本发明属于地下结构探测，具体是涉及基于深度学习的航空瞬变电磁三维反演方法。
背景技术：
1、航空瞬变电磁法(airborne transient electromagnetics,atem)是一种时间域电磁感应地球物理探测方法。atem空间覆盖范围广，采样密集，且其在飞行中同步观测，施工效率高，对复杂地形适应性强，在山区、沙漠、丘陵、湖泊以及植被覆盖等地区的勘测工作中具有独特优势，这使得其在各个基础建设领域中都具有广阔的应用前景。
2、尽管在过去的三十年里，学者们围绕着atem反演开展了大量的研究，并取得了显著的进展，但仍然存在一系列亟待解决的问题。一方面，野外实测atem数据的反演通常以一维层状介质为基础，在地下异常体的三维效应、数据误差以及地形起伏的影响下，不同观测点的反演结果可能会存在较大差距，导致反演剖面横向连续性较差，且可能产生明显的虚假异常，给地质地球物理解释综合解释带来极大的困难；另一方面，三维反演虽然能够提供更为精细的地下介质电阻率分布信息，但在实际应用中仍充满挑战，主要的原因在于：i.计算量巨大：通常来说，满足实际勘探需求的网格数量一般在20w以上，用目前高性能的cpu一次求解时间约在10分钟左右(以intel(r)core i9-12900k 3.20ghz为例)，若采集的数据的时间通道为30，观测点为100，一次三维反演的时间至少10小时，难以满足atem海量数据的实时反演需求；ii.参数影响较大：反演时，发射电流波形、电流大小、线圈面积、线圈形态、飞行高度的设置需要与实际情况准确匹配，否则可能导致反演结果产生较大偏差；iii.容易陷入局部极小：瞬变电磁三维反演通常采用梯度类反演，其寻优过程容易陷入局部极小，导致观测数据拟合程度不足，数据解译较差，反演结果可靠性较低；难以给出不确定性估计。
3、近年来多个研究已经成功地将深度学习算法应用于航空瞬变电磁一维反演，然而，dl技术应用于三维atem反演仍然面临极大的挑战。不同于图像分类、自然语言处理等领域，深度学习应用于复杂物理系统、工程问题时，通常会面临缺少训练样本的问题。为了解决该问题，许多学者通过数值模拟来合成足够多的样本标签；然而对于三维不均匀地球模型，地下电阻率结构千变万化，难以构建出足够数量的且具有代表性的训练数据集来使得神经网络学习数据集的所有关键特征，而公开的地下真实电性模型又相对较少，这就导致dl预测结果通常比传统的反演方法表现出更差的数据拟合度。然而，对于三维atem反演，目前已有的基于dl技术的三维电磁反演技术主要针对特定的区域和场景，或采用参数化反演，应用范围有限。因此，当前的瞬变电磁实际应用仍然以一维反演为主，而进一步发展深度学习方法，以适用于地球物理高维反问题是当前atem三维反演成像及其实际应用的迫切需求。
技术实现思路
1、为解决上述技术问题，本发明提供了基于深度学习的航空瞬变电磁三维反演方法，采用化整为零的思想，将大尺度区域分解为多个局部三维模型，并对其训练和预测，形成最终的大尺度三维模型；能够实现大面积目标区域三维电阻率结构快速探测，有效提高计算效率及基于dl的三维反演迁移能力，有望突破当前三维atem探测成像中遇到的瓶颈。
2、本发明所述的基于深度学习的航空瞬变电磁三维反演方法，包括以下步骤：
3、步骤1、将待探测的目标区域分解为多个局部区域三维模型；
4、步骤2、随机生成大量地下电阻率模型，并对所述地下电阻率模型进行正演计算得到tem响应，构建各个局部区域三维模型的训练数据集；
5、步骤3、构建深度学习网络模型，对各个局部区域三维模型分别进行训练；
6、步骤4、对各个局部区域三维模型分别进行反演，然后将反演后的各个局部区域三维模型重组成最终的三维模型。
7、进一步的，步骤2中，利用随机模型生成算法生成地下电阻率模型，具体步骤为：
8、步骤2-1、随机产生层状电阻率模型r(l)，电阻率大小随深度渐变增加，最小电阻率范围服从均匀分布u(log10(1),log10(100))ω·m，电阻率变化范围也服从均匀分布u(log10(100),log10(10000))ω·m；
9、步骤2-2、随机产生三维模型网格m，每个网格的值随机分布，得到随机噪声模型；
10、步骤2-3、对三维模型进行平滑；
11、步骤2-4、将平滑后的模型的每一层数据进行归一化处理，数值分布[0,1]；
12、步骤2-5、假设tem的分辨率随深度成指数衰减，对每层模型数据进行如下处理：m(l)＝(1.0+m(l)*wight*e^(-τl))*r(l)；
13、其中l代表层数，τ代表衰减指数，τ越大表示深度的模型越平滑；wight控制整体平滑度，每一层都相同，每个模型不同，取值范围在[0.2,1]；m为三维不均匀分布的电阻率模型，且随着深度增加，电阻率变化越平缓；r(l)表示电阻率随深度变化的函数；
14、步骤2-6、利用八叉树网格对m进行最近邻插值，得到可以用于快速数值模拟的模型。
15、进一步的，步骤3中，所述深度学习网络模型，其左右各4层，一共包含14个卷积层，3个池化层，3个转置卷积层；relu激活函数作用于卷积层的输出；卷积操作之后使用batch_normilization对数据进行标准化；对倒数三层的神经元权重使用l2正则化处理；最后用标签label和预测结果predi之间的均方误差作为判断unet性能的指标：
16、mse＝‖predi-label‖2+λ‖predi‖2。
17、进一步的，步骤4中，进行反演的区域大小和测点分布与训练集一致；反演之后的结果按照原有的顺序重新拼接，不同局部区域之间重合部分的反演结果按照加权平均值处理；最终重建待探测的目标区域三维反演模型。
18、本发明所述的有益效果为：本发明所述方法提出基于小尺度区域构建训练集，降低了地电模型的复杂程度，提高了神经网络的泛化能力，极大的提高了计算效率，能够为实时反演奠定基础；本发明设计的随机模型生成算法构建了训练集，该算法可以给出符合tem分辨率电阻率模型，减少了反演的非唯一性，提高了深度学习的准确率，极大的降低了反演结果对于先验参数的依赖，反演结果更加稳定可靠；本发明提出的算法可以基于海量数据atem反演可以给出大量符合观测资料的预测模型，对模型进行统计分析可以得到模型的不确定度，这对于评估反演结果的可靠性具有重要意义；本发明提出的方法极大地降低了训练数据集中地电模型的训练复杂度，通过损失函数的设计，使得模型训练和预测更加稳定，满足正则化反演的内在需求，提高了dl的预测精度以及泛化能力，能够适用于更一般的情况。
1.基于深度学习的航空瞬变电磁三维反演方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度学习的航空瞬变电磁三维反演方法，其特征在于，步骤2中，利用随机模型生成算法生成地下电阻率模型，具体步骤为：
3.根据权利要求1所述的基于深度学习的航空瞬变电磁三维反演方法，其特征在于，步骤3中，所述深度学习网络模型，其左右各4层，一共包含14个卷积层，3个池化层，3个转置卷积层；relu激活函数作用于卷积层的输出；卷积操作之后使用batch_normilization对数据进行标准化；对倒数三层的神经元权重使用l2正则化处理；最后用标签label和预测结果predi之间的均方误差作为判断unet性能的指标：
4.根据权利要求1所述的基于深度学习的航空瞬变电磁三维反演方法，其特征在于，步骤4中，进行反演的区域大小和测点分布与训练集一致；反演之后的结果按照原有的顺序重新拼接，不同局部区域之间重合部分的反演结果按照加权平均值处理；最终重建待探测的目标区域三维反演模型。
