1.一种基于多尺度特征融合的重力异常三维反演方法,其特征在于,包括:
随机生成具有不同数量、密度、尺寸和形状的密度异常体,得到地下介质三维密度模型;
对地下介质三维密度模型正演,得到地表的二维重力异常数据;
以地下介质三维密度模型为输出,二维重力异常数据为输入训练多尺度特征融合模型,所述多尺度特征融合模型包括二维编码器与三维解码器,以及位于二维编码器与三维解码器之间的维度转换器和多尺度特征融合器;
将实测的二维重力异常数据输入到训练后的多尺度特征融合模型,反演得到受物理范围约束的三维密度体;
多尺度特征融合器从输入到输出依次包括第二三维卷积层、第二残差模块以及三维空洞空间金字塔池化模块,用于融合多尺度空间特征;
对多尺度特征融合模型采用数据损失项与物理损失项共同约束模型的损失函数,所述数据损失项表示为:,其中为数据集数量,表示第个数据集的反演结果,为数据集对应的地下介质三维密度模型;
物理损失项表示为:,表示第个数据集的反演结果后正演得到的重力响应,表示第个数据集对应的二维重力异常数据。
2.根据权利要求1所述的一种基于多尺度特征融合的重力异常三维反演方法,其特征在于,所述二维编码器采用多个级联的分编码模块,每个分编码分模块依次包括第一二维卷积层、第一通道注意力机制模块、第一残差模块和第二二维卷积层,二维编码器的一个分编码模块的输出作为另一个分编码模块的输出,通过逐级的方式降低分辨率,并提取重要通道的特征。
3.根据权利要求2所述的一种基于多尺度特征融合的重力异常三维反演方法,其特征在于,通过所述第一二维卷积层,将输入的二维重力异常数据进行卷积运算,并通过非线性激活函数处理,与输入的二维重力异常数据一起输入到第一通道注意力机制模块;
通过所述第一通道注意力机制模块对输入的数据,使用通道的全局平均池化,对数据进行自适应校准,再分别通过第一个全连接层和第二个全连接层加权处理,将高维数据重要通道的特征赋予更高权重;
通过第一残差模块和第二二维卷积层,输出高维且低分辨率的深层特征。
4.根据权利要求1所述的一种基于多尺度特征融合的重力异常三维反演方法,其特征在于,所述维度转换器从输入到输出依次包括第三二维卷积层、维度转换层以及第一三维卷积层,将二维编码器输出的数据从二维数据特征维度提升至三维数据特征维度。
5.根据权利要求4所述的一种基于多尺度特征融合的重力异常三维反演方法,其特征在于,所述维度转换层通过通道扩展将二维特征升维,并被重塑为三维张量,通过第一三维卷积层建立三维张量的空间相关性。
6.根据权利要求1所述的一种基于多尺度特征融合的重力异常三维反演方法,其特征在于,所述三维空洞空间金字塔池化模块包括3D空洞卷积分支、全局平均池化和特征融合操作,所述3D空洞卷积分支采用四个不同空洞率的并行分支提取多尺度空间特征,全局平均池化提取每个特征通道的全局特征,将多尺度空间特征与全局特征融合,输出经过特征融合后的特征图。
7.根据权利要求1所述的一种基于多尺度特征融合的重力异常三维反演方法,其特征在于,所述三维解码器采用渐进式三维上采样结构,包括多个解码模块,每个解码模块包括上采样层、三维残差模块卷积单元、第二通道注意力模块和第三三维卷积层,多个解码模块用于对多尺度空间特征建立大尺度结构框架后,逐级恢复中小尺度边界。
8.根据权利要求7所述的一种基于多尺度特征融合的重力异常三维反演方法,其特征在于,所述上采样层采用三线性插值增加特征图的空间分辨率,在插值阶段后,应用三维残差卷积单元细化特征图,使用第二通道注意力模块增强特征图的通道间相关性。