓練樣本的情況下，反演得到較高精度、較高分辨率的彈性參數。在此基礎上，Liu等[155]提出了一種基于空變目標函數的智能地震AVO反演方法。該方法利用零延遲互相關函數和F范數構建目標函數，以反距離加權理論根據反演目標道所在的位置控制目標函數的變化，能夠基于小樣本數據進一步提高彈性參數反演結果的精度和分辨率。

目前，關于智能地震AVO反演的研究成果較多，但反演彈性參數的精度和分辨率、反演效率、反演方法的泛化性仍有進一步提高的空間。如何搭建合適的神經網絡結構、構建合適的目標函數、選擇適配的優化方法等仍是今后研究的重點。

4.3 全波形反演

作為常用的速度建模方法，走時層析成像和全波形反演廣泛用于地震反演。

基于深度學習的速度建模方法主要包含兩類。第一類為端到端的方法，它利用神經網絡直接建立地震空間和模型空間的非線性映射關系。Araya-Polo 等[156]、Yang等[157]分別利用CNN和FCN建立了地震數據與速度模型的映射關系，可不依賴初始模型而從地震數據中直接獲得速度模型。Wu等[158]通過修改傳統CNN網絡結構，在速度模型上建立不同位置之間的相互關系，以提高速度模型預測的準確性。Zhang等[159]將成像與速度反演相結合，提出兩步法的速度建模方法，由于該方法引入成像剖面，因此有效提高了網絡對深層速度模型的預測精度。Raissi等[160]利用物理信息神經網絡，同時實現地震數據的正演模擬和速度反演，該網絡利用物理信息約束降低反演對于標簽數據的依賴。

第二類為將傳統全波形反演方法與深度學習技術相結合。在這類方法中，神經網絡的作用主要體現在正則化項、梯度更新、模型參數化以及處理目標函數等方面，并利用自動微分技術實現對模型參數的更新。Yao 等[161] w_u 等[162]分別將GAN和CNN作為正則化項優化多參數反演的更新梯度，減少其串擾問題。在梯度更新方面，Sun等[163]利用元神網絡自動學習更新梯度以優化全波形反演，解決周波跳躍的問題。此外，諸多學者利用不同神經網絡對速度模型進行參數化[164-167]，這些方法利用神經網絡建立地震數據與速度模型或者更新梯度之間的映射關系，以降低反演對速度模型的依賴。利用神經網絡特征提取的優勢，還可以將其應用于目標函數的計算。Yang等[168利用對抗網絡，將傳統全波形反演的波形直接轉化成潛在空間的相似性匹配，該方法可以有效解決周波跳躍的問題。在此基礎上，Tian等[169]結合包絡信息提出三步法反演策略，進一步將其應用于鹽丘模型的反演。

5 地震資料儲層智能預測

儲層預測主要包括巖性識別、儲層參數預測和流體識別等。儲層智能預測的一般流程如圖6所示。首先，進行相關性分析和敏感性分析，優選與預測目標具有較高相關性的敏感參數；其次，構建用于預測或識別的深度神經網絡；然后，建立損失函數，并以訓練樣本優選神經網絡超參數，直到損失函數收斂；最后，利用訓練好的網絡進行儲層預測。

圖6儲層智能預測的常用流程示意圖

5.1巖性識別和儲層參數預測

巖性是確定勘探目標區域、評估資源儲量和制定開發方案的重要依據。根據機理巖性智能識別方法可以分為回歸型方法和分類型方法[170]

回歸型方法首先反演彈性參數、提取地震屬性，并確定表征巖性的參數（本文簡稱巖性因子）；其次從彈性參數和地震屬性中優選出與巖性因子相關性較好的參數；然后搭建適用于解決回歸類問題的深度神經網絡，用于擬合優選參數與巖性因子之間的非線性關系；最后制作訓練樣本訓練該網絡，并利用訓練好的網絡預測巖性因子以識別巖性[171]。相較于傳統方法，這類方法識別的巖性具有較高的精度，并能夠保留巖性間變化的平緩趨勢，應用較為廣泛[172-173]

分類型智能方法通過構建適用于解決分類問題的深度神經網絡，直接建立優選參數與巖性類別之間的對應關系[174-175]。這類方法更為直接，適用于巖性區分較為明顯的數據。對于某些巖性較為復雜的區域，如砂泥巖薄互層等，該方法識別精度不高[176]。

總體來說，關于地震巖性智能識別方法的研究仍處于起步階段，需要專業人員對識別結果進行驗證和修正。此外，現有智能巖性識別方法對于已知地質信息的利用尚不完善，巖性識別精度和效率還有提升空間。如何設置更合理的智能巖性識別流程，構建更符合巖性識別任務的深度神經網絡，更恰當地引入已有地質信息作為約束等，是地震巖性智能識別方法的研究方向之一。

孔隙度、滲透率等儲層參數是儲層預測中的關鍵參數。結合深度學習的儲層參數智能預測方法，在彈性參數的基礎上額外引入地震屬性，可為巖性預測提供更多的信息，提高儲層識別精度[177]。此外，神經網絡強大的非線性擬合能力也可以進一步挖掘彈性參數、地震屬性與儲層參數間的深層映射關系，進而提高預測結果的可靠性[178-179]

淺層學習算法已在儲層參數預測中得到了較為廣泛的應用。這類方法中的神經網絡結構較為簡單，當訓練樣本不足時，其表征復雜非線性關系的能力受限，且泛化能力不強。此外，大多數淺層學習方法收斂速度較慢，目標函數容易陷入局部極值，影響了儲層參數預測精度[180-181]。

為解決這些問題，學者們嘗試利用深度學習技術預測儲層參數，取得了一些效果。CNN和RNN是使用頻率較高的網絡模型。前者具備參數共享的特點，能夠有效提取數據的局部空間特征。Feng等[182]搭建CNN模型，基于疊后地震數據預測孔隙度，得到了較高精度的結果。相對而言，能夠表征時序數列內部聯系的RNN更適用于儲層參數智能預測任務。楊菲等[183]結合雙向GRU和注意力機制，實現了基于疊前反演縱波速度和密度的孔隙度預測，得到了較高精度的預測結果。曾濱鑫等[184]利用變分自編碼器、雙向門控循環單元和注意力機制構建網絡模型，提高了預測孔隙度的精度。雖然地震儲層參數智能預測方法取得了一定效果，但并間預測精度、預測結果的橫向連續性和方法泛化性等仍需要進一步提高。為應對這些問題，學者們嘗試引入巖石物理模型作為約束，取得了較好的應用效果[185]。此外，優化神經網絡模型、改進目標函數、結合遷移學習和元學習等先進技術也是解決這些問題的有效途徑。

5.2 儲層流體識別

儲層流體識別對于油氣藏評價、二氧化碳監測等至關重要。近年來，隨著以深度學習為代表的智能方法的迅速發展，流體智能識別方法也得到了進一步的研究和應用[186]

與巖性智能識別方法類似，流體智能識別方法也可以分為回歸型方法和分類型方法。其中，回歸型方法通常根據研究區特征選取合適的流體因子，然后直接智能反演得到流體因子，或先智能反演彈性參數再間接計算流體因子[187]。相對而言，直接方法能夠避免由于間接計算產生的累積誤差，流體因子的精度更高，流體識別結果更準確。目前，比較常用的流體因子主要包括Russell流體因子[188]Gassmann 流體項[189]和等效流體體積模量[190-91]。回歸型智能方法能夠較好地識別流體類型，流體與圍巖的分界面變化較為平緩，且識別結果可根據經驗設置閾值，應用較為廣泛。

分類型流體智能識別方法主要在反演彈性參數的基礎上額外引入地震屬性，利用適用于分類的神經網絡模型和目標函數建立彈性參數、地震屬性與流體類型的對應關系，進而實現流體識別[192]。這類方法較為直接，但識別精度受反演彈性參數精度的影響較大[193]。針對這一問題，學者們直接利用神經網絡建立地震數據與流體類型的關系，規避了地震反演這一環節，在某些特定條件下，取得了較好的應用效果[194]。此外，分類型智能方法對樣本分類平衡的要求較高，即需要訓練樣本中各流體類別的數據分布應較為均衡。但對于大多數實際工區，不同類型的流體數據分布通常不均，這影響了流體識別精度。針對這一問題，Gao等[195]在監督神經網絡的框架下，采用重采樣方法獲得分類平衡數據集，實現了地震流體較高精度的識別。目前，流體智能識別面臨的主要問題是流體因子泛化性不高、訓練樣本數據量和特征信息不足、識別結果多解性強等。引入更多地質信息作為約束、利用流體替換等增廣訓練樣本數量、選取合適的反演與分類方法減少多解性等，將是解決這些問題的有效途徑。

6 討論

用中至關重要，這已成為行業共識。在地震勘探領域，監督深度學習仍然是主流方法之一。監督學習需要大量的標簽數據用于神經網絡訓練。然而，利用實際野外地震數據獲取大量高精度的標注數據成本高昂且耗時，因此需要合成數據以滿足深度神經網絡的訓練需求。制作合成數據集時，除了滿足數量要求，還需盡量遵循以下兩點原則：一是“多樣性”，合成數據集能夠反映多種地下地質條件、涵蓋多種由于采集環境和處理技術導致的數據特征（噪聲水平等）；二是“相似性”，訓練集與測試（推理）集的數據分布基本一致、數據特征相似。實際上，“多樣性\"的要求也暗含了“相似性”原則。這些要求是提高深度神經網絡泛化性在數據集層面的保證。

考慮以上基本要求，可以按照如下思路制作合成數據集。

（1）分析研究區構造地質特征及巖石的物理性質，構建大致符合研究區地質條件的物理參數模型（例如速度模型、波阻抗模型等），以及用于坡體識別的層序地層模型[196等。如果能獲得研究區測井資料，則可利用測井資料構建物理參數模型。若無法獲得測井資料，則可利用能夠快速實現的常規地震反演方法獲得一個粗略的地下參數模型。

（2）根據所解決的地震勘探問題，選擇基于波動方程或褶積理論合成地震數據。例如：全波形反演需要處理疊前地震記錄，則可根據波動方程正演得到共炮點地震記錄；地質體識別任務通常基于疊后地震數據進行神經網絡預測，則可根據褶積理論合成疊后地震數據。

（③）根據研究區野外地震資料特征調整合成地震數據。例如：根據野外地震數據的信噪比和噪聲類型向合成數據添加干擾，根據實際數據的頻帶寬度對合成數據進行濾波等。

并非每一種地震勘探任務都需完全按照以上思路制作合成數據，如在隨機噪聲壓制、初至拾取、速度譜拾取等依賴于地震信號與干擾之間的差異時，構建符合研究區地質條件模型的步驟不是必要的。

6.1 訓練集制作

訓練數據集的數量和質量在深度學習方法的應

盡管上述操作主要是針對監督學習方法，但是當應用半監督、無監督學習及其他人工智能方法時，若實際資料的數據量不足以訓練神經網絡，也可采用以上方式制作合成數據。此外，可采用數據增廣，通過對訓練數據進行隨機變換（如旋轉、縮放、平移等）生成更多的變異樣本，從而增加數據的多樣性。

在實際操作中，有時受限于神經網絡的結構，還需對數據進行切割、拼接、維度和尺寸調整等，以滿足網絡對數據的尺寸要求。實際地震數據可能存在由于地表條件不一致導致的振幅不均等情況，此時可能需要對數據進行標準化或歸一化等操作，以使網絡訓練更穩定。

6.2神經網絡優選

在地震數據處理與解釋中，無監督深度學習和監督深度學習分別適用于不同任務，神經網絡架構的選取側重點也有所區別。監督學習依賴高質量標簽，網絡設計需平衡模型復雜性與數據適應性。常用網絡（如U-Net、ResNet、Transformer）在斷層識別、地震相分類等任務中表現優異。高質量標簽支持深層網絡（如深層U-Net或多尺度Transformer）提取精細特征，而對于小規模或標簽不完整的數據集，淺層網絡更具優勢，能避免過擬合并能提升穩定性。針對特定任務（如斷層識別或儲層預測），可通過引入多任務學習框架或殘差連接與注意力機制，提高對復雜特征（如高頻特征）的敏感性。

無監督深度學習不依賴標簽，它通過優化數據重建損失或相似性損失學習數據特征，其網絡需具備強泛化能力和靈活性，以適應多樣化場景。無監督方法（如DIP重建方案）常需針對每個數據單獨調整參數，這要求網絡參數精簡以加快訓練并降低調參難度。而有一些無監督方法（如基于POCS和三維卷積Transformer的無監督地震數據重建框架）通過模塊化設計與傳統方法相結合，可實現即插即用的處理功能。

地震數據的復雜性和非平穩性要求動態調整網絡結構（如卷積模塊、注意力機制或頻域處理模塊）以優化性能。結合任務驅動的網絡架構搜索技術可自動選擇最優配置。此外，地震數據處理對計算資源要求較高，模型選取需綜合考慮效率與性能；網絡的可解釋性在增強地震解釋可信度方面也日益重要。

6.3 訓練策略

隨著深度學習在地震資料處理與解釋中的廣泛應用，進一步提升訓練策略的科學性和有效性尤為重要。目前，訓練策略的選擇可借鑒傳統方法與深度學習的應用經驗。在傳統方法方面，可參考多步反演策略，如從低頻到高頻、從大尺度構造到小尺度構造以及交替預測等逐步反演方法，這類策略更適用于將深度學習融入傳統方法框架。在深度學習應用方面，蒸餾學習、強化學習及課程學習等常用的深度學習的訓練策略可用于地震數據的智能處理與解釋，且常應用于監督學習領域。此外，通過神經網絡將地震數據轉換到潛在空間進行處理的訓練策略，也可有效克服傳統方法的局限性。在訓練過程中，結合噪聲注入與自適應采樣等策略，使訓練數據更加多樣化，有助于提升模型在地震資料智能處理與解釋中的泛化能力。

6.4大模型

對于地震資料處理、地質體識別、反演和儲層預測等特定任務，目前大多數基于深度學習的方法都是進行特定模型的開發應用。其優點是數據需求少，模型簡單，易開發，對計算資源需求少；其缺點是針對每個特定的任務都要進行特定模型的開發，并且由于是在特定數據集上進行訓練，其模型的性能和泛化性可能有限。而基于各種任務的通用大模型可以彌補特定小模型的不足。基于一個大模型可以實現對多任務的求解，能有效提高其求解的精度及泛化性能。

地震勘探大模型開發可能具有一些挑戰： ① 訓練數據有限。像SAM、DINOv2等模型的訓練數據達到百萬個，而地震勘探中，由于數據的保密性、不同地質背景造成的數據多樣性、數據處理的不規范性以及噪聲等影響，使其難以集成大規模數據集進行模型訓練。 ② 計算資源需求大及時間成本巨大。自然圖像的大模型參數有上億個，通常需要數百甚至數千塊GPU和數月的時間，像Llama3.1模型訓練周期達 3.08×10⁷ GPU時。

對于訓練數據不足的問題，可以利用數據合成方法生成大量數據來訓練模型，并且可以使用較小的大模型。也可以使用在自然圖像中預訓練的大模型，再進行地震數據的微調來構建地震大模型[197]。而對于計算資源和時間成本問題，可能需要公司的支持，也可以選擇較小的大模型，以及對算法框架進行創新。最近開源的DeepSeekV3，通過框架和訓練策略等創新，彌補了算力的不足。地震勘探大模型是今后研究的一個方向，需要進一步深入研究。

7 結論與展望

本文綜述了基于深度學習的地震資料處理、地質體識別、反演與儲層參數預測等關鍵技術的研究進展。研究結果顯示，深度學習技術已深度滲透地震數據處理與解釋的多個環節，在效率和精度方面普遍優于傳統方法，為構建智能化地震資料處理與解釋體系提供了新的技術途徑。但當前研究仍面臨四大核心挑戰：高質量訓練樣本匱乏導致的數據偏差問題、復雜地質條件下的模型泛化瓶頸、黑箱模型的可解釋性不足，以及面向地震勘探特點的專用大模型架構缺失。

針對上述問題，本文從訓練集構建、網絡結構優選、訓練優化策略和大模型等方面展開討論，并給出相應的解決思路。從技術發展趨勢來看，深度學習與地震勘探方法的交叉融合創新將持續深化。隨著大規模地震數據的持續積累以及各種模型框架的逐步成熟，有望推動地震勘探的全面智能化。下一步研究應重點關注以下方向： ① 提升模型的泛化能力，使其適用于不同地質條件、不同特點的地震資料； ② 加強模型的可解釋性，增強地球物理人員與地質人員對深度學習模型結果的理解與信任； ③ 發展面向地震勘探任務的大模型，充分利用多尺度、多模態信息，提升模型預測的精度及模型的魯棒性。

參考文獻

[1]OUALIY，HUDELOTC，TAMIM.An overview ofdeep semi-supervised learning[J].arXiv preprint arXiv：2006.05278，2020.

[2］HOLLANDERY，MEROUANE A，YILMAZO. Using a deep convolutional neural network to enhance theaccuracyof first-breakpicking[C]//SEGTechnical ProgramExpanded Abstracts，2018，37：4628-4632.

[3］DUAN X，ZHANG J. Multitrace first-break picking using an integrated seismic and machine learning method[J].Geophysics，2020，85（4）：WA269-WA277.

[4]HU L，ZHENG X，DUAN Y.First-arrival picking with a U-Net convolutional network[J]. Geophysics， 2019，84（6）：U45-U57.

[5] ZHUW，BEROZAG C.PhaseNet：A deep neural network based seismic arrival-time picking method[J]. Geophysical Journal International，2Ol9，2l6（1） ： 261- 273.

[6]MAY，CAOS，JAMESWR，etal.Automated ar rival-time picking using a pixel-level network[J]. Geophysics，2020，85（5）：V415-V423.

[7] 陳德武，楊午陽，魏新建．一種基于改進的U-Net網 絡的初至自動拾取研究[J].地球物理學進展，2021， 36（4）：1493-1503. CHEN Dewu，YANG Wuyang，WEI Xinjian. Research on first-break automatic pickingbased onan im proved U-Net network[J]. Progress in Geophysics， 2021，36（4）：1493-1503.

[8」YUAN P，HU W，WU X， et al. First arrval picking using U-net with Lovasz loss and nearest point picking method[C]//SEG Technical Program Expanded Abstracts，2019，38：2624-2628.

[9] YUAN P，WANG S，HU W.A robust first-arrival picking workflow using convolutional and recurrent neural networks[J]. Geophysics，2020，85（5）：U109- U119.

[10] GEORGY N L，ANTON A D，DMITRY A L，et al.Convolution neural network application for first - break picking for land seismic data[J]. Geophysical Prospecting，2022，70（7） ：1093-1115.

[11]DAVID C，XIEP，TRINH P.Automated firstbreak picking with constrained pooling networks[C]//SEG Technical Program Expanded Abstracts，2020，39： 1481-1485.

[12] DAVID Cova，劉洋，丁成震，等．人工智能和視速 度約束的地震波初至拾取方法[J].石油地球物理勘 探，2021，56（3）：419-435. DAVID Cova，LIU Yang，DING Chengzhen，et al. First break picking method based on artificial intelligence and apparent velocity constraint[J]. Oil Geophysical Prospecting，2021，56（3）： 419-435.

[13] WANG H， ZHANG J，WEI X， et al. MSSPN： Automatic first-arrival pickingusinga multistage segmentation picking network[J].Geophysics，2024，89（5）： U53-U70.

[14] YUAN P，HU W，WU X.Adaptive first arrival picking model with meta-learning[C]//SEG Technical Program Expanded Abstracts，2020，39：1486-1490.

[15] LIUD，WANGW，CHENW，et al.Random noise suppression in seismic data：what can deep learning do [C]//SEG Technical Program Expanded Abstracts， 2018，37：2016-2020.

[16] ZHUW，MOUSAVISM，BEROZAGC. Seismic signal denoising and decomposition using deep neural networks[J]. IEEE Transactions on Geoscience and Remote Sensing，2019，57（11）： 9476-9488.

[17] ZHANG M，LIUY，BAI M，et al. Seismic noise attenuation using unsupervised sparse feature learning [J]. IEEE Transactions on Geoscience and Remote Sensing，2019，57（12）：9709-9723.

[18] ZHANG M，LIU Y，CHEN Y.Unsupervised seismic random noise attenuation based on deep convolutional neural network[J]. IEEE Access，2O19，7： 179810-179822.

[19] QIU C，WU B，LIU N，et al. Deep learning prior model for unsupervised seismic data random noise attenuation[J]. IEEE Geoscience and Remote Sensing Letters，2021，19：1-5.

[20]ZHANG Y，WANG B. Unsupervised seismic random noise attenuation by a recursive deep image prior [J].Geophysics，2023，88（6）：V473-V485.

[21] CHENG，LIU Y，ZHANG M，et al.Dropout-based robust self-supervised deep learning for seismic data denoising[J]. IEEE Geoscience and Remote Sensing Letters，2022，19：1-5.

[22] WANG K，HUT，WANG S，et al. Seismic multiple suppression based on a deep neural network method V365.

[23］葉月明，曹曉初，任浩然，等．應用自注意力機制對 抗網絡進行海洋多次波壓制方法研究[J].石油地球 物理勘探，2024，59（3）：454-464. YE Yueming，CAO Xiaochu，REN Haoran，et al. Marine multiple attenuation method based on SA - GAN[J]. Oil Geophysical Prospecting，2024，59（3）： 454-464.

[24] KAUR H，FOMEL S，PHAM N. Seismic groundroll noise attenuation using deep learning[J]. Geophysical Prospecting，2020，68（7）： 2064-2077.

[25]LIUD，SACCHI MD，WANG X，et al.Unsuper vised deep learning for ground roll and scattered noise attenuation[J]. IEEE Transactions on Geoscience and Remote Sensing，2023，61： 5920613.

[26]BAARDMANRH，HEGGE RF.Machine learning approaches for use in deblending[J].The Leading Edge，2020，39（3）：188-194.

[27]CHEN X，WANG B. Self-supervised multistep seismic data deblending[J]. Surveys in Geophysics，2024， 45（2）： 383-407.

[28] OLIVEIRA D A B，FERREIRA R S， SILVA R，et al.Interpolating seismic data with conditional generative adversarial networks[J]. IEEE Geoscience and Remote Sensing Letters，2018，15（12）：1952-1956.

[29] WANG B， ZHANG N，LU W，et al. Deep-learningbased seismic data interpolation：A preliminary result [J].Geophysics，2019，84（1）：V11-V20.

[30] 張巖，李杰，王斌，等．基于聯合小波域深度學習的 地震數據規則化方法[J].石油地球物理勘探，2022， 57（4）： 777-788. ZHANG Yan，LI Jie，WANG Bin，et al.Seismic data regularization based on deep learning combining wavelet domain[J]. Oil Geophysical Prospecting， 2022，57（4）：777-788.

[31]CHENY，YU S，MAJ.A projection-onto-convexsets network for 3D seismic data interpolation[J]. Geophysics，2023，88（3）：V249-V265.

[32] CHEN G，LIU Y， ZHANG M. Unsupervised deep learning for seismic data reconstruction[C]//Third International Meeting for Applied Geoscience amp; Energy Expanded Abstracts，2023：1578-1582.

[33]KONG F，PICETTI F，LIPARI V，et al. Deep prior-based unsupervised reconstruction of irregularly sampled seismic data[J]. IEEE Geoscience and Remote Sensing Letters，2020，19：1-5.

[34] CHENG，LIUY，SUNY.Unsupervised 3D seismic data reconstruction using a weighted -attentive deep - learning framework[J].Geophysics，2024，89（6）： V635-V652.

[35] CHEN G，LIU Y. Combining unsupervised deep learning and Monte Carlo dropout for seismic data reconstruction and its uncertainty quantification[J].Geo physics，2024，89（1）：WA53-WA65.

[36] LIUD，GAO W，XUW，et al.5-D seismic data interpolation by continuous representation[J]. IEEE Transactions on Geoscience and Remote Sensing， 2024，62： 3431439. LUIJ seismic reconstruction via deep learning with one-dimensional signal representation[J]. Computers amp; Geosciences，2025，200：105916.

[38]ZHANG M，LIU Y.3-D seismic data recovery via neural network -based matrix completion[J]. IEEE Geoscience and Remote Sensing Letters，2O22，19： 1-5.

[39]CHEN G，LIU Y. FUDLInter： Frequency-space-dependent unsupervised deep learning framework for 3-D and 5-D seismic data interpolation[J]. IEEE Transactions on Geoscience and Remote Sensing，2024，62： 3435047.

[40]BISWASR，VASSILIOU A，STROMBERGR，et al.Stacking velocity estimation using recurrent neural network[C]//SEG Technical Program Expanded Abstracts，2018，37：2241-2245.

[41]PARK M J，SACCHI M D. Automatic velocity analysis using convolutional neural network and transfer learning[J].Geophysics，2020，85（1）：V33-V43.

[42] QIU C，WU B，MENG D，et al. Attention neural network semblance velocity auto picking with reference velocity curve data augmentation[C] //2021 IEEE International Geoscience and Remote Sensing Symposium IGARSS，2021： 4596-4599.

[43]WANG H，ZHANG J，ZHAO Z，et al. Automatic velocity picking using a multi-information fusion deep semantic segmentation network[J]. IEEE Transactions on Geoscience and Remote Sensing，2022，60：1-10.

[44］張昊，朱培民，顧元，等．基于深度學習的地震速度 譜自動拾取方法[J].石油物探，2019，58（5）：724- 733. ZHANG Hao，ZHU Peimin，GU Yuan，et al.Velocity auto picking from seismic velocity spectra based on deep learning[J]. Geophysical Prospecting for Petroleum，2019，58（5）：724-733.

[45］楊彤遠，姚茂敏，吳海生．基于自動編碼器自動拾取 地震速度譜技術研究[C]//中國石油學會物探技術研 討會論文集，2019. YANG Tongyuan，YAO Maomin，WU Haisheng. Research on automatic pickup seismic velocity spectrum technology based on autoencoder[C]//Geophysical Exploration Technology Seminar of China Petroleum Society，2019.

[46] ZHANG H，ZHU P，GU Y，et al.Automatic velocity picking based on deep learning[C]//SEG Technical Program Expanded Abstracts，2019，38：2604- 2608.

[47]YUAN Y，LI Y，FANG X， et al. Automatic velocity picking based on improved mask R-CNN[J]. IEEE Transactions on Geoscience and Remote Sensing， 2023，61：1-12.

［48］諸峰，程前，李帥帥，等．基于深度學習的地震偏移 噪聲壓制研究[J].地球物理學進展，2022，37（2）： 746-755. ZHU Feng，CHENG Qian，LI Shuaishuai，et al. Research on noise suppresson of seismic migration based on deep learning[J]. Progress in Geophysics，2022， 37（2）： 746-755.

L4J」 NAUNI JIVILL 11/1IVI iast aiguiumn for elastic wave-mode separation using deep learning with generative adversarial networks（GANs）[J]. Journal of Geophysical Research：Solid Earth，2021， 126（9）：e2020JB021123.

[50] SUNZ，GUB，ZHANGY，et al.P/S wavefield separation using modified U-Net based on ConvNeXt architecture[J]. Journal of Applied Geophysics，2023， 217：105185.

[51]WANG W，MA J. PS decomposition of isotropic elastic wavefields using CNN -learned filters[C] // 8lst EAGE Conferenceamp; Exhibition，2019.

[52] SUNJ，YANGJ，HUANG J，et al. Generative adversarial network-enhanced directional seismic wavefield decomposition and its application in reverse time migration[J].Geophysics，2024，89（3）： S235-S250.

[53]TAO B，YANG Y， ZHOU H，et al. Deep learningbased upgoing and downgoing wavefield separation for vertical seismic profile data[J]. Geophysics，2023， 88（6）：D339-D355.

[54]LIU W，CHENG Q，LIU L，et al. Accelerating highresolution seismic imaging by using deep learning[J]. Applied Sciences，2020，10（7）：2502.

[55]HUH，LIQ，FUL Y，et al.Data-driven full-bandwidth seismic data recovery using deep -learning in acoustic reverse time migration[C]. SEG 2O21 Workshop：4th International Workshop on Mathematical Geophysics： Traditional amp; Learning，2021： 122-125.

[56] CHENG S，SHIX，MAO W，et al.Elastic seismic imaging enhancement of sparse 4C ocean-bottom node data using deep learning[J]. IEEE Transactions on Geoscience and Remote Sensing，2O23，61： 1-14.

[57] YU Y，LI Y，WU X，et al. Enhancing one-way wave equation-based migration with deep learning[J].Geophysics，2023，88（1）： WA105-WA114.

[58] VAMARAJUJ，VILAJ，ARAYA-POLOM，etal. Minibatch least-squares reverse time migration in a deep-learning framework[J].Geophysics，2O21，86（2）： S125-S142.

[59] TORRES K， SACCHI M. Least - squares reverse timemigration via deep learning-based updating operators[J]. Geophysics，2022，87（6）： S315-S333.

[60] SUNJ，YANG J，HUANG J，et al.LsmGANs： image-domain least-squares migration using a new frameworkof generative adversarial networks[J]. IEEE Transactions on Geoscience and Remote Sensing，2023，61： 1-13.

[61] SUNJ，YANG J，HUANGJ，et al.PsfDeconNet： high-resolution seismic imaging using point-spread function deconvolution with generative adversarial netWorks[J]. IEEE Transactions on Geoscience and Remote Sensing，2024，62：1-9.

[62]LI J，WU X，HU Z.Deep learning for simultaneous seismic image superresolution and denoising[J]. IEEE Transactions on Geoscience and Remote Sensing， 2022，60：1-11.

[63] MINF，WANGL，PAN S，et al. D2UNet：Dual decoder U-Net for seismic image super-resolution reconstruction[J]. IEEE Transactions on Geoscience and Kemote Sensing，zUz3，b1： 1-13.

[64] WANG Y，ZHANGG，CHEN T，et al. Data and model dual-driven seismic deconvolution via error-constrained joint sparse representation[J].Geophysics， 2023，88（4）：V345-V359.

[65] CHENH，GAOJ，JIANGX，etal.Optimization-inspired deep learning high-resolution inversion for seismic data[J]. Geophysics，2021，86（3）：R265-R276.

[66] CHENH，SACCHIMD，LARIHH，et al.Nonstationary seismic reflectivity inversion based on prior-engaged semisupervised deep learning method[J]. Geophysics，2023，88（1）： WA115-WA128.

[67］孫永壯，黃，俞偉哲，等．基于U-Net網絡的端到 端地震高分辨率處理技術[J].地球物理學進展， 2021，36（3）：1297-1305. SUN Yongzhuang，HUANG Jun， YU Weizhe，et al. End-to-end high-resolution seismic processing method based on U-Net network[J]. Progress in Geophysics， 2021，36（3）：1297-1305.

[68] ZHANGH，ALKHALIFAHT，LIUY，etal.Im proving the generalization of deep neural networks in seismic resolution enhancement[J]. IEEE Geoscience and Remote Sensing Letters， 2023，20： 7500105.

[69]CHOI Y，JO Y，SEOL S J，et al. Deep learning spectral enhancement considering features of seismic field data[J]. Geophysics，2021，86（5）： V389-V408.

[70]HAMIDAA，ALFARRAJM，AL-SHUHAILAA， et al.Facies-guided seismic image super-resolution[J]. IEEE Transactions on Geoscience and Remote Sensing，2023，61： 1-13.

[71] GAOY，ZHANG J，LIH，et al. Incorporating structural constraint into the machine learning high-resolution seismic reconstruction[J]. IEEE Transactions on Geoscience and Remote Sensing，2022，60：1-12.

[72] LIU D，NIU W， WANG X， et al. Improving vertical resolution of vintage seismic data by a weakly supervised method based on cycle generative adversarial network[J]. Geophysics，2023，88（6）： V445-V458.

[73] WANG M，XU S，ZHOU H.Self-supervised learning for low frequency extension of seismic data [C]/SEG Technical Program Expanded Abstracts， 2020，39：1501-1505.

[74] CHENG S，WANGY，ZHANGQ，et al.A self-supervised learning framework for seismic low-frequency extrapolation[J]. Journal of Geophysical Research： Machine Learning and Computation， 2024，1（3）： e2024JH000157.

[75] GOODFELLOWIJ，POUGET-ABADIEJ，MIRZA M，et al. Generative adversarial nets[C]//NIPS'14： Proceedings of the 27th International Conference on Neural Information Processing Systems，2O14：2672- 2680.

[76] OLIVEIRADAB，FERREIRARS，SILVAR，et al.Improving seismic data resolution with deep generative networks[J]. IEEE Geoscience and Remote SensingLetters，2019，16（12）：1929-1933.

[77] PANZ，YUW，WANG B，et al.Loss functions of generative adversarial networks （GANs）： Opportunities and challenges[J]. IEEE Transactions on Emerging Topics in Computational Intelligence，2020，4（4）： 500-522.

[78］HO J，JAIN A，ABBEEL P.Denoising diffusion probabilistic models[J].Advances in Neural Information Processing Systems，2020，33： 6840-6851.

[79]SUN B，ALI A M，ALKHALIFAH T. Enhancing seismic image resolution using Brownian diffusion bridge model[C]//Fourth International Meeting for Applied Geoscience amp;Energy Expanded Abstracts， 2024：2058-2062.

[80]ZHANG HR，LIUY，SUNYH，etal.SeisResoDiff：Seismic resolution enhancement based on a diffusion model[J].Petroleum Science，2024，21（5）：3166- 3188.

[81] WU X，LIANG L， SHI Y， et al. FaultSeg3D： using synthetic data sets to train an end-to-end convolutional neural network for 3D seismic fault segmentation[J]. Geophysics，2019，84（3）：IM35-IM45.

[82] GUILLON S，JONCOUR F，GOUTORBE P，et al.Reducing training dataset bias for automatic fault detection[C]//SEG Technical Program Expanded Abstracts，2019，38： 2423-2427.

[83] 陳桂，劉洋．基于人工智能的斷層自動識別研究進 展[J].地球物理學進展，2021，36（1）：119-131. CHEN Gui，LIU Yang. Research progress of automatic fault recognition based on artificial intelligence [J].Progress in Geophysics，2021，36（1）： 119-131.

[84] PHAM N， FOMEL S. Seismic data augmentation for automatic fault picking using deep learning[J]. Geophysical Prospecting，2023，72（1） ： 125-141.

[85] YANG J，WU X，BI Z，et al. A multi-task learming method for relative geologic time，horizons，and faults withprior information and transformer[J]. IEEE Transactions on Geoscience and Remote Sensing， 2023，61： 1-20.

[86] MUSTAFAA，RASTEGARR，BROWNT，et al. Visual attention guided learning with incomplete labels for seismic fault interpretation[J]. IEEE Transactions on Geoscience and Remote Sensing，2024，62：1-12.

[87] DOUY，LIK，DONG M，et al.FaultSSL：seismic fault detection via semi-supervised learning[J].Geophysics，2024，89（3）： M79-M91.

[88] DOUY，LI K. 3D seismic fault detection via contrastive -reconstruction representation learning[J]. Expert Systems with Applications，2024，249： 123617.

[89] CUNHA A，POCHET A，LOPES H，et al. Seismic fault detection in real data using transfer learning from a convolutional neural network pre-trained with synthetic seismic data[J]. Computers amp;. Geosciences， 2020，135：104344.

[90] DOU Y，LI K，ZHU J，et al.MD loss：efficient training of 3-D seismic fault segmentation network under sparse labels by weakening anomaly annotation[J]. IEEE Transactions on Geoscience andRemote Sensing，2022，60：1-14.

[91] WANG S，SIX，CAI Z，et al. Structural augmentation in seismic data for fault prediction[J].Applied Sciences，2022，12（19）：9796.

[92] 王靜，張軍華，蘆鳳明，等．構建三維深度監督網絡 的斷層檢測方法[J].石油地球物理勘探，2021，56（5）： 947-957. WANG Jing，ZHANG Junhua，LU Fengming，et al. Research on fault detection method based on 3D deeply supervised network[J]. Oil Geophysical Prospecting，2021，56（5）：947-957.

[93] WANG Z，LIB，LIUN，et al.Distilling knowledge from an ensemble of convolutional neural networks for seismic fault detection[J]. IEEE Geoscience and Remote Sensing Letters，2020，19：1-5.

[94] 馬江濤，劉洋，張浩然．地震相智能識別研究進展 [J].石油物探，2022，61（2）：262-275. MA Jiangtao，LIU Yang， ZHANG Haoran. Research progress on intelligent identification of seismic facies [J].Geophysical Prospecting for Petroleum，2022， 61（2）： 262-275.

[95]劉仕友，宋煒，應明雄，等．基于密度的含噪聲角道 集波形聚類地震相分析[J].石油物探，2019，58（5）： 773-782. LIU Shiyou，SONG Wei，YING Mingxiong，et al. Seismic facies analysis for angle gathers based on DBSCAN waveform clustering[J]. Geophysical Prospecting for Petroleum，2019，58（5）：773-782.

[96] 桑凱恒，張繁昌，李傳輝．地震倒譜特征參數譜聚類 地震相分析方法[J].石油地球物理勘探，2021，56（1）： 38-48. SANG Kaiheng，ZHANG Fanchang，LI Chuanhui. Seismic facies analysis based on cepstrum characteristic parameters and spectral clustering[J]. Oil Geophysical Prospecting，2021，56（1） ： 38-48.

[97] SARASWAT P，SEN MK. Artificial immune-based self-organizing maps for seismic-facies analysis[J]. Geophysics，2012，77（4）： O45-053.

[98] ZHAO T，LI F，MARFURT K J. Constraining self-organizing map facies analysis with stratigraphy： Anapproach to increase the credibility in automatic seismic facies classification[J]. Interpretation，2017， 5（2）： T163-T171.

[99] QIANF，YIN M，LIU XY，etal.Unsupervised seismic facies analysis via deep convolutional autoen coders[J]. Geophysics，2018，83（3）： A39-A43.

[100]DUANY，ZHENG X，HUL，et al.Seismic facies analysis based on deep convolutional embedded clustering[J]. Geophysics，2019，84（6）： IM87-IM97.

[101]LIJ，WUX，YEY，et al.Unsupervised contrastive learning for seismic facies characterization[J].Geophysics，2023，88（1）：WA81-WA89.

[102]HUAH，QIANF，ZHANGG，et al.Unsupervised seismic facies analysis via class-imbalanced deep embedding clustering[J]. IEEE Geoscience and Remote Sensing Letters，2023.

[103] WRONA T，PANI，GAWTHORPE RL，et al. Seismic facies analysis using machine learning[J]. Geophysics，2018，83（5）： O83-095.

[104] WALDELAND A U，JENSEN A C，GELIUS L J，et al. Convolutional neural networks for automated seismic interpretation[J]. The Leading Edge， 2018，37（7）：529-537.

[105] DRAMSCH J S，LUTHJE M. Deep-learning seisC lacies On state-or-uie-aitt N arcmectures_]// SEG Technical Program Expanded Abstracts，2018， 37：2036-2040.

[106]ZHANG H，CHEN T，LIU Y，et al.Automatic seismic facies interpretation using supervised deep learning[J].Geophysics，2021，86（1）： IM15-IM33.

[107]ZHAO T. Seismic facies classification using different deep convolutional neural networks[C]//SEG Technical Program Expanded Abstracts，2018，37：2046- 2050.

[108] ALAUDAHY，MICHALOWICZP，ALFARRAJ M，et al.A machine-learning benchmark for facies classification[J]. Interpretation，2019，7（3）： SE175- SE187.

[109]ZHANG Y，LIU Y，ZHANG H，et al. Seismic facies analysis based on deep learning[J]. IEEE Geoscience and Remote Sensing Letters，2019，17（7）：1119- 1123.

[110] XU T，ZHOU H，LIU X，et al. Seismic facies identification based on Res-Unet and transfer learning[J]. Progress in Geophysics，2024，39（1）：319 -333.

[111]KAUR H，PHAM N，FOMEL S，et al. A deep learning framework for seismic facies classification [J].Interpretation，2023，11（1）：T107-T116.

[112] GUTIERREZG，ASTUDILLOC，NAPOLIO， et al.Applying the transformer architecture for semantic segmentationofseismic facies[C]//85th EAGE Annual Conferenceamp; Exhibition，2024.

[113] ALSWAIDANZ，ALFARRAJM，LUQMAN H. Geology -constrained dynamic graph convolutional networks for seismic facies classification[J].Computersamp;Geosciences，2024，184：105516.

[114] GAO Z，WANG K，WANG Z， et al. Optimizing seismic facies classification through differentiable network architecture search[J]. IEEE Transactions on Geoscience and Remote Sensing，2024， 62： 4502312.

[115] 蔡涵鵬，胡浩煬，吳慶平，等．基于疊前地震紋理特 征的半監督地震相分析[J].石油地球物理勘探， 2020，55（3）：504-509. CAI Hanpeng，HU Haoyang，WU Qingping，et al. Semi-supervised seismic facies analysis based on prestack seismic texture[J]. Oil Geophysical Prospecting，2020，55（3）：504-509.

[116] MUSTAFA A，ALREGIB G. Active learming with deep autoencoders for seismic facies interpretation[J]. Geophysics，2023，88（4）：IM77-IM86.

[117]ALAUDAHY，ALFARRAJM，ALREGIBG. Structure label prediction using similarity -based retrieval and weakly supervised label mapping[J].Geophysics，2019，84（1）：V67-V79.

[118] CHIKHAOUIK，ALFARRAJM. Self-supervised learning for efficient seismic facies classification[J]. Geophysics，2024，89（5）： IM61-IM76.

[119]LIU M，JERVIS M，LI W，etal.Seismic facies classification using supervised convolutional neural networks and semisupervised generative adversarial networks[J].Geophysics，2020，85（4）： O47-058.

[120] LIK，LIU W，DOUY，et al.CONSS： Contrastive learning method for semi-supervised seismic facies CIaSSICauUILJJ. IEEE JUuIaI U1 SEIeCteu 1 OpICS Applied Earth Observations and Remote Sensing， 2023，16： 7838-7849.

[121] PHAM N，FOMEL S，DUNLAPD.Automatic channel detection using deep learning[C]//SEG Technical Program Expanded Abstracts，2018，37：2026- 2030.

[122] 張玉璽，蒲勇，繆志偉，等．基于深度學習的三維河 道識別及刻畫[C]//中國石油學會物探技術研討會 論文集，2021：1043-1046. ZHANG Yuxi，PU Yong，MIAO Zhiwei，et al.3D river channel identification and characterization based on Deep Learning[C]//Geophysical Exploration Technology Seminar of China Petroleum Society，2021： 1043-1046.

[123]LIH，YANG W，ZHANG X，etal.A ResNetbased method for complex channel interpretation in seismic volumes[J]. IEEE Geoscience and Remote Sensing Letters，2022，19： 1-5.

[124]GRAMSTAD O，NICKEL M. Automated interpretation of top and base salt using deep convolutional networks[C]//SEG Technical Program Expanded Abstracts，2018，37：1956-1960.

[125]SHI Y，WU X，FOMEL S. Automatic salt-body classification usingdeep-convolutional neural network [C]//SEG Technical Program Expanded Abstracts， 2018，37： 1971-1975.

[126] ZHANG Y，LIU Y，ZHANG HR，et al.Automatic salt dome detection using U -net[C] //81st EAGE Conference amp; Exhibition，2019.

[127] YER，CHAYH，DICKENST，et al.Multi-channel convolutional neural network workflow for auto matic salt interpretation[C]//SEG Technical Program Expanded Abstracts，2019，38：2428-2433.

[128] 張玉璽，劉洋，張浩然，等．基于深度學習的多屬性 鹽丘自動識別方法[J].石油地球物理勘探，2020， 55（3），475-483. ZHANG Yuxi，LIU Yang，ZHANG Haoran，et al. Multi-attribute automatic interpretation of salt domes based on deep learning[J]. Oil Geophysical Prospecting，2020，55（3）： 475-483.

[129]ZHANG H， ZHU P，LIAO Z，et al.SaltISCG： Interactive salt segmentation method based on CNN and Graph Cut[J]. IEEE Transactions on Geoscience and Remote Sensing，2022，60：1-14.

[130]XU Z，LIK，LIY，et al.3D Salt-net： a method for salt body segmentation in seismic images based on sparse label[J]. Applied Intelligence，2O23，53（23）： 29005-29023.

[131]MUSTAFAA，ALFARRAJM，ALREGIBG.Es timation of acoustic impedance from seismic data using temporal convolutional network[C]//SEG Technical Program Expanded Abstracts，2019，38：1780- 1784.

[132] DAS V，POLLACK A，WOLLNER U，et al. Convolutional neural network for seismic impedance inversion[J]. Geophysics，2019，84（6）： R869-R880.

[133] WANGL，MENGD，WUB. Seismic inversion via closed -loop fully convolutional residual network and transfer learning[J]. Geophysics，2021，86（5）：R671- R683.

[134]SMITHR，NIVLETP，ALFAYEZ H，et al. Robust deep learning-based seismic inversion workflow using temporal convolutional networks[J]. Interpretation，2022，10（2）： SC41-SC55.

[135] MUSTAFA A，ALFARRAJ M，ALREGIB G. Joint learning for spatial context-based seismic inver sion of multiple data sets for improved generalizability and robustness[J].Geophysics，2021，86（4）：O37 048.

[136] WANGQ，WANGY，AOY，et al. Seismic inver sion based on 2D -CNNs and domain adaption[J]. IEEETransactions on Geoscience and Remote Sensing，2022，60：1-12.

[137] ZHANG J，LI J，CHEN X，et al. Robust deep learning seismic inversion with a priori initial model constraint[J].GeophysicalJournalInternational， 2021，225（3）：2001-2019.

[138] CAO D，SU Y，CUI R. Multi-parameter pre-stack seismic inversion based on deep learning with sparse reflection coefficient constraints[J]. Journal of Petroleum Science and Engineering，2022，209：109836.

[139]ALFARRAJ M，ALREGIB G.Semisupervised sequence modeling for elastic impedance inversion[J]. Interpretation，2019，7（3）： SE237-SE249.

[140] ZHANGH，YANGP，LIUY，et al.Deep learningbased low-frequency extrapolation，and impedance inversion of seismic data[J]. IEEE Geoscience and Remote Sensing Letters，2022，19： 7505905.

[141] WANG Y，GEQ，LU W，et al. Well-logging constrained seismic inversion based on closed-loop convolutional neural network[J]. IEEE Transactions on Geoscience and Remote Sensing，2020，58（8） ：5564- 5574.

[142] GE Q，CAO H，YANG Z，et al. High-resolution seismic impedance inversion integrating the closed - loop convolutional neural network and geostatistics： anapplication to the thin interbedded reservoir[J]. Journal of Geophysics and Engineering，2O22，19（3）： 550-561.

[143] SONG C，LUM，WANGY，et al.Adynamic time warping loss-based closed-loop CNN for seismic im pedance inversion[J]. IEEE Transactions on Geoscience and Remote Sensing，2022，60：1-13.

[144] MENG D，WU B，WANG Z，et al. Seismic impedance inversion using conditional generative adver sarial network[J].IEEE Geoscience and Remote Sensing Letters，2021，19：1-5.

[145] WANG YQ，WANG Q，LUW，et al. Seismic impedance inversion based on cycle-consistent generative adversarial network[J]. Petroleum Science，2022， 19（1）： 147-161.

[146] WANG Z，WANG S，ZHOUC，et al. Dual Wasserstein generative adversarial network condition：A generative adversarial network-based acoustic im pedance inversion method[J]. Geophysics，2022， 87（6）：R401-R411.

[147] WANGY，WANGQ，LUW，et al.Physics-constrained seismic impedance inversion based on deep learning[J]. IEEE Geoscience and Remote Sensing Letters，2021，19：1-5.

[148]SUY，CAO D，LIU S，et al. Seismic impedance inversion based on deep learning with geophysical constraints[J].Geoenergy Science and Engineering， 2023，225：211671.

[149] BISWASR，SEN MK，DASV，et al.Prestack and poststack inversion using a physics-guided convolutionalneuralnetwork[J]. Interpretation，2Ol9，7（3）： SE161-SE174.

[150] GE Q，CAO H，YANG Z，et al. Deep-learningbased prestack seismic inversion constrained by AVO attributes[J]. IEEE Geoscience and Remote Sensing Letters，2024，21： 3001405.

[151] WANG Y，WANG Y. Spectral decomposition and multifrequency joint amplitude-variation-with-offset inversion based on the neural network[J]. Geophysics，2023，88（3）：R373-R383.

[152]SUNY，LIUY，DONGH，et al. Seismic AVO in version method for viscoelastic media based on a tandem invertible neural network model[J]. IEEE Transactions on Geoscience and Remote Sensing，2024， 62：5903418.

[153]LUOY，LIU X，MENG H，et al. Multitask seismic inversion based on deformable convolution and generative adversarial network[J]. IEEE Geoscience and Remote Sensing Letters，2024，21： 3002105.

[154]SUNY，LIU Y. Model-data-driven AVO inversion method based on multiple objective functions[J]. Applied Geophysics，2021，18（4）：525-536.

[155] LIUJ，SUNY，LIUY.Model-data-driven seismic inversion method based on small data[J]. Petroleum Exploration and Development，2022，49（5）：1046- 1055.

[156] ARAYA-POLO M，JENNINGS J，ADLERA，et al. Deep-learning tomography[J]. The Leading Edge， 2018，37（1）：58-66.

[157]YANG F，MA J. Deep-learning inversion： A nextgeneration seismic velocity model building method [J]. Geophysics，2019，84（4）： R583-R599.

[158] WUY，LINY. InversionNet：An efficient and accu rate data -driven full waveform inversion[J]. IEEE Transactions on Computational Imaging， 2020，6： 419-433.

[159] ZHANG W，GAO J. Deep-learning full- waveform inversion using seismic migration images[J]. IEEE Transactions on Geoscience and Remote Sensing， 2022，60：1-18.

[160] RAISSI M，PERDIKARISP，KARNIADAKIS G E.Physics-informed neural networks：A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations [J].Journal of Computational Physics，2Ol9，378： 686-707.

[161] YAOJ，WARNERM，WANGY.Regularization of anisotropic full-waveform inversion with multiple parameters by adversarial neural networks[J]. Geophysics，2023，88（1）：R95-R103. based gradient-free multiparameter reflection full waveform inversion[C]//First International Meeting for Applied Geoscience amp;. Energy Expanded Abstracts，2021： 1369-1373.

[163] SUNB，ALKHALIFAHT. ML-misfit：A neural network formulation of the misfit function for fullwaveform inversion[J]. Frontiers in Earth Science， 2022，10：1011825.

[164] CHENY，SCHUSTERGT.Seismic inversion by Newtonian machine learning[J]. Geophysics，2020， 85（4）：WA185-WA200.

[165] MOSSER L，DUBRULE O，BLUNT M J. Stochastic seismic waveform inversion using generative adversarial networks as a geological prior[J]. Mathematical Geosciences，2020，52（1）：53-79.

[166] WUY，MCMECHANG A. Parametric convolutional neural network-domain full-waveform inversion [J].Geophysics，2019，84（6）： R881-R896.

[167]DHARA A， SEN MK. Physics-guided deep autoencoder to overcome the need for a starting model in full-waveform inversion[J].The Leading Edge， 2022，41（6）：375-381.

[168] YANGF，MA J. FWIGAN：full-waveform inversion via a physics-informed generative adversarial network[J].Journal of Geophysical Research：Solid Earth，2023，128（4）： e2022JB025493.

[169] TIAN W，LIU Y，DI X. Enhancing seismic waveform inversion using a three-step strategy with adversarial neural networks and seismic envelope[J]. IEEE Geoscience and Remote Sensing Letters，2O24，21： 1-5.

[170] KUHNS，CRACKNELLMJ，READING AM. Lithologic mapping using Random Forests applied to geophysical and remote-sensing data： a demonstration study from the Eastern Goldfields of Australia[J]. Geophysics，2018，83（4）：B183-B193.

[171]HUSSEIN M，STEWART R，SACREY D，et al. Unsupervised machine learning using 3D seismic data applied to reservoir evaluation and rock type identification[J]. Interpretation，2021，9（2）：T549-T568.

[172］周鵬，曹俊興，劉俊，等．基于遠減近衰減梯度屬性 與 Bi-LSTM神經網絡聯合的隱蔽河道砂體識別方 法[J].地球物理學進展，2022，37（5）：2129-2137. ZHOU Peng，CAO Junxing，LIU Jun，et al.Concealed channel sand body identificationmethod based on the combination of far minus near attenuation attributes and Bi-LSTM neural network[J]. Progress in Geophysics，2022，37（5）：2129-2137.

[173]LIZ，DENG S，HONGY，etal.A novel hybrid CNN-SVM method for lithology identificationin shale reservoirs based on logging measurements[J]. Journal of Applied Geophysics，2024，223：105346.

[174]DUBOIS M K，BOHLING G C，CHAKRABARTI S. Comparison of four approaches to a rock facies classification problem[J]. Computers Geosciences，2007，33（5）：599-617.

[175] BULAND A，KOLBJORNSEN O，HAUGE R，et al.Bayesian lithology and fluid prediction from seisIIc prestack uataLj」. Geopnysics，zuvo，（o（o）： C10- C21.

[176] ZHONG Z，SUN A，WU X. Inversion of time - lapse seismic reservoir monitoring data using CycleGAN：a deep learning-based approach for estimating dynamic reservoir property changes[J]. Journal of Geophysical Research：Solid Earth，2020，125（3）： e2019JB018408.

[177] 安鵬，曹丹平，趙寶銀，等．基于LSTM循環神經 網絡的儲層儲層參數預測方法研究[J].地球物理學 進展，2019，34（5）：1849-1858. AN Peng，CAO Danping，ZHAO Baoyin，et al. Reservoir physical parameters prediction based on LSTM recurrent neural network[J]. Progress in Geophysics，2019，34（5）：1849-1858.

[178］付超，林年添，張棟，等．多波地震深度學習的油氣 儲層分布預測案例[J].地球物理學報，2018，61（1）： 293-303. FU Chao，LIN Niantian， ZHANG Dong，et al. Prediction of reservoirs using multi-component seismic data and the deep learning method[J].Chinese Jour nal of Geophysics，2018，61（1） ： 293-303.

[179］楊柳青，陳偉，查蓓．利用卷積神經網絡對儲層孔 隙度的預測研究與應用[J].地球物理學進展， 2019，34（4）： 1548-1555. YANG Liuqing，CHEN Wei， ZHA Bei. Prediction and application of reservoir porosity by convolutional neural network[J]. Progress in Geophysics，2019， 34（4）： 1548-1555.

[180] 邵蓉波，肖立志，廖廣志，等．基于遷移學習的地球 物理測井儲層參數預測方法研究[J].地球物理學 報，2022，65（2）：796-808. SHAO Rongbo，XIAO Lizhi，LIAO Guangzhi，et al.A reservoir parameters prediction method for geophysical logs based on transfer learning[J]. Chinese Journal of Geophysics，2022，65（2）：796-808.

[181] CHENG B， XU T，LUO S，et al. Method and practiceofdeep favorable shalereservoirs prediction based on machine learning[J]. Petroleum Exploration and Development，2022，49（5）：1056-1068.

[182]FENG R，HENSENT M，GRANA D，et al. An unsupervised deep -learning method for porosity estimation based on poststack seismic data[J].Geophysics，2021，86（6）： M97-M105.

[183] 楊菲，劉洋，常鎖亮，等．基于雙向GRU和注意力 機制的疊前地震孔隙度預測方法[J].石油物探， 2024，63（3）：598-609. YANG Fei，LIU Yang，CHANG Suoliang，et al. Prestack seismic porosity prediction method based on bidirectional GRU and attention mechanism[J]. Geophysical Prospecting for Petroleum，2024，63（3）： 598-609.

[184］曾濱鑫，肖暉，郝子眉，等．基于VAE-BiGRU-Attention模型的儲層孔隙度預測一 —以中—低滲砂巖 儲層為例[J].地球物理學進展，2025，40（2）：658- 669. ZENG Binxin，XIAO Hui，HAO Zimei，et al.Reser voir porosity prediction using the VAE-BiGRU-Attention model： An example study of middle-low permeability sandstone reservoir[J]. Progress in Geo physics，2025，40（2）：658-669.

[185] CHEN Y，ZHANG D. Physics-constrained deep learning of geomechanical logs[J]. IEEE Transactions onGeoscience andRemote Sensing，2020，58（8） ： 5932-5943.

[186] 徐旺林，龐雄奇，呂淑英，等．動態概率神經網絡及 油氣概率分布預測[J].石油地球物理勘探，2005， 40（1）：65-70. XU Wanglin，PANG Xiongqi，LYU Shuying，et al. Dynamic probabilistic neural network and predicting proabilisticof oil/gas[J].Oil GeophysicalProspecting，2005，40（1）：65-70.

[187] 周雪晴，張占松，朱林奇，等．基于雙向長短期記憶 網絡的流體高精度識別新方法[J].中國石油大學學 報（自然科學版），2021，45（1）：69-76. ZHOU Xueqing，ZHANG Zhansong，ZHU Linqi， etal.A newmethod for high-precision fluid identification in bidirectional long short -term memory netWork[J].Journal of China University of Petroleum （Edition of Natural Science），2O2l，45（1）： 69-76.

[188] RUSSELL B H，HEDLINk，HILTERMANF J， et al.Fluid -property discrimination with AVO：A Biot-Gassmann perspective[J]. Geophysics，2003， 68（1）：29-39.

[189] RUSSELL B H，GRAY D，HAMPSONDP. Linearized AVO and poroelasticity[J]. Geophysics， 2011，76（3）：C19-C29.

[190] YINX，ZHANG S. Bayesian inversion for effective pore-fluid bulk modulus based on fluid-matrix decoupled amplitude variation with offset approximation [J].Geophysics，2015，79（5）： R221-R232.

[191] 孫宇航，劉洋，陳天勝．基于無監督深度學習的多 波AVO反演及儲層流體識別[J].石油物探，2021， 60（3）： 385-394. SUN Yuhang，LIU Yang，CHEN Tiansheng. MultiWave amplitude-versus-offset inversion and reservoir fluid identification based on unsupervised deep learning[J]. Geophysical Prospecting for Petroleum， 2021，60（3）：385-394.

[192] WANG G，CARR TR，JUY，et al. Identifying or ganic-rich Marcellus Shale lithofacies by support vectormachine classifier in the Appalachian basin[J]. ComputersGeosciences，2014，64：52-60.

[193] 李兆亮，柳金城，王琳，等．基于神經網絡的復雜儲 層流體分級識別[J].斷塊油氣田，2020，27（4）：498- 500. LI Zhaoliang，LIU Jincheng，WANG Lin，etal. Fluidhierarchical identification of complex reservoir based on neural network method[J]. Fault-Block Oil amp;Gas Field，2020，27（4）：498-500.

[194] 趙忠泉，賀振華，萬曉明，等．基于敏感地震屬性波 形分類的流體預測研究[J].西南石油大學學報（自 然科學版），2016，38（3）：75-81. ZHAO Zhongquan，HE Zhenhua，WANG Xiaoming， etal.A study on fluid prediction based on theclassification of sensitive seismic attributes[J]. Journal of Southwest Petroleum University （Science amp;TechnologyEdition），2016，38（3）：75-81.

[195] GAOS，XUM，ZHAOL，et al.Seismic predic tionsof fluids via supervised deep learning：Incorporating various class-rebalance strategies[J]. Geophysics，2023，88（4）：M185-M200.

[196] GAOH，WUX，ZHANGJ，etal.ClinoformNet1.O：stratigraphic forward modeling and deep learning forseismicclinoformdelineation[J].GeoscientificModel Development，2023，16（9）：2495-2513.

[197] GUOZ，WUX，LIANGL，etal. Cross-domain foundation model adaptation： pioneering computer vision models for geophysical data analysis[J].arXiv preprint arXiv： 2408.12396，2024.

（本文編輯：謝結來）

作者簡介

劉洋教授，博士生導師，1972年生；1993年獲江漢石油學院勘查地球物理專業學士學位，1998年獲石油大學（北京）應用地球物理專業博士學位；現就職于中國石油大學（北京）人工智能學院，主要從事地震模擬與反演、VSP與多波多分量地震、人工智能地震資料處理與解釋方法的研究。