固體地球科學(xué)（sEg）既是數(shù)據(jù)驅(qū)動的又是模型驅(qū)動的領(lǐng)域。地球科學(xué)家面臨的最大挑戰(zhàn)之一是如何盡可能多地提取有用的信息，以及如何從數(shù)據(jù)和模擬以及兩者之間的相互作用中獲得新的見解。機器學(xué)習(xí)（ML） 將在這項工作中發(fā)揮關(guān)鍵作用。ML 提供了一套工具來提取知識并從數(shù)據(jù)中得出推論，其算法旨在從經(jīng)驗中學(xué)習(xí)并識別數(shù)據(jù)中的復(fù)雜模式和關(guān)系。

ML算法的兩個主要類別是有監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)。在有監(jiān)督學(xué)習(xí)中，ML算法“學(xué)習(xí)”識別模式使用已知示例進行一般預(yù)測，無監(jiān)督學(xué)習(xí)方法學(xué)習(xí)數(shù)據(jù)集中的模式或結(jié)構(gòu)，而不依賴于標簽特征。無監(jiān)督學(xué)習(xí)通常用于數(shù)據(jù)集中的探索性數(shù)據(jù)分析或可視化，其中沒有或很少有標簽可用，涉及降維和聚類兩種途徑。用于監(jiān)督和無監(jiān)督學(xué)習(xí)的許多不同算法各自具有相對的優(yōu)點和缺點。算法選擇取決于許多因素。雖然在高度精確的圖像識別系統(tǒng)中可能不需要可解釋性，但是當(dāng)目標是獲得對系統(tǒng)的物理洞察時，可解釋性是至關(guān)重要的。

1. 固體地球科學(xué)中的機器學(xué)習(xí)

幾十年來，科學(xué)家們一直在將技術(shù)應(yīng)用于固體地球科學(xué)中的問題。在研究中，研究人員已經(jīng)利用了ML處理各種各樣的任務(wù)，數(shù)據(jù)驅(qū)動的發(fā)現(xiàn)，即從數(shù)據(jù)中提取新信息的能力，是ML用于科學(xué)應(yīng)用的最令人興奮的能力 之一。ML 為科學(xué)家們提供了一套工具，用于發(fā)現(xiàn)科學(xué)數(shù)據(jù)集中不易發(fā)現(xiàn) 的新模式、結(jié)構(gòu)和關(guān)系。建模和反演也可以提供自動預(yù)測的能力，而ML 用于自動化，建模或反演可能會產(chǎn)生新的見解和基本發(fā)現(xiàn)。

2. 監(jiān)督學(xué)習(xí)的方法和趨勢

監(jiān)督學(xué)習(xí)是一組功能強大的工具，已經(jīng)成功地應(yīng)用于自動化、建模、 反演和發(fā)現(xiàn)等主題的應(yīng)用中。研究者用ML算法組織了最近在固體地球科學(xué)中的監(jiān)督學(xué)習(xí)應(yīng)用，大致按照模型復(fù)雜度排序。

2.1 邏輯回歸

目前固體地球科學(xué)在邏輯回歸的相關(guān)研究有：

（1）區(qū)分地震信號和爆炸信號。

（2）地震注入井和抗震井區(qū)分。

（3）誘發(fā)地震風(fēng)險較高的相關(guān)地質(zhì)因素識別。

2.2 圖形模型

地球科學(xué)中的許多數(shù)據(jù)集具有時間分量，例如地震儀記錄的地面運動時間序列數(shù)據(jù)。盡管大多數(shù) ML算法可以適用于時態(tài)數(shù)據(jù)，但某些方法（如 圖形模型）可以直接模擬時間依賴性，例如隱馬爾可夫模型（HMM）和動態(tài)貝葉斯網(wǎng)絡(luò)（DBN）。隱馬爾可夫模型（HMM）已應(yīng)用于高山滑坡、 火山信號、區(qū)域地震和誘發(fā)地震的探測和分類。動態(tài)貝葉斯網(wǎng)絡(luò)（DBN） 是另一種推廣 HMM 的圖形模型，也被用于地震檢測。

2.3 支持向量機

支持向量機（SVM）是一種二元分類算法，用于識別來自兩個類的訓(xùn)練數(shù)據(jù)之間的最佳邊界。運用支持向量機的案例有：

（1）求解溫度場，研究地幔對流過程

（2）預(yù)測地幔流動停滯的程度

（3）地震事件中地震強度的快速估計

（4）區(qū)分地震和爆炸以及連續(xù)地震數(shù)據(jù)中的地震檢測

2.4 集成學(xué)習(xí)

決策樹是一種學(xué)習(xí)分段常量函數(shù)的分類和回歸的監(jiān)督方法，相當(dāng)于一系列可以由二叉樹結(jié)構(gòu)可視化的if-then規(guī)則。隨機森林（RF）是一種集成 學(xué)習(xí)算法，可以通過在隨機決策樹的集合（“森林”）中以投票來學(xué)習(xí)復(fù)雜的關(guān)系。在這方面的案例有：

（1）地質(zhì)測繪

（2）改進使用遙感地球物理數(shù)據(jù)反演的三維地質(zhì)模型

（3）識別應(yīng)力降和峰值地面加速度之間的預(yù)測關(guān)系

（4）學(xué)習(xí)非線性、非參數(shù)地面運動預(yù)測方程（GMPES）

（5）描述地下裂縫模式的拓撲結(jié)構(gòu)

2.5 神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)（ANNS）是一種松散地模擬大腦中生物神經(jīng)元相互連接網(wǎng)絡(luò)的算法。人工神經(jīng)網(wǎng)絡(luò)模型表示為一組由權(quán)重連接的節(jié)點（神經(jīng)元）。每個節(jié)點從上一層獲取加權(quán)線性組合的值，并應(yīng)用非線性函數(shù)生成傳遞到下一層的單個值?！皽\”網(wǎng)絡(luò)包含一個輸入層（數(shù)據(jù)）、一個隱藏層和一個輸 出層（預(yù)測響應(yīng)）。ANNS 可以用于回歸和分類。相關(guān)案例包括：

（1）縱波傳播時間數(shù)據(jù)中估計一維縱波速度結(jié)構(gòu)和模型不確定性

（2）根據(jù)強運動數(shù)據(jù)估計震源參數(shù)

（3）用來估計短周期反應(yīng)譜

（4）模擬地面運動預(yù)測方程

（5）評估震源機制和震源位置的數(shù)據(jù)質(zhì)量

（6）執(zhí)行噪聲層析成像

（7）區(qū)分地震運動和用戶活動引起的運動

2.6 深度學(xué)習(xí)網(wǎng)絡(luò)

深度神經(jīng)網(wǎng)絡(luò)（DNN）或深度學(xué)習(xí)是經(jīng)典人工神經(jīng)網(wǎng)絡(luò)的擴展，它包含多個隱藏層。深度學(xué)習(xí)并不代表單一算法，而是具有多種網(wǎng)絡(luò)架構(gòu)的廣 泛方法，包括有監(jiān)督和無監(jiān)督方法。深層架構(gòu)包括多個處理層和非線性轉(zhuǎn)換，每層的輸出作為輸入傳遞給下一層。受監(jiān)督的DNN 同時學(xué)習(xí)特征表 示和從特征到目標的映射，從而實現(xiàn)良好的模型性能，而無需精心選擇的特征作為輸入。然而，訓(xùn)練深度網(wǎng)絡(luò)還需要擬合大量參數(shù)，這需要大的訓(xùn) 練數(shù)據(jù)集和技術(shù)來防止過度擬合模型。除了DNN，常用的還有卷積神經(jīng)網(wǎng) 絡(luò)（CNN），遞歸神經(jīng)網(wǎng)絡(luò)（RNN）。

圖1  領(lǐng)域?qū)＜液蜋C器學(xué)習(xí)使用的函數(shù)空間

3. 無監(jiān)督學(xué)習(xí)的方法和趨勢

3.1 聚類和自組織映射

目前有許多不同的聚類算法，包括  k-均值、層次聚類和自組織映射(SOMs)。SOM是一種無監(jiān)督神經(jīng)網(wǎng)絡(luò)，可用于降維或聚類。相關(guān)案例有：

（1）運用 SOM 識別關(guān)鍵的地球物理特征

（2）對地震屬性進行降維后采用 SOM 進行聚類，從地震屬性中識別地質(zhì)特征

（3）地震波形數(shù)據(jù)的特征選擇

（4）識別巖性

（5）在半監(jiān)督方法中，運用 SOM 檢測巖崩和火山構(gòu)造事件

（6）地震事件分類

3.2 特征學(xué)習(xí)

無監(jiān)督特征學(xué)習(xí)可用于學(xué)習(xí)數(shù)據(jù)集的低維或稀疏特征。相關(guān)研究案例有：

（1）用自動編碼網(wǎng)絡(luò)學(xué)習(xí)地震波形的緊湊特征

（2）學(xué)習(xí)可用于相填圖的聚類算法的特征

（3）將非負矩陣分解和 HMMS 結(jié)合起來學(xué)習(xí)地震波形的特征

3.3 字典學(xué)習(xí)

稀疏字典學(xué)習(xí)是一種表示學(xué)習(xí)方法，它以基本元素或原子以及這些基本元素本身的線性組合的形式構(gòu)造一個稀疏表示。

3.4 深度生成模型

生成模型是一類 ML方法，用于學(xué)習(xí)數(shù)據(jù)集上的聯(lián)合概率分布。生成 模型可以應(yīng)用于無監(jiān)督和監(jiān)督學(xué)習(xí)任務(wù)。最近的工作探索了深層生成模型的應(yīng)用，特別是生成性對抗網(wǎng)絡(luò)（GAN）。深度生成模型，如深度渲染模 型、變分自動編碼器（VAE）和GAN 是分層概率模型，具有抽象能力， 能加快學(xué)習(xí)進度。深度生成模型的無監(jiān)督學(xué)習(xí)能力對地球物理學(xué)中的許多 反演問題特別有吸引力。

4. 其他技術(shù)

其他常見的還有強化學(xué)習(xí)、快速近鄰搜索技術(shù)、網(wǎng)絡(luò)分析技術(shù)、圖形聚類技術(shù)、PageRank（一種流行的鏈路分析算法）等。

圖2  機器學(xué)習(xí)方法及其應(yīng)用

 5. 建議和機會

（1）創(chuàng)建基準數(shù)據(jù)集。在理想情況下給定的問題域內(nèi)，研究團體可 以使用幾種不同的基準數(shù)據(jù)集，以避免過于狹隘地關(guān)注算法開發(fā)。

（2）開放科學(xué)。采用開放科學(xué)原則將更好地定位固體地球科學(xué)社區(qū)，以利用人工智能的快速發(fā)展。

（3）機器學(xué)習(xí)解決方案，新模型和架構(gòu)。最近，可解釋的DNN 架構(gòu)基于對地球科學(xué)中反問題的分析構(gòu)建，有可能減輕不適定性，加速重建（訓(xùn)練后）并適應(yīng)稀疏（約束）的數(shù)據(jù)采集。

（4）地球科學(xué)課程設(shè)置?？梢哉衅甘苓^數(shù)據(jù)科學(xué)培訓(xùn)的學(xué)生從事地球科學(xué)研究，通過確定共同利益和互補能力，可以利用跨學(xué)科研究會議來促進合作。