基于多尺度卷积网络的探地雷达双参数实时反演方法

本发明属于探地雷达反演，涉及探地雷达地球电磁数据的快速反演算法，具体涉及一种基于多尺度卷积网络的探地雷达数据双电性参数实时反演方法。

背景技术：

1、探地雷达是一种用于探测浅层电性结构的可靠的非侵入性勘探方法，通过发射天线向地下发射高频电磁波，利用接收天线记录电磁波在遇到电性异常体或分界面时的回波，通过提取和分析反射波信号的到时、振幅和相位信息来获取地下结构的几何信息和电性特性。探地雷达凭借其快速经济的数据采集方式、高分辨率的成像精度和对恶劣探测环境的适应性等优势，已在地下水调查、考古勘探、军事目标定位和行星探测等领域得到广泛应用。

2、探地雷达采样效率高、应用领域广，使用人员为了提高决策的及时性和可靠性，对成像算法速度和精度的需求十分迫切。目前常用的探地雷达数据解释方法主要分为偏移和全波形反演。偏移作为一种基于波动方程数值模拟的成像技术，将回波信号反向传播，利用零时刻的波场成像地下结构，将同相轴归位到真实的反射界面。然而，由于偏移通常使用平均速度代替缺失的真实速度结构，复杂地质环境中偏移成像精度不理想；并且偏移在重构波场的过程不会真实复原其幅值，因此，偏移仅可以还原目标的几何信息，而无法获得其电性特征。为了同时获得几何和电性结构，传统的全波形反演通过构建模型和目标函数，利用优化算法最小化数据与回波信号的不匹配来反演地下结构。然而，传统全波形反演的不适定性及目标泛函的高度非线性导致算法容易陷入局部最优，并且传统全波形反演在每次迭代中需要正演更新模型响应，其耗时和内存严重影响全波形反演的实用化。

3、深度学习作为一种端到端的全局寻优算法，具备强大的特征提取和表征学习能力。不同于传统的全波形反演需要模拟波场和计算梯度来更新模型，基于深度学习的全波形反演通过构建神经网络学习模型与数据间的非线性映射；此外，由合成数据训练完毕的反演网络可直接应用于实测数据反演，为技术人员在野外数据采集和实践过程提供实时有效的质量监控。

4、一些研究已尝试基于深度学习的全波形反演。liu等(2020, gprinvnet: deeplearning-based ground-penetrating radar data inversion fortunnel linings.ieee transactions on geoscience and remote sensing, 59(10), 8305-8325)使用神经网络反演隧道衬砌环境中采集的探地雷达数据，获得目标的介电常数；leong&zhu(2021, direct velocity inversion of ground penetrating radar data usinggprnet.journal of geophysical research: solid earth, 126(6), e2020jb021047)利用卷积网络根据零偏移探地雷达数据反演介质的介电常数；hu等(2022, reconstructingunseen spaces in collapsed structures for eearch and rescue viadeep learningbased radargram inversion, automation in construction, 140, 104380)利用生成对抗网络增强训练数据后采用u-net网络反演目标介电常数。然而，迄今为止，所有基于深度学习的全波形反演都存在两点缺陷：首先，将地下介质的电阻率结构简单限定为均匀半空间的高阻体，只反演介电常数，显然，在未考虑电阻率变化对电磁波振幅衰减的前提下，反演网络仅使用部分波场特征，增加了反演的不稳定性和多解性；其次，zhang等(2021,robust deep learning seismic inversion with apriori initial model constraint.geophysical journal international, 225(3), 2001-2019)已经证明加入先验地质信息约束的深度学习反演可以增强方法的泛化能力、可移植性和稳健性，然而，现有的基于深度学习的全波形反演仅依赖于探地雷达数据作为唯一的输入。

5、综上所述，现有的探地雷达数据解释方法仍存在明显的局限性，难以实现精准和高效的探地雷达反演。

技术实现思路

1、为了克服现有技术的缺陷，本发明提供了一种基于多尺度卷积网络的探地雷达双参数实时反演方法，其针对数据特征建立合适的网络结构，结合地质和地球物理先验知识构建初始模型和合成数据，实现海量探地雷达数据的实时双参数反演。该方法的智能化程度高，使用门槛低，鲁棒性强，计算速度快且结果精准，能够支持将探地雷达数据实时转化为介电常数和电导率模型。

2、本发明采用的技术方案是：

3、一种基于多尺度卷积网络的探地雷达双参数实时反演方法，针对探地雷达数据建立匹配的网络结构，结合先验信息建立初始模型，使用合成样本训练网络，选择合适的训练集规模和训练周期；将目标调查区域的初始模型和探地雷达数据输入至训练好的网络，反演区域内的介电常数和电阻率模型；具体步骤包括：

4、a. 生成合成双参数数据样本集，包括：

5、a1. 根据常规地质环境中介质的相对介电常数和电阻率范围，生成空间深度域的合成双参数模型(合成双参数模型即指合成相对介电常数模型和合成电阻率模型)；

6、a2. 对合成双参数模型进行光滑，获得合成初始双参数模型；

7、a3. 根据探地雷达观测系统参数，正演模拟合成双参数模型的零偏移距探地雷达响应数据；

8、a4. 压制合成探地雷达响应数据中的直达波，并进行带通滤波，进一步得到探地雷达正演响应 s；

9、a5. 将合成双参数模型和合成初始双参数模型由空间深度域转化到时间深度域，进一步得到时间深度域的合成双参数模型(即合成相对介电常数和电阻率模型)，以及时间深度域的合成初始双参数模型(即合成初始相对介电常数和电阻率模型)；

10、由步骤a1-a5生成合成双参数数据样本，作为多尺度卷积网络的训练数据；包括：时间深度域的合成相对介电常数和电阻率模型(步骤a1、a5)，时间深度域的初始相对介电常数和电阻率模型(步骤a2、a5)，探地雷达正演响应 s(步骤a3、a4)。

11、b. 基于计算机视觉语义分割网络(采用deeplabv3+网络)建立用于探地雷达双参数实时反演的多尺度卷积网络模型：

12、实现探地雷达双参数实时反演的多尺度卷积网络主体采用编-解码器结构，网络输入数据包括：探地雷达响应数据 s、初始相对介电常数和初始电阻率模型，输出数据为：网络预测的相对介电常数和电阻率模型。输入与输出层的维度由数据和模型的时间采样点数目确定。多尺度卷积网络内部包含一个空洞空间卷积池化金字塔模块和三个功能不同的子网络：数据特征提取子网络、模型特征提取子网络和电性参数解码子网络。首先，数据特征提取子网络结合空洞空间卷积池化金字塔模块凭借网络深度与卷积层的空洞特性以多种感知野捕获探地雷达响应数据中的全面和准确的多尺度特征；其次，模型特征提取子网络会依据输入的初始模型获得包含地质先验信息的模型特征；最后，电性参数解码子网络将模型特征与多尺度数据特征沿通道方向进行拼接和融合，并利用融合后包含地质与地球物理信息的特征预测介电常数和电阻率模型。

13、c. 选择合适的训练集规模和训练周期，训练用于探地雷达双参数实时反演任务的多尺度卷积网络模型：

14、基于步骤a，生成不同规模的数据集训练网络模型；将训练数据馈入网络模型，迭代调整网络参数以降低网络预测结果(即网络预测的相对介电常数和电阻率模型)与目标结果(即合成相对介电常数和电阻率模型)之间的损失函数，直至网络收敛。具体是：将合成的探地雷达正演响应 s和初始相对介电常数和电阻率模型输入至多尺度卷积网络，得到网络预测的相对介电常数和电阻率结果。迭代调整网络参数降低损失函数的误差，令网络预测结果逼近目标结果。

15、根据误差下降状态，综合权衡网络的训练效率和表现性能，选取恰当的训练集规模和训练周期，完成网络训练。

16、d. 网络反演效果评估：

17、根据网络预测结果与目标结果之间的拟合误差以及其对应的探地雷达正演响应的拟合误差，定量评估网络性能。

18、e. 实测探地雷达数据反演；

19、基于调查区域的地质背景构建初始模型，然后直接利用步骤c中训练好的网络，对该区域所采集的探地雷达数据进行反演，实时获取目标区域地质的相对介电常数和电阻率结构。

20、按照上述步骤，完成基于多尺度卷积网络的探地雷达双参数反演，实时、精准地将观测数据转化为对应的介电常数和电阻率模型。

21、本发明的核心创新点包括：1）按照步骤a1-a5的顺序，生成合成数据集的方法；2）步骤b中，基于计算机视觉语义分割网络(deeplabv3+网络)，搭建用于探地雷达双参数实时反演任务的多尺度卷积网络；3）步骤c中，构建网络预测结果与目标结果之间的损失函数，训练多尺度卷积网络；4）步骤d中，用于定量评价网络预测结果以及对应正演响应准确性的方法；5）步骤e中，如何将训练好的网络应用于目标区域实测探地雷达数据的反演。

22、作为一种优选方案，所述步骤a1中，合成双参数模型包含4-14个随机地层，每层相对介电常数和电阻率的参数范围分布在3-36和50-5000ω·m之间(当地层中含水或空气时会导致参数范围分布出现极端值，在测试方法对极端值的泛化能力时，参数范围可以分别扩展至1-81和10-10000ω∙m)，合成的相对介电常数和电阻率模型具有结构一致性。

23、作为一种优选方案，所述步骤a2中，使用滑动平均方法获得合成初始双参数模型。

24、作为一种优选方案，所述步骤a3中，使用基于多核并行的时域有限差分算法根据合成双参数模型正演模拟探地雷达响应数据。

25、作为一种优选方案，所述步骤a4中，使用锥形余弦窗口压制合成探地雷达响应的直达波，并且采用0.5倍和2倍的发射天线中心频率作为带通滤波的截止频率。

26、作为一种优选方案，所述步骤a5中，根据已有的相对介电常数与电磁波速度的关系，将合成相对介电常数模型转为合成速度模型，表示为：

27、  (1)

28、其中3×108m/s，代表了真空中的电磁波速度。根据时间采样长度，将合成双参数模型和合成初始双参数模型由空间深度域转化到时间深度域。

29、作为一种优选方案，所述步骤b中，数据特征提取子网络是基于计算机视觉领域具备出色的表征能力的xception网络进行改进，数据特征提取子网络使用深度可分离卷积配合残差连接，降低计算复杂度和减少所需储存资源，能够帮助网络加速收敛和避免梯度消失，同时确保卓越的特征提取能力。

30、作为一种优选方案，所述步骤b中，模型特征提取子网络采用了典型的编码器结构，使用三层卷积和最大池化网络来压缩模型特征，提取有效信息，并且在每个卷积层中都采用随即丢弃来避免网络训练过程中出现过拟合。

31、作为一种优选方案，所述步骤b中，电性参数解码子网络采用典型的解码器结构，由四层卷积和三层上采样网络组成，其中通道数不断减少的卷积网络用于将分布于多通道的特征融合，上采样网络则用于恢复特定时间维度的电性模型。

32、作为一种优选方案，所述步骤b中，空洞空间卷积池化金字塔是具有多个平行分支的结构，分别采用空洞率为1、4、6和12的卷积网络以及平均池化网络来感知特征图的多尺度信息，随后由不同分支获取的特征图沿通道方向进行拼接并重新通过卷积网络进行聚合，聚合后的多尺度特征会被紧密的级联在一起，从而获得具有不同感知野的信息。

33、作为一种优选方案，所述步骤c中，本发明设计的用于训练多尺度卷积网络所采用的损失函数是：

34、   (2)

35、其中，为探地雷达数据训练集样本数目，代表训练集样本中的第个样本，为每个样本的时间采样点数目，代表每个样本的第个时间采样点，和分别代表网络预测的相对介电常数和电阻率模型结果，和分别代表合成相对介电常数和电阻率模型结果，和分别代表了在第个样本的第个时间采样点的网络预测的相对介电常数和电阻率模型结果，和代表了在第个样本的第个时间采样点的合成相对介电常数和电阻率模型结果， w和 b分别表示网络中待训练的传递矩阵和偏置向量。

36、作为一种优选方案，所述步骤c中，采用adam优化算法实施网络的训练，初始学习率设置为0.0001，规定如果5次迭代后测试集的损失函数没有下降，则学习率缩小为原来的一半。

37、作为一种优选方案，所述步骤c中，本发明自主开发采用模型均方根百分比误差(rmspemodel)监测网络反演效果随训练周期的变化情况，rmspemodel定义如下：

38、   (3)

39、其中，和分别代表网络预测的双参数模型(即和)和合成双参数模型(即和)；和代表第个时间采样点的合成相对介电常数和电阻率模型结果；和代表第个时间采样点的网络预测的相对介电常数和电阻率模型结果。

40、采用不同规模的训练集训练网络，统计每种规模的训练集的训练耗时以及所对应的rmspemodel曲线的下降趋势，选取最恰当的训练集规模和训练周期，平衡网络预测效果和所需的训练资源。

41、作为一种优选方案，所述步骤c中，采用开源库tensorflow和kears支持多尺度卷积网络的训练和测试。

42、作为一种优选方案，所述步骤d中，鉴于模型参数与探地雷达响应信号在幅度上存在显著的差异，为平衡不同数据之间的量级差异，采用信号均方根百分比误差(rmspesignal)评价探地雷达响应数据的拟合程度：

43、       (4)

44、其中，和分别代表网络预测双参数模型和合成双参数模型对应的第个时间采样点的探地雷达响应数据。

45、与现有技术相比，本发明的有益效果：

46、通过本发明所提供的多尺度卷积网络，支持将零偏移距的探地雷达响应数据鲁棒、准确地翻译为介电常数和电阻率的双参数结构，提高了探地雷达响应数据的利用程度，能够获得目标更丰富的电性特征，减少反演的多解性；同时显著提升了探地雷达数据的反演效率，避免了传统算法对梯度的计算和模型空间的搜索，支持野外采集数据的现场实时成像；另外，该网络在应用阶段无需人工干预调参，自动化程度高，使用门槛低，有利于算法的普及和推广。综合测试结果表明该方法能够充分发挥探地雷达技术高效精确的优势，为探地雷达数据的实时介电常数和电阻率成像提供支撑。