地球物理通过观测数据去探测不同尺度的未知地质目标。

对于绝大多数地球物理方法而言，探测目标的特征属性和观测数据之间并不存在线性的对应关系，而是一种非线性的映射。

因而，转换并解释地球物理数据一直是地球物理面临的难题。

虽然数学和计算技术发展提高了地球物理数据的转换或反演精度，使解释模型的正演结果能够更高精度地拟合观测数据，但难以在本质上突破非线性映射的局限。

另一方面，地球物理数据每时每刻都在海量增长，依托传统的人工甄选和提取数据已变得越来越不现实，这为机器智能在地球物理中推广应用带来了全新的机遇。如何提高地球物理数据处理效率和准确度是地球物理普遍关心的问题。

而由于神经活动能够通过学习和记忆快速对复杂事件作出简单的逻辑判断，早在上世纪40年代，来自伊利诺伊大学Mc Clloch和芝加哥大学Pitts基于数学和一种称为阈值逻辑的算法创造了一种神经网络的计算模型（McCulloch and Pitts,1943),并由此开创了人工神经网络（常被简称为神经网络）学科。

由于多层神经网络训练的可能性在60年代被否定，神经网络领域的研究在70年代基本处于停滞状态。

直到80年代，反向传播算法的提取开启了神经网络的第二次研究高潮。

人工神经网络是一类优势突出的非线性动力学系统,能高度并行处理模拟的、模糊的和随机的信息，求满意解而不是精确解，具有自组织和自学习的能力。

与传统地球物理数据处理方法相比，神经网络的优势在于不需要对收集到的信息进行限制，也不需要对映射进行先验限制，只要网络经过训练就可以直接从数据得到我们感兴趣的信息。

其中，如今广泛应用于深度神经网络结构的卷积神经网络（CNN）思想则源自于上世纪60年代，1990年LeCun等人提出用卷积核来提取图像特征从而减少网络计算量，之后在1998年正式提出卷积神经网络这一概念。

2006年，Hinton和Salkhutdinov解决了传统方法深层神经网络难以训练的困难,开启了深度学习的新时代。

由于卷积神经网络的飞速发展，已在各个行业广泛应用，在地球物理中的应用也已从地震勘探拓展到地球电磁学和位场方法等多个领域。

先从卷积神经网络在地震勘探领域中的应用谈起。自20世纪40年代以来，地震勘探一直是勘探地球物理的主战场，也是现代科技试验田和前沿阵地。

在1991年SEG年会上，神经网络更是被列为“90年代技术突破”四类新兴技术之一。

经过30年的发展，以卷积神经网络为代表的神经网络已在地震勘探广泛应用，在初至拾取与结构识别2个方面发展相对完善。

一、在初至拾取中的应用研究

初至拾取是估计地震事件位置及层析成像或矩张量反演等其他工作流程所必需的先期工作,本质上是一个模式识别过程，人工识别初至需耗费大量人力和时间，随着地震数据的大量生成和积累，人工拾取已无法完成，因此许多学者不断地探索自动化拾取初至的方法。

Murat等首次将人工神经网络成功地应用于噪声背景下的初至波提取。

首先选取一个窗口来计算初至波(FB)的属性或特征(例如STA/LTA比和自回归系数;方差,偏度和峰度;幅度,相位和频率),再将这些属性作为ANN的输入,神经网络便可通过属性进行分类。

此后人工神经网络甚至卷积网络在初至拾取的有效性被多个团队所验证。神经网络的优势在于一旦训练完成，处理效率相较于人工处理有极大提高。McCormack等发现训练好的网络三维数据集拾取效率相较人工拾取提高了8倍。

在这两位学者之后，相关研究主要基于2个方面：提高神经网络的训练和处理速度与拾取准确度。训练速度方面，利用逻辑模糊网络能保证不损失准确度的同时提升训练速度。

Kahrizi等发现在准确度上MLP（多层感知器）表现出色，但在训练速度上RBF（径向基）神经网络更有优势。

准确度方面，Yuan等与Duan等指出前人对于地震相拾取的研究都是基于单道的，利用卷积神经网络我们可进行多道数据分析；

Zhe等利用级联算法拾取地震初至，级联算法的优势在于其收敛速度快且不需要调整网络结构。

Maity等人设计了一种新的混合自动拾取网络结构，发现神经网络在低信噪比情况下，表现比其他方法更稳定。

二、基于图像处理的地下结构识别

从地震图像中圈定断层是地震构造解释、储层描述和布井的关键步骤。

地球科学家通常用一个或多个地震属性来判断三维地震图像中的断层，若所用属性不能很好地将断层与周围非断层区域区分开来，有可能导致错误解释结果。

卷积神经网络的优势在于无需选择地震属性，直接建立原始地震信号与断层分布之间的映射，并且随着数据增多，CNN对噪声和不同模式的断层识别能力会越来越强。

Wu等提出一种基于卷积神经网络二维地震图像的断层自动解释方法。对于同一地震图像相比于常规方法的结果，CNN能够给出更清晰、更连续断层的特征，甚至在更复杂的情况下，CNN仍然能够很好地预测断层分布。

Di等利用CNN原始叠后地震振幅建立地震信号与断层分布之间的映射关系，并将CNN与其他方法进行对比。

结果表明，CNN的分类结果最接近手动解释结果。Guitton等设计了一个3D卷积神经网络（3DCNN），它在自动估计地震体特征方面非常有效，可帮助完成分类任务。

前人已证明CNN在断层特征识别的有效性。为提升网络性能，Shi等在每次卷积后都对结果进行正则化处理;Wu等采用U型网络实现三维地震图像的断层识别，并使用了二元交叉熵损失函数平衡实际地震数据中0（非断层）和1（断层）之间的高度不平衡，这样能使网络对有断层的地震数据更为敏感。

随着地震数据的增长，需要新的平台对数据进行管理。

而Huang等建立了一个基于云的地震数据分析平台，该平台可管理地震数据、计算地震属性、进行特征提取和选择，并应用深度学习软件包（TensorFlow和Caffe）来推断地下结构特征，为进一步工作打下坚实基础。

尽管CNN能够有效地从原始地震数据中识别断层，但离实际应用还有一定距离，仍需要评估已训练模型的有效性。

因此Shi等指出，今后可利用贝叶斯分割网络(Bayesian Segnet)对模型的不确定性进行评估以提高推断地下结构的可信度。

综上小结，以卷积神经网络为代表的神经网络在地震勘探中的应用研究趋于成熟，并可以见得它发挥出了显著的优势。

而相对于地震勘探领域而言，重磁电（重力、磁法和电法）领域面对的数学物理问题更为复杂，方法种类和成果图像也有更多的不确定性。

因而虽然神经网络在非地震勘探中发展历程和地震相似，但进展更为缓慢，还有很大的拓展空间。

Ucan et al(2002)首次将遗传细胞神经网络（GCNN）应用于磁异常分离中。Elawadi et al(2001）利用反向传播神经网络估计微重力数据探测空美国Medford洞穴腔中心的深度，估算参数与钻探证实吻合良好。

Osman et al(2006）提出了利用神经网络确定引起重力异常的地下结构参数的方法。

Albora等人（2001）、刘展等人（2010）将细胞神经网络（CNN）这一现代图像处理技术应用于合成的布格异常图，实例测试了卷积神经网络的性能，其结果与钻井记录相吻合。

神经网络在地电学的应用主要分为两方面：大地电磁测深时间序列处理和电导率模型反演。Carlos和Mrinal K.Sen在2000年提出用一个两层的前馈神经网络学习一维垂直电测深数据与地下电导率模型的映射。

Singh等人（2010）用神经网络来学习合成的二维电阻率数据，将其运用于野外的垂直电阻率测深中发现人工神经网络方法得到的深度和电阻率结构与已知的钻井结果和地质边界有很好的相关性。

相比于传统的方法，人工神经网络更加快速且稳定。

与此同时，神经网络在大地电磁反演也有成功的应用。Poulton等人（1992）利用神经网络对目标的电磁椭圆度图像进行偏移量、深度和导电面积积的估计。

Hidalgo等人（1994）首次提出用神经网络学习一维MT模型映射，结果表明对于最复杂的一维MT曲线形式（H型）。

神经网络反演速度快，反演精度高，但是在实际解释中没有先验信息如何去选择合适的训练过的神经网络依然是一个难题。

Shimelevich等人（2019）评估了神经网络在三维地电反演中的表现，认为神经网络不依赖于所应用的反演方法的模糊度（误差）的估计，可以计算得到反问题的近似解，但是反演精度不尽人意。

此外神经网络还能识别大地电磁时间序列剔除其中的噪声。电导率结果的可靠性主要取决于电磁场数据的噪声量。如果采用人工处理的方法需要观察时间序列然后手动删除异常数据，这需要大量的时间和人力。

为了解决这一问题，Manoj和Nagarajian(2003）提出利用人工神经网络来实现电场测深数据时间序列自动化编辑，但电磁噪声可能不符合正态分布。

为了解决这一问题学者们不断地提出许多人为消除电磁干扰的方法，在时间域和频域中采用了交替加权估计，从而消除了两个域中异常值的影响。Varentsov(2003）等人还提出了一种估计多个台站同时观测的电磁传递函数的快速鲁棒算法。

显然，目前神经网络在地球物理领域中的研究取得了一定的成效，但也需承认它的局限性。

例如人们测量的物理场数据都是基于特定的观测参数,在对数据处理时,传统的地球物理方法可以添加先验信息来限制多解性,但是目前在神经网络算法中,如何解决该问题还存在着讨论，这些有待我们后来者去做进一步探索。