GlobalTomo

GlobalTomo是由北京大学人工智能研究所创建的全球首个3D综合地震波场建模和全波形反演数据集。该数据集包含三个不同复杂度的层级，从基础的声波传播到复杂的全球尺度弹性波传播，覆盖了从地球表面到地核的范围。数据集通过先进的正演模拟优化，生成了高分辨率的地震模拟数据，适用于机器学习社区。GlobalTomo不仅支持快速正演建模和灵活的反演策略，还通过神经算子学习和自动微分技术，显著提高了效率。该数据集的应用领域包括地球内部结构的精确建模和反演，旨在解决全球地震波场建模和全波形反演中的计算挑战。

GlobalTomo is the world's first 3D comprehensive seismic wavefield modeling and full-waveform inversion dataset developed by the Institute of Artificial Intelligence, Peking University. This dataset comprises three hierarchical levels of varying complexity, ranging from basic acoustic wave propagation to complex global-scale elastic wave propagation, covering the entire span from the Earth's surface to the core. Generated via advanced forward modeling optimization, it produces high-resolution seismic simulation data tailored for the machine learning community. GlobalTomo not only supports rapid forward modeling and flexible inversion strategies, but also significantly enhances efficiency through neural operator learning and automatic differentiation technologies. Its application fields include accurate modeling and inversion of Earth's internal structure, aiming to address computational challenges in global seismic wavefield modeling and full-waveform inversion.

搜集汇总

数据集介绍

构建方式

GlobalTomo数据集的构建旨在解决全球地震波场建模和全波形反演中的挑战。该数据集通过使用先进的正演模拟技术，生成了一系列高分辨率的三维合成地震数据。数据集分为三个层级，分别模拟了从地球表面到核心的声波和弹性波传播。每个层级的模型结构都经过精心设计，以反映地球内部的复杂性和异质性。数据生成过程中采用了拉丁超立方采样方法，以确保对参数空间的全面覆盖。数据集的构建过程中还考虑了地球物理参数化，使用球谐函数来有效地表示速度结构，并通过引入扰动来模拟地球内部的三维不均匀性。

特点

GlobalTomo数据集的特点在于其全面性、高分辨率和地球物理参数化。数据集包含了从地球表面到核心的三维地震模拟，涵盖了声波和弹性波方程。数据集的分辨率从局部尺度到全球尺度不等，能够满足不同规模和复杂度的训练和应用需求。此外，数据集还采用了球谐函数来有效地参数化速度结构，并通过引入扰动来模拟地球内部的三维不均匀性。这些特点使得GlobalTomo数据集成为地震波场建模和全波形反演的理想选择。

使用方法

GlobalTomo数据集的使用方法包括地震波场建模和全波形反演。在地震波场建模方面，数据集可以用于训练和评估各种机器学习模型，例如多层感知器、高速公路傅里叶网络和DeepONet。这些模型可以用于预测波场和地震图，从而加速正演模拟过程。在全波形反演方面，数据集可以用于训练和评估各种优化策略，例如梯度下降和多重起始点采样。此外，数据集还可以用于直接映射地震图到速度结构，从而实现更快速和灵活的反演。数据集的使用可以帮助研究人员更好地理解地球内部结构和动力学，并为地震学和相关领域的研究提供支持。

背景与挑战

背景概述

全球地震层析成像（Global seismic tomography）作为地球科学中的一个重要且复杂的领域，通过自然地震产生的地震波来揭示地球内部动力学。然而，传统的全波形反演（Full-Waveform Inversion, FWI）技术在正向建模和伴随模拟方面面临着巨大的计算需求。为了解决这一问题，机器学习（Machine Learning, ML）技术的最新进展为加速FWI的计算效率和扩展其在大规模应用中的适用性提供了巨大的潜力。为了满足这一需求，由李时谦、李志、穆占存等研究人员于2024年6月首次提出了一个名为GlobalTomo的3D全球合成数据集，该数据集专为地震波场建模和全波形层析成像而设计。GlobalTomo数据集涵盖了显式的波物理和强大的地球物理参数化，通过最先进的正向模拟生成，这些模拟优化了3D全球波场计算。通过广泛的分析和建立ML基线，研究人员展示了ML方法特别适合全球FWI，克服了其局限性，实现了快速的正向建模和灵活的反演策略。这项工作代表了跨学科的努力，旨在通过物理-ML建模来增强我们对地球内部的理解。

当前挑战

GlobalTomo数据集面临的挑战主要包括：1)解决领域问题的挑战：地震波场建模和FWI的复杂性，特别是当涉及到高分辨率模型时，计算需求显著增加；2)构建过程中的挑战：为了提高FWI的效率，需要更多的训练数据来支持ML方法。尽管已经引入了一些支持FWI的数据集，但它们大多局限于地下勘探场景，并不能完全代表整个地球的规模，这对于高分辨率波传播建模至关重要。因此，GlobalTomo数据集旨在填补这一空白，通过提供一个全面的高分辨率合成数据集，来促进ML在地球科学中的应用。

常用场景

经典使用场景

GlobalTomo 数据集是首个专为地震波场建模和全波形层析成像量身定制的 3D 全球合成数据集。该数据集在真实全球尺度上集成了明确的波动物理和稳健的地球物理参数化，并通过最先进的正向模拟优化了 3D 全球波场计算。通过广泛的分析和建立机器学习基线，表明机器学习方法特别适合全球全波形层析成像，克服了其局限性，实现了快速的正向建模和灵活的反演策略。

衍生相关工作

GlobalTomo 数据集的发布促进了机器学习在地球科学中的应用。该数据集已被用于训练各种机器学习模型，包括物理信息神经网络和神经算子学习，这些模型可以用于模拟地震波传播和反演地球结构。此外，GlobalTomo 数据集还被用于开发新的机器学习方法，例如直接反演映射，这种方法可以绕过传统的正向建模步骤，进一步提高反演效率。

数据集最近研究

最新研究方向

GlobalTomo数据集的发布为地球物理学与机器学习领域带来了新的研究契机。该数据集旨在解决全球地震波场建模和全波形反演中的计算效率问题，通过机器学习技术提高建模和反演的速度。研究人员已经探索了多种机器学习方法，包括物理信息神经网络(PINN)和神经算子学习，以加速地震波场建模和反演过程。此外，该数据集还支持直接映射观测到的地震图到速度结构，从而可能绕过传统的全波形反演过程。这些研究进展为提高我们对地球内部结构理解的能力提供了新的途径，并为地震预测、资源勘探和灾害风险管理等领域带来了潜在的应用价值。

相关研究论文

• GlobalTomo: A global dataset for physics-ML seismic wavefield modeling and FWI

  北京大学人工智能研究所 · 2024年