地震反演是用于构建储层参数模型、构造分析、流体识别等的关键技术。叠后反演和叠前AVO反演是重要的地震反演方法。二者均以算法融合模型,优化得到反演参数,并使之与地下介质中实际数据相似。然而,常规的优化策略通常存在分辨率较低、受地震数据带宽限制、计算成本较高等问题。深度学习凭借其强大的非线性映射能力,直接学习地震数据与目标物理参数之间的映射关系,在一定程度上有效地缓解了这些问题。但由于地震反演固有的多解性、强非线性等地球物理特性以及常规深度学习架构的局限性,基于深度学习的地震反演方法在实现高分辨率的叠后反演、高精度的叠前AVO反演中仍然面临诸多挑战。针对这些传统反演方法和深度学习地震反演方法存在的问题,本文围绕叠后阻抗反演和叠前AVO反演展开研究,具体如下: 首先,针对模型反演和稀疏脉冲反演等方法分辨率低的问题,提出了基于CNN和轻量级Transformer融合架构的半监督叠后反演方法。该方法通过融合具有自适应卷积编码器、转置注意力编码器的轻量级Transformer和多尺度卷积神经网络,并将正演模型纳入反演过程作为循环训练的一部分,令其在有限标签的条件下得到遵循物理规律的反演结果。CNN和轻量级Transformer分别提高网络模型对局部和全局特征的提取能力,实现对局部岩性变化、断层与不连续面、薄层等数据细节特征的提取和构造形态、地层分布等整体趋势特征的提取。该方法以融合多尺度特征的方式,同时保留高频细节和低频结构,从而提高反演精度和分辨率。 其次,针对编码器-解码器结构的网络模型参数量大、反演效率低的问题,提出了基于频率增强通道注意力的傅里叶神经算子的叠后反演方法。基于傅里叶神经算子(FNO)的函数空间映射能力、分辨率不变性和频率增强通道注意力机制(FECA)关注重要特征通道的能力,提高网络模型的效率、表达能力和泛化能力。FECA依据上下文特征动态调整权重分布,实现噪声通道抑制与关键特征增强,关注断层边缘和岩层界面的空间突变等特征。该方法在频域中直接对全频段分量进行全局卷积操作,能够捕获长距离依赖关系的同时实现计算加速,并通过高频过滤来减少模型参数量,从而提高反演效率。 最后,针对模型驱动的叠前AVO反演方法受限于地震数据频带宽度,难以获得高精度反演结果的问题,提出了基于多任务的傅里叶图神经网络并行门控循环单元的叠前AVO反演方法。基于傅里叶图神经网络(FGNN)和门控循环单元(GRU)双通道的多任务学习模式,有效融合频域和时域特征,提高网络模型的性能和表现力。该方法不仅考虑任务相关性,还从图论的角度进行预测,同时捕获数据中的时间依赖性和空间依赖性,从而提高叠前AVO反演精度。