放大镜式时间域航空电磁法反演关键技术研究

航空电磁法以其效率高、适应性强等特点，广泛用于地质填图、矿产资源勘查以及环境监测等领域。我国山区较多，地形复杂，航空电磁法作为一种快速经济的勘查工具在我国具有广泛的应用前景。.本项目针对时间域航空电磁法，以电导率深度成像结果为初始模型，研究逼近实测数据的神经网络反演方法。选取初始模型邻域内的地球物理模型及响应作为训练样本集，在逼近实测数据过程中，借鉴放大镜 "局部放大"的工作模式，对训练样本集进行"局部放大"，缩小训练样本集范围，细化地球物理模型参数网格，直到反演模型响应与实测数据的相对误差满足给定精度。同时为解决数据量大可能造成的网络拥堵、训练速度慢等问题，研究时间域航空电磁数据的特征值提取技术。.本项目将解决时间域航空电磁法反演的关键技术问题，提供一套切实可行的时间域航空电磁数据反演解释算法，为我国矿产资源、水资源的快速勘查提供有力的技术支撑。

针对：1）时间域航空电磁数据量大，逐点迭代式反演耗时长；2）传统神经网络反演虽然速度快，但无法控制反演结果的数据拟合精度；本项目研究了基于神经网络的放大镜式反演算法，逼近实测数据，解决了传统神经网络反演中无法对数据拟合误差进行控制等问题。.本项目采用主成分分析法，提取了时间域航空电磁数据的主成分特征，用少量主成分代表航空电磁数据，降低了数据道间的相关性，压制了数据中的不相关噪声，减少数据量；以电导率深度成像结果为初始模型，研究了厚度与电导率交替调整的Zohdy反演算法，数据道数即为反演模型的层数，根据模型参数增量对拟合误差的影响，确定了反演过程中模型参数的调整方向，分别进行了模型的各层厚度整体调整，以及各层电导率的整体调整，直到达到给定的数据拟合精度；基于Zohdy反演法，在初始模型参数的某一增量邻域内，建立大地模型群，代替Zohdy反演中模型参数调整的多组大地模型，形成时间域航空探测的“模型—响应”样本集；利用神经网络的逼近任意函数功能，以“模型—响应”样本集作为神经网络的训练样本集，逼近“模型—响应”的映射关系，避免了传统反演算法中雅克比矩阵的复杂计算；鉴于主成分的不相关性以及数据量少的特点，以“主成分-大地模型”作为神经网络的“输入—输出”，网络结构简单，并且获得了优于“电磁数据—大地模型”神经网络的反演结果；在神经网络反演过程中，以数据拟合精度作为迭代约束条件，借鉴放大镜的“局部放大”工作模式，在一轮神经网络反演结束后，计算其拟合精度，进一步缩小大地模型训练样本集范围，细化模型参数网格，建立新的训练样本集及新的神经网络，从而形成多级神经网络反演体系。.本项目在理论研究的基础上，针对各种层状模型的反演实例，对比研究了Zohdy反演法、基于主成分的神经网络反演法、基于数据的神经网络反演法以及各种放大镜式反演模式进行的神经网络反演方法，仿真研究结果表明，基于主成分-神经网络的放大镜式反演方法具有不断逼近理论模型的优势，能够获得最好的反演效果，特别是对于含噪的航空电磁数据，具有较好的鲁棒性。准二维模型和实测数据的反演实例，进一步表明了采用主成分-神经网络，以放大镜式反演模式进行反演，不仅整个一条测线可以用一个神经网络实现快速反演，而且仅用一轮放大镜式反演就能够满足实用精度。.本项目培养了硕士研究生3名，博士研究生1名，发表了学术论文4篇，其中SCI检索2篇。