张浩等-Petroleum Science：基于多尺度策略的渐进式伪标签自监督地震波形反演与成像方法

　　在地震成像领域，全波形反演（FWI）与逆时偏移（RTM）是实现地下储层成像的核心技术，但传统方法普遍面临深层照明不足、偏移假象干扰、振幅保真度低等技术瓶颈，尤其在盐下储层、深层复杂构造等勘探难点区域，成像精度难以满足精细勘探需求。此外，传统方法对初始模型依赖性强、计算效率低，制约了其在实际地震数据处理中的规模化应用。然而，人工智能技术与地震成像的深度融合尚未形成成熟的工程化方案，如何通过智能算法突破传统技术局限，实现高精度、高效能的 seismic 成像仍是行业亟待解决的关键问题。

　　针对上述挑战，中国地质科学院地质力学研究所地球科学数据中心张浩与其合作者，开展了基于深度学习的地震数据智能反演成像研究，创新提出了渐进式伪标签自监督深度学习反演（PPS-DLI）框架。该框架将注意力 U-Net 深度学习网络与多尺度频率反演策略深度融合，通过迭代优化的伪标签自监督机制，自动生成训练样本并持续精炼速度模型，无需依赖海量标注数据；结合从低到高的多尺度频率反演方案，先构建稳定的背景速度场，再逐步还原精细构造信息，有效破解了传统方法的技术痛点。通过 Sigsbee 模型、盐丘模型数值试验及实际海洋地震数据验证，系统揭示了智能算法对地震成像质量的提升机制。

　　研究结果表明：（1）PPS-DLI 框架通过深度学习的特征提取与自监督优化能力，显著压制了偏移假象，使成像信噪比提升 30% 以上，深层构造同相轴连续性明显增强；（2）相比传统 FWI 方法，该技术在深层（>2km）及盐下储层成像中表现更优，能够精准还原断层、地层界面等关键地质特征，速度模型反演误差降低至 2% 以内；（3）该方法保留了地震波振幅保真度，为岩性解释提供了可靠的能量特征依据，同时计算效率提升 50% 以上，具备工程化应用潜力。

　　高精度地震成像是深部地质资源勘探开发的前提与基础，随着我国油气与矿产勘探向深层、复杂构造区拓展，成像技术的智能化升级需求日益迫切。本研究创新性地构建了 “深度学习 + 物理约束” 的智能地震成像新范式，突破了传统方法的技术局限，为深部复杂构造高精度成像提供了全新技术路径。

　　

　　图1：PPS-DLI完整工作流程图

　　

　　图2：实际海洋地震数据应用效果

　　

　　该研究成果近日发表于国际石油领域权威期刊Petroleum Science上，我所张浩为通讯作者

　　Li Wenda, Zhang Hao*, Huo Shoudong, et al. Progressive Pseudo-label Self-supervised Waveform Inversion and Imaging Based On Multiscale Strategies: A Marine Data Case Application. Petroleum Science, 2026, 23(7): 3932-3946. https://doi.org/10.1016/j.petsci.2026.03.011.

　　

　　原文链接：https://doi.org/10.1016/j.petsci.2026.03.011