AI辅助地震解释工具包在荷兰Maassluis组顶面完成示范，支撑隐式地质建模
核心概要
该研究在Horizon Europe GO-Forward与MOOI WarmingUP GOO项目框架下，测试并实现了一套机器学习工具包，用于约300至3500米深度域陆上地震数据的解释：先用自监督与半监督对比学习CNN进行去噪与插值以改善信号，再以（半）自监督方法在极少人工训练数据下解释层位与断层，并以荷兰Maassluis组顶面在Leeuwarden与Waalwijk三维地震数据体中的解释作为首次示范。
The workflow (Figure 2) starts with AI data conditioning, which performs automatic conditioning of seismic data on large amounts of 2D and 3D seismic data by denoising, interpolation and broadbanding. This is achieved by using Self-supervised learning algorithms (“Noise2Void”, Birnie et al., 2021) and a Generative Adversarial Network (“MDA-GAN”, Dou et al., 2022, (a)).
arXiv · 第 3 页深度剖析
研究构建了一套面向隐式建模的AI辅助地震解释工具包，覆盖从信号改善到层位与断层解释的流程。 相对于依赖大量人工解释训练数据的常规流程，该工具包把自监督与半监督学习引入解释环节，目标是在最少人工训练数据条件下完成解释。 证据来自作者对已测试并实现的算法与工具包的描述，以及一次针对荷兰Maassluis组顶面的示范性解释；原文为摘要级概述，未给出定量精度指标。
信号改善环节采用自监督与半监督对比学习CNN进行噪声压制与插值。 将对比学习类CNN用于地震信号去噪与插值，是相对传统信号处理流程的方法学变化。 原文以方法描述形式给出，未报告具体网络结构、训练规模或去噪前后的定量对比。
层位与断层解释环节采用（半）自监督方法，以最小化人工生成训练数据的使用。 把解释任务对人工标注的依赖降低，是该方法在效率与可重复性上的关键取向。 原文陈述了该策略及其在工具包中的实现，示范范围限于两个三维地震数据体中的一个地层顶面。
示范应用在Leeuwarden与Waalwijk三维地震数据体中解释了荷兰Maassluis组顶面。 这是该工具包在真实陆上地震数据上的首次示范，覆盖约300至3500米的浅至深深度域。 示范为单地层、双数据体的案例，原文未提供与人工解释的对比统计或误差量。
启示与展望
该工作面向陆上地震数据约300至3500米深度域的层位与断层解释，服务于隐式建模与相对地质时间方法所需的输入数据准备；其预期使用者是从事地质建模与地震解释的团队，适用场景为需要快速刻画浅至深深度域的应用型项目。示范范围限于荷兰Maassluis组顶面在Leeuwarden与Waalwijk两个三维地震数据体中的解释，因此当前结论适用于这一示范设定，向其他地层、其他盆地或海上数据的推广需要另行验证。
读者仍会关注：自监督与半监督对比学习CNN在去噪与插值上的具体配置与训练数据规模；在极少人工训练数据条件下解释层位与断层的准确度，以及与人工解释或其他方法的对比；工具包在Maassluis组顶面之外的地层与数据体上的表现；以及该流程对隐式建模结果不确定性的实际影响。由于当前文本为摘要级概述，未包含图表与定量结果，上述问题无法从现有材料判断，属于需要进一步阅读原文的开放问题。