基于數(shù)據(jù)空間和稀疏約束的三維重力和重力梯度數(shù)據(jù)聯(lián)合反演

張镕哲， 李桐林， 劉財*， 李福元， 鄧馨卉， 石會彥

1 吉林大學(xué)地球探測科學(xué)與技術(shù)學(xué)院， 長春 130026 2 中國地質(zhì)調(diào)查局廣州海洋地質(zhì)調(diào)查局， 廣州 510760 3 長春工程學(xué)院， 長春 130021

0 引言

重力探勘具有輕便、快捷、成本低等優(yōu)點，已經(jīng)廣泛應(yīng)用于研究地殼內(nèi)部結(jié)構(gòu)、探明固體礦產(chǎn)和油氣資源分布等領(lǐng)域(Last and Kubik，1983；Guillen and Menichetti，1984；Li and Oldenburg，1998；Portniaguine and Zhdanov，1999；Nabighian et al.，2005；Silva and Barbosa，2006；Zhdanov，2009；Commer，2011). 隨著重力梯度全張量儀(FTG)的問世，人們不僅可以測量重力數(shù)據(jù)，還可以測量重力梯度數(shù)據(jù). 重力數(shù)據(jù)是通過測量重力位的垂直一階導(dǎo)數(shù)獲得，而重力梯度數(shù)據(jù)是通過測量重力位在三個方向的二階導(dǎo)數(shù)獲得. 重力梯度數(shù)據(jù)包含多個分量信息，每個梯度分量包含的信息量不同，綜合利用各個分量信息有助于提高地質(zhì)解釋的準(zhǔn)確性(Vasco and Taylor，1991；Zhdanov et al.，2004；Martinez et al.，2013；陳閆等，2014；耿美霞等，2016；Zhang and Li，2019).

反演技術(shù)是地球物理勘探最為重要的定量解釋手段之一，它是通過地球物理異常場反推地下場源的空間分布情況，提供目標(biāo)地質(zhì)構(gòu)造的物性和幾何形態(tài)等特征信息.在頻率域中重力數(shù)據(jù)包含更多的低頻信息，對反映深層異常體細節(jié)方面具有更高的分辨率，而重力梯度數(shù)據(jù)包含更多的高頻信息，對反映淺層異常體細節(jié)方面具有更高的分辨率.根據(jù)兩種數(shù)據(jù)各自的特點，結(jié)合兩種數(shù)據(jù)共同進行反演計算，勢必會降低反演多解性和提高地質(zhì)解釋的可信性.Wu等(2013)將重力和重力梯度數(shù)據(jù)結(jié)合起來，通過自適應(yīng)權(quán)值估計物體的質(zhì)量、方向和距離.Capriotti和Li(2014)針對重力和重力梯度數(shù)據(jù)核函數(shù)隨深度衰減速率不同的情況，在模型平滑約束項中加入權(quán)重平衡兩種衰減速率，實現(xiàn)了重力和重力梯度數(shù)據(jù)的平滑聯(lián)合反演.秦朋波和黃大年(2016)采用一種空間深度加權(quán)函數(shù)，用來克服重力和重力梯度數(shù)據(jù)的趨膚效應(yīng)，并通過有限內(nèi)存BFGS擬牛頓法求解重力和重力梯度數(shù)據(jù)的聯(lián)合反演.Qin等(2016)采用非線性共軛梯度法對重力和重力梯度數(shù)據(jù)開展聯(lián)合反演研究，并將該算法應(yīng)用到美國墨西哥灣海岸鹽丘調(diào)查中.李紅蕾等(2017)提出了一種數(shù)據(jù)加權(quán)矩陣，實現(xiàn)了最小二乘迭代法的重力和重力梯度數(shù)據(jù)聯(lián)合反演，并應(yīng)用到青藏高原及鄰區(qū)巖石圈三維密度結(jié)構(gòu)預(yù)測中.高秀鶴等(2019)采用閾值約束的協(xié)克里金法對重力和重力梯度數(shù)據(jù)進行了聯(lián)合反演研究.根據(jù)上述研究發(fā)現(xiàn)，目前重力和重力梯度聯(lián)合反演算法仍存在以下幾點問題，首先，采用平滑約束模型矩陣得到的反演結(jié)果過于模糊發(fā)散，不能很好地恢復(fù)出真實模型的尖銳邊界；然后，引入依賴先驗信息的深度加權(quán)函數(shù)，需要人為經(jīng)驗來確定參數(shù)變量的大小，具有一定的不確定性；其次，采用傳統(tǒng)的最小二乘迭代法需要計算和存儲靈敏度矩陣，尤其在三維大數(shù)據(jù)情況下，靈敏度矩陣會占用大量的內(nèi)存空間，而共軛梯度法會出現(xiàn)連續(xù)搜索小步長的現(xiàn)象，增加反演的迭代次數(shù)，從而降低反演的計算效率.最后，在模型空間下求解三維聯(lián)合反演時，求解的線性方程組維度較大，勢必會增加大量的計算時間和內(nèi)存消耗量，并對計算機的性能提出挑戰(zhàn).

針對上述問題，本文提出了基于數(shù)據(jù)空間和稀疏約束的重力和重力梯度數(shù)據(jù)聯(lián)合反演算法.首先，我們從基于幾何格架的重力快速正演算法出發(fā)，推導(dǎo)出多分量重力梯度數(shù)據(jù)的快速正演算法.然后，構(gòu)建了重力和重力梯度數(shù)據(jù)聯(lián)合反演目標(biāo)函數(shù)，目標(biāo)函數(shù)中包含了重力和重力梯度數(shù)據(jù)擬合項、L0范數(shù)正則化模型約束項，模型約束項中摒棄了依賴先驗信息的深度加權(quán)函數(shù)，引入了自適應(yīng)模型積分靈敏度矩陣來克服趨膚效應(yīng).其次，將模型計算從模型空間通過恒等式轉(zhuǎn)換到數(shù)據(jù)空間下，采用一種改進的共軛梯度算法進行反演求解，可以降低反演求解方程的維度和避免存儲大型的靈敏度矩陣.最后，通過模型試算和實測數(shù)據(jù)驗證本文提出算法的準(zhǔn)確性和有效性.

1 快速正演計算理論

將地下目標(biāo)空間劃分為一系列大小相同的長方體網(wǎng)格單元，且每個長方體單元的密度均勻, 此時地表重力數(shù)據(jù)或重力梯度張量數(shù)據(jù)與地下密度分布可以表示為如下線性關(guān)系：

d=A·m,

(1)

其中：d為重力或重力梯度數(shù)據(jù)；A為重力數(shù)據(jù)或重力梯度數(shù)據(jù)的正演核函數(shù)，是一個Nd×Nm的矩陣，其中Nd為觀測點個數(shù)，Nm為地下模型網(wǎng)格剖分個數(shù)；m為網(wǎng)格單元的剩余密度.

重力或重力梯度正演計算需要完成的積分次數(shù)為Nd×Nm，當(dāng)?shù)叵戮W(wǎng)格剖分過大時，正演計算將面臨巨大的挑戰(zhàn).為了提高正演的計算效率，本文采用姚長利等(2003)提出的幾何格架的快速計算策略，通過分析地下模型單元與觀測點之間的位置關(guān)系，可以發(fā)現(xiàn)同一層各模型單元與觀測點之間的相對位置關(guān)系存在等價性，利用這個等價關(guān)系，只對每一層第一個模型單元進行幾何格架核函數(shù)計算，得到該單元的核函數(shù)矩陣，而該層其他模型單元的核函數(shù)矩陣可以通過幾何格架的等效性進行查找獲得.通過上述方法，原本反演過程中需要多次重復(fù)進行的正演計算就變成了物性參數(shù)與對應(yīng)的幾何格架之間簡單的乘積運算，每層模型單元只計算第一個模型單元，從而大大的提高了正演的計算效率.具體思想如下：

地下模型均勻剖分，觀測點位于模型單元中心正上方的地表處，如圖1所示.假設(shè)地表觀測面上任意一個觀測點p(u,v)(u=1,2,3,…,Nx;v=1,2,3,…,Ny，Nx和Ny分別為x軸和y軸方向上的觀測點個數(shù))與地下第kk層模型單元Qkk(u,v)對應(yīng)(kk=1,2,3,…,L，L為地下模型的層數(shù)).首先需要求取第kk層第一個模型單元Qkk(1,1)在觀測點p(u,v)處的幾何格架核矩陣Akk(1,1,u,v)，然后根據(jù)幾何格架的平移等效性、對稱互換性可以得到第kk層其他模型單元Qkk(i,j)(i=1,2,3,…,Nx;j=1,2,3,…,Ny)在觀測點p(u,v)處的幾何格架核函數(shù)矩陣Akk(i,j,u,v).

tt=|u-i|+1,pp=|v-j|+1.

(2)

Akk(i,j,u,v)=Akk(1,1,tt,pp).

(3)

為了簡約起見，將公式(3)改寫為一維列向量：

(4)

圖1 三維模型網(wǎng)格剖分圖Fig.1 3D model meshing

上述幾何格架計算策略僅適用于重力的核函數(shù)計算，而將上述方法應(yīng)用到重力梯度多分量時，非對角線重力梯度分量(Vxy,Vzy,Vzx)將得不到正確的核函數(shù)矩陣.通過實驗?zāi)M分析，模型單元的位置與觀測點的位置處于特殊關(guān)系時，公式(4)將不再成立.我們將幾何格架等效關(guān)系式進行修改, 重力梯度非對角線分量的幾何格架關(guān)系式可表示為：

對于分量Vzx：

ifu

end

對于分量Vzy:

ifv

end

對于分量Vxy:

ifu

ifu

end

end

2 反演計算理論

2.1 目標(biāo)函數(shù)

為了避免因求解病態(tài)反問題所引起的不穩(wěn)定性和多解性等問題，本文采用Tikhonov和Arsenin(1977)正則化方法求解反演線性方程.首先，我們構(gòu)建重力和重力梯度數(shù)據(jù)聯(lián)合反演目標(biāo)函數(shù)，其表達式如下：

Φ(m)=Φd(m)+α·Φm(m),

(5)

其中，Φd(m)為數(shù)據(jù)擬合項，Φm(m)為穩(wěn)定器構(gòu)成目標(biāo)函數(shù)中的模型約束項，α為正則化因子.

目標(biāo)函數(shù)中數(shù)據(jù)擬合項包括兩部分，

(6)

將數(shù)據(jù)擬合項進行簡化，

Φd(m)=‖WqWd(dobs-Am)‖2,

(7)

(8)

L0范數(shù)正則化模型約束項的表達式如下：

(9)

求解公式(9)可以將L0范數(shù)最小化近似為迭代重加權(quán)L2范數(shù)最小化問題(Wolke and Schwetlick，1988).

Φm(m)=‖Wmm‖2,

(10)

(11)

其中，ε是很小的常數(shù)，該參數(shù)決定了反演結(jié)果的尖銳程度.與傳統(tǒng)的平滑反演方法相比，基于稀疏約束的L0范數(shù)反演方法可以獲得邊界更清晰、對比度更強的模型.將L0范數(shù)作為模型約束項，目標(biāo)函數(shù)表達式可以表示為：

Φ(m)=‖WqWd(dobs-Am)‖2

+α·‖Wm(m-mref)‖2,

(12)

其中，mref為參考模型.利用公式(12)求解的反演結(jié)果會出現(xiàn)異常體集中在地表的現(xiàn)象，是由于重力和重力梯度數(shù)據(jù)的核函數(shù)隨深度增加而衰減，因此會引起反演結(jié)果的趨膚效應(yīng).為了改善趨膚效應(yīng)的影響，傳統(tǒng)的方法是在模型約束項中加入深度加權(quán)函數(shù)(Li and Oldenburg，1996；Commer，2011)，但是重力和重力梯度核函數(shù)衰減速率不同，采用相同的深度加權(quán)函數(shù)勢必會得到不準(zhǔn)確的反演結(jié)果，況且深度加權(quán)函數(shù)中存在未知的變量，需要人為經(jīng)驗來定義變量的大小，具有一定的不確定性和不穩(wěn)定性.針對上述問題，Zhdanov (2002)提出了模型積分靈敏度矩陣，它可以消除不同模型參數(shù)對觀測數(shù)據(jù)的貢獻是不同的，觀測數(shù)據(jù)對不同模型參數(shù)的積分靈敏度也是不同所帶來的影響，使得觀測數(shù)據(jù)對不同模型參數(shù)的積分靈敏度變化一致.目前該方法已經(jīng)應(yīng)用在重力梯度三維反演中(陳閆，2014；Capriotti and Li，2014；高秀鶴和黃大年，2017).本文也采用模型積分靈敏度矩陣，用來消除因重力和重力梯度核函數(shù)衰減速率不同引起的趨膚效應(yīng).因此，仍然是形成一個權(quán)重，平衡重力和重力梯度兩個核函數(shù)衰減速率不同的問題.

首先分析模型參數(shù)mk的微擾對數(shù)據(jù)的影響.觀測數(shù)據(jù)與模型參數(shù)變化的關(guān)系可表示為：

δdi=Aikδmk,

(13)

數(shù)據(jù)靈敏度對模型參數(shù)mk的積分可表示為：

(14)

故模型積分靈敏度矩陣可表示為：

(15)

將式(15)加入到目標(biāo)函數(shù)中，最終得到重力梯度和重力數(shù)據(jù)聯(lián)合反演的目標(biāo)函數(shù)表達式如下：

Φ(m)=‖WqWd(dobs-Am)‖2

+α·‖WmS(m-mref)‖2.

(16)

2.2 目標(biāo)函數(shù)的優(yōu)化

通常目標(biāo)函數(shù)最優(yōu)化方法是采用最小二乘法，即目標(biāo)函數(shù)對模型參數(shù)的求導(dǎo)為零，得到反演模型結(jié)果.但最小二乘法存在一定的缺陷，很容易陷入局部極小，求解不準(zhǔn)確，所以一些非線性優(yōu)化方法經(jīng)常被使用，例如，牛頓法、梯度法、高斯牛頓法、共軛梯度法等.共軛梯度法對初始模型要求較少，具有存儲量小、收斂速度快等優(yōu)勢.傳統(tǒng)的共軛梯度法迭代求解過程是在同一個循環(huán)內(nèi)完成，而本文采用內(nèi)外雙循環(huán)的迭代過程進行目標(biāo)函數(shù)的求解，該方法可以減少迭代次數(shù)，提高計算效率.

2.2.1 傳統(tǒng)共軛梯度法反演

對目標(biāo)函數(shù)公式(16)求梯度，得到第k次迭代的梯度表達式：

(17)

準(zhǔn)備觀測數(shù)據(jù)dobs，數(shù)據(jù)加權(quán)矩陣Wd，初始模型m0，模型積分靈敏度矩陣S和數(shù)據(jù)加權(quán)項Wq，初始正則化參數(shù)α0.

計算目標(biāo)函數(shù)初始梯度g0和RR0；

Whilek

k=k+1；

更新模型參數(shù)：mk=mk-1-tk-1dk-1；

計算數(shù)據(jù)擬合差：

計算目標(biāo)函數(shù)對模型mk的梯度gk和RRk；

end While

輸出mk.

2.2.2 改進的共軛梯度法反演

對目標(biāo)函數(shù)公式(16)求極值，得到第k次迭代的高斯-牛頓法模型改變量表達式：

Δmk=mk-mk-1=(Rk)-1bk,

(18)

準(zhǔn)備觀測數(shù)據(jù)dobs，數(shù)據(jù)加權(quán)矩陣Wd，初始模型m0，模型積分靈敏度矩陣S和數(shù)據(jù)加權(quán)項Wq，初始正則化參數(shù)α0.

Whilekσ(外部循環(huán))

計算Rk和bk；

令x0=0,r0=d0=bk；

i=i+1；

更新參數(shù)：xi=xi-1+ti-1di-1；

ri=ri-1-ti-1Rkdi-1；

end While

k=k+1；

mk=mk-1+xi；

計算數(shù)據(jù)擬合差：

end While

輸出mk.

2.3 數(shù)據(jù)空間共軛梯度法

數(shù)據(jù)空間法(Siripunvaraporn and Egbert, 2000; Siripunvaraporn et al., 2005)是將模型計算從模型空間通過恒等式轉(zhuǎn)換到數(shù)據(jù)空間下進行求解.由于模型個數(shù)Nm遠遠大于數(shù)據(jù)個數(shù)Nd，反演計算屬于欠定問題，采用模型空間法進行反演計算需要求解一個Nm×Nm的方程組，而在數(shù)據(jù)空間中只需要求解一個Nd×Nd的方程組，因此可以有效地降低反演計算的內(nèi)存占用量和計算時間(Pilkington, 2009; 李澤林, 2015; Zhang and Li, 2019; Zhang et al., 2020).本文將模型空間下的模型改變量表達式(18)轉(zhuǎn)換為數(shù)據(jù)空間下的模型改變量表達式：

(19)

對高斯-牛頓法推導(dǎo)出的模型改變量表達式(19)直接求解，雖然可以降低反演計算的維度，但是需要存儲靈敏度矩陣A，在三維情況下勢必也會產(chǎn)生大量的計算內(nèi)存和時間.本文采用改進的共軛梯度反演方法求解數(shù)據(jù)空間下的模型改變量，令Rk=

正則化因子的選取與Portniaguine和Zhdanov(2002)采用的方法相同，初始正則化因子α0=0.1. 隨著迭代的增加，模型約束項可能會增加，為了確保目標(biāo)函數(shù)的收斂在全區(qū)最小，此時需要修正正則化因子，表達式如下：

(20)

(21)

為了保障聯(lián)合反演迭代收斂，我們會在擬合差增大或擬合差變化緩慢時，按比例減小正則化因子.

αk+1=αkq,

(22)

其中，q為縮放因子，設(shè)q= 0.6.

3 模型試算

3.1 單獨和聯(lián)合反演對比

為了證明重力與重力梯度數(shù)據(jù)聯(lián)合反演優(yōu)于單獨重力數(shù)據(jù)反演，我們設(shè)計了一個不同高度相同大小的雙異常體組合模型，如圖2所示.異常體的大小都為200 m×200 m×150 m，剩余密度為1 g·cm-3.地下模型空間尺度x,y,z為1000 m×1000 m×600 m，將地下模型剖分為20×20×12個緊密排列的規(guī)則立方體單元，每個單元大小為50 m×50 m×50 m，背景剩余密度為0 g·cm-3.地面觀測點個數(shù)為20×20，觀測點位于網(wǎng)格中心，正演計算的觀測重力和重力梯度數(shù)據(jù)如圖2所示.

表1 反演模型和理論模型的均方根誤差Table 1 The root mean square error of each inversion model and the theoretical model

圖2 模型一的理論模型和正演響應(yīng)等值線圖(a) 重力gz; (b) 重力梯度分量Vxx; (c) 重力梯度分量Vxy; (d) 重力梯度分量Vzx; (e) 重力梯度分量Vzy; (f) 重力梯度分量Vzz.Fig.2 Theoretical model and forward response contour map of model 1(a) Gravity gz; (b) Gravity gradient component Vxx; (c) Gravity gradient component Vxy ; (d) Gravity gradient component Vzx; (e) Gravity gradient component Vzy ; (f) Gravity gradient component Vzz .

圖3 不同觀測數(shù)據(jù)反演結(jié)果對比圖(a) 理論模型; (b) gz反演結(jié)果; (c) gz和Vxx聯(lián)合反演結(jié)果; (d) gz和Vxy聯(lián)合反演結(jié)果; (e) gz和Vzx聯(lián)合反演結(jié)果; (f) gz和Vzy聯(lián)合反演結(jié)果; (g) gz和Vzz聯(lián)合反演結(jié)果; (h) gz和全張量聯(lián)合反演結(jié)果; 垂向切片位于y=550 m處.Fig.3 Comparison of different observation data inversion results(a) Theoretical model; (b) gz inversion results; (c) gz and Vxx joint inversion results; (d) gz and Vxy joint inversion results; (e) gz and Vzx joint inversion results; (f) gz and Vzy joint inversion results; (g) gz and Vzz joint inversion results; (h) gz and full tensor joint inversion results; The cross section is located at y=550 m.

3.2 傳統(tǒng)和改進的共軛梯度法反演對比

為了驗證改進的共軛梯度法更適合應(yīng)用于重力和重力梯度數(shù)據(jù)的聯(lián)合反演，我們建立了一個雙異常體組合模型，如圖4所示.模型中包含了兩個大小相同的異常體，兩個異常體的大小為200 m×200 m×200 m，剩余密度為1 g·cm-3，埋深均為150 m，相距300 m.地下空間網(wǎng)格剖分和觀測方式與模型一完全相同，正演計算的觀測重力和重力梯度數(shù)據(jù)如圖4所示.

圖4 模型二的理論模型和正演響應(yīng)等值線圖(a) 重力gz; (b) 重力梯度分量Vxx; (c) 重力梯度分量Vxy; (d) 重力梯度分量Vzx; (e) 重力梯度分量Vzy; (f) 重力梯度分量Vzz.Fig.4 Theoretical model and forward response contour map of model 2(a) Gravity gz; (b) Gravity gradient component Vxx; (c) Gravity gradient component Vxy; (d) Gravity gradient component Vzx; (e) Gravity gradient component Vzy; (f) Gravity gradient component Vzz.

分別對傳統(tǒng)和改進共軛梯度算法進行重力和重力梯度數(shù)據(jù)聯(lián)合反演計算，兩種方法都選擇模型積分靈敏度矩陣，初始模型均采用半空間為0 g·cm-3的剩余密度模型.為了獲得更穩(wěn)定的反演結(jié)果，傳統(tǒng)共軛梯度法反演需要在加權(quán)模型參數(shù)域下求解，反演經(jīng)過48次迭代達到擬合差閾值1以下，耗時290 s，獲得的反演結(jié)果切片如圖5(b,e,h)所示.而改進共軛梯度法反演經(jīng)過4次迭代達到擬合差閾值1以下,耗時70 s，獲得的反演結(jié)果切片如圖5(c，f，i)所示.可以發(fā)現(xiàn)，兩種方法都可以恢復(fù)出異常體的中心位置和幾何大小，但是傳統(tǒng)共軛梯度法反演結(jié)果邊界更模糊，而改進的共軛梯度法反演結(jié)果聚焦程度更高，異常體邊界更清晰.無論是在計算時間方面，還是在反演結(jié)果分辨率方面，改進的共軛梯度法反演都具有明顯的優(yōu)勢，更適合于三維重力和重力梯度聯(lián)合反演計算.

圖5 傳統(tǒng)和改進的共軛梯度法反演結(jié)果對比圖(a,d,g) 理論模型; (b,e,h) 傳統(tǒng)的共軛梯度法反演結(jié)果; (c,f,i) 改進的共軛梯度法反演結(jié)果; (a,b,c) z=300 m處的橫向切片; (d,e,f) y=500 m處的垂向切片; (g,h,i) x=250 m處的垂向切片圖.Fig.5 Comparison of traditional and improved conjugate gradient inversion results(a,d,g) Theoretical model; (b,e,h) Traditional conjugate gradient inversion results; (c,f,i) Improved conjugate gradient inversion results; (a,b,c) In the z=300 m depth section; (d,e,f) In the y=500 m cross section; (g,h,i) In the x=250 m cross section.

3.3 模型積分靈敏度矩陣和深度加權(quán)矩陣對比

為了驗證模型積分靈敏度矩陣相比于深度加權(quán)矩陣，可以更有效的消除因重力和重力梯度核函數(shù)衰減速率不同引起的趨膚效應(yīng)，我們繼續(xù)選用模型二進行重力和重力梯度數(shù)據(jù)聯(lián)合反演試算.將公式(16)中的S矩陣選取深度加權(quán)矩陣(Li and Oldenburg，1996)和模型積分靈敏度矩陣分別進行平滑和稀疏約束反演.所有反演方法最終的擬合差均收斂到閾值0.1以下，反演結(jié)果如圖6所示.圖6(a，e)和圖6(b，f)分別為加入深度加權(quán)矩陣后的平滑和稀疏約束反演結(jié)果切片圖，可以發(fā)現(xiàn)，反演異常體的中心位置與真實異常體存在一定的差異，由于趨膚效應(yīng)，中心位置有上移的趨勢，并且異常體的物性參數(shù)值要遠小于真實值.圖6(c，g)和圖6(d，h)分別為加入模型積分靈敏度矩陣后的平滑和稀疏約束反演結(jié)果切片圖，由于模型積分靈敏度矩陣的加入，反演異常體物性參數(shù)值得到了明顯地改善，并且異常體中心下移，有效地克服了核函數(shù)衰減引起的趨膚效應(yīng).模型積分靈敏度矩陣與稀疏約束反演相結(jié)合，反演得到的結(jié)果無論是幾何形態(tài)還是物性參數(shù)值方面，都與真實模型基本吻合，尤其在縱向分辨率方面得到了明顯地改善.稀疏約束反演相比于平滑反演能有效地捕捉反演解的小尺度細節(jié)，增強稀疏性以保持尖銳的邊界.模擬試算驗證了采用模型積分靈敏度矩陣和稀疏約束算法，可以有效地消除因重力和重力梯度核函數(shù)衰減速率不同引起的趨膚效應(yīng)，將該方法應(yīng)用到重力和重力梯度數(shù)據(jù)的聯(lián)合反演中可以提高縱向分辨率，降低反演多解性，獲得更加準(zhǔn)確的反演結(jié)果.

圖6 不同S矩陣的平滑和稀疏約束反演結(jié)果的對比圖(a,b,c,d) z=250 m處的橫向切片; (e,f,g,h) y=500 m處的垂向切片; (a,e) 深度加權(quán)平滑反演結(jié)果; (b,f) 深度加權(quán)稀疏約束反演結(jié)果; (c,g) 模型積分靈敏度平滑反演結(jié)果; (d,h) 模型積分靈敏度稀疏約束反演結(jié)果.Fig.6 Comparison of smooth and sparse constraint inversion results of different S matrices(a,b,c,d) In the z=250 m depth section; (e,f,g,h) In the y=500 m cross section; (a,e) The depth weighted smooth inversion results; (b,f) The depth weighted sparse inversion results; (c,g) The model integral sensitivity smooth inversion results; (d,h) The model integral sensitivity sparse inversion results.

3.4 模型空間和數(shù)據(jù)空間法對比

為了證明本文提出的算法在計算時間和內(nèi)存占用量方面的優(yōu)勢，我們首先設(shè)計了一個地下網(wǎng)格剖分數(shù)量較大的簡單模型，如圖7所示.模型中包含了兩個大小不同的異常體，異常體的大小分別為300 m×200 m×150 m和300 m×500 m×200 m，剩余密度均為1 g·cm-3，頂部埋深分別為150 m和200 m，相距350 m.地下模型空間尺度x,y,z為1500 m×1500 m×1000 m，將地下模型剖分為30×30×20個緊密排列的規(guī)則立方體單元，每個單元大小為50 m×50 m×50 m，背景剩余密度為0 g·cm-3.地面觀測點個數(shù)為30×30，觀測點位于網(wǎng)格中心，正演計算的觀測重力和重力梯度數(shù)據(jù)如圖7所示.

圖7 模型三的理論模型和正演響應(yīng)等值線圖(a) 重力gz; (b) 重力梯度分量Vxx; (c) 重力梯度分量Vxy; (d) 重力梯度分量Vzx; (e) 重力梯度分量Vzy; (f) 重力梯度分量Vzz.Fig.7 Theoretical model and forward response contour map of model 3(a) Gravity gz; (b) Gravity gradient component Vxx; (c) Gravity gradient component Vxy; (d) Gravity gradient component Vzx; (e) Gravity gradient component Vzy; (f) Gravity gradient component Vzz .

本文在改進的共軛梯度法反演基礎(chǔ)上，分別采用模型空間和數(shù)據(jù)空間法對重力和重力梯度數(shù)據(jù)進行聯(lián)合反演計算(計算機配置：Intel(R) Core(TM) i7-8750H CPU @ 2.20 GHz 2.21 GHz, 內(nèi)存16 GB).所有反演的初始模型均采用均勻半空間剩余密度為0 g·cm-3的模型.模型空間法反演經(jīng)過6次迭代，最終獲得的擬合差為0.99，反演結(jié)果如圖8(b，e，h)所示；數(shù)據(jù)空間法反演經(jīng)過6次迭代，最終獲得的擬合差為1.03，反演結(jié)果如圖8(c，f，i)所示.可以發(fā)現(xiàn)，兩種算法得到的反演結(jié)果相似，都可以較好地恢復(fù)出異常體的邊界位置、幾何大小和物性參數(shù)值，從而證明本文提出的算法具有一定的準(zhǔn)確性.在反演計算時間方面，模型空間法耗時2061.85 s，而數(shù)據(jù)空間法耗時527.25 s，可以說明改進的共軛梯度法結(jié)合數(shù)據(jù)空間法有效地提高了計算效率；在內(nèi)存消耗方面，模型空間法占用的最大內(nèi)存約為12 GB，而數(shù)據(jù)空間法占用的最大內(nèi)存只需要約0.03 GB.在這個例子中，數(shù)據(jù)空間法內(nèi)存最大占用量相比于傳統(tǒng)模型空間法減小了約百分之幾.

圖8 模型空間和數(shù)據(jù)空間聯(lián)合反演結(jié)果對比圖(a,d,g) 理論模型; (b,e,h) 模型空間法反演結(jié)果; (c,f,i) 數(shù)據(jù)空間法反演結(jié)果; (a,b,c) z=300 m處的橫向切片; (d,e,f) y=750 m處的垂向切片; (g,h,i) x=1150 m處的垂向切片圖.Fig.8 Comparison of model space and data space joint inversion results(a,d,g) Theoretical model; (b,e,h) The model space inversion results; (c,f,i) The data space inversion results; (a,b,c) In the z=300 m depth section; (d,e,f) In the y=750 m cross section; (g,h,i) In the x=1150 m cross section.

為了進一步驗證本文提出算法的準(zhǔn)確性、抗噪性和有效性，我們又設(shè)計了一個多異常體組合復(fù)雜模型，如圖9所示，由四個不同大小的長方體組成，鑲嵌在剩余密度為0 g·cm-3的地下均勻半空間中.地下模型空間大小為2000 m×2000 m×1000 m，將地下剖分為40×40 ×20個緊密排列的直立立方體單元，每個單元大小為50 m×50 m×50 m.地面觀測點個數(shù)為40×40，觀測點位于網(wǎng)格中心，加入5%高斯隨機噪聲的理論模型正演響應(yīng)如圖9所示.異常體的物性值、幾何大小和頂部埋深情況如表2所示.

圖9 模型四的理論模型和正演響應(yīng)等值線圖(a) 重力gz; (b) 重力梯度分量Vxx; (c) 重力梯度分量Vxy; (d) 重力梯度分量Vzx; (e) 重力梯度分量Vzy; (f) 重力梯度分量Vzz.Fig.9 Theoretical model and forward response contour map of model 4(a) Gravity gz; (b) Gravity gradient component Vxx; (c) Gravity gradient component Vxy; (d) Gravity gradient component Vzx; (e) Gravity gradient component Vzy; (f) Gravity gradient component Vzz.

表2 理論模型異常體屬性情況Table 2 Theoretical model anomaly attributes

由于網(wǎng)格剖分個數(shù)的增加，采用模型空間法進行反演計算所需要的內(nèi)存空間已經(jīng)超過計算機的承受范圍，而數(shù)據(jù)空間法反演經(jīng)過17次迭代，最終獲得的擬合差為0.97，反演結(jié)果如圖10所示.可以發(fā)現(xiàn)，加入噪聲后本文提出的算法仍然能夠準(zhǔn)確地恢復(fù)出地下異常體的幾何形態(tài)和物性參數(shù)值大小，與真實模型基本吻合，表現(xiàn)出一定的準(zhǔn)確性和抗噪性.反演計算耗時2206.26 s，占用的最大內(nèi)存約為0.039 GB.在這個例子中，數(shù)據(jù)空間法反演內(nèi)存最大占用量相比于傳統(tǒng)模型空間法減小了約百分之幾，可以證明改進的共軛梯度法結(jié)合數(shù)據(jù)空間法有效地降低了計算內(nèi)存消耗量，表現(xiàn)出一定的有效性，更適合應(yīng)用于大數(shù)據(jù)量的重力和重力梯度數(shù)據(jù)聯(lián)合反演計算.

圖10 數(shù)據(jù)空間共軛梯度法聯(lián)合反演結(jié)果圖(a,b,c,d) 理論模型; (e,f,g,h) 聯(lián)合反演結(jié)果; (a,e) z=300 m處的橫向切片; (b,f) x=600 m處的垂向切片; (c,g) y=550 m處的垂向切片; (d,h) x=1600 m處的垂向切片.Fig.10 The data space conjugate gradient method joint inversion results(a,b,c,d) Theoretical model; (e,f,g,h) Joint inversion results; (a,e) In the z=300 m depth section; (b,f) In the x=600 m cross section; (c,g) In the y=550 m cross section; (d,h) In the x=1600 m cross section.

4 實測數(shù)據(jù)應(yīng)用

為了進一步說明本文提出算法的有效性和實用性，我們將反演算法應(yīng)用于黑龍江省大興安嶺呼中區(qū)碧水鎮(zhèn)鉛鋅多金屬礦區(qū)的重力和重力梯度數(shù)據(jù)解釋中.在碧水鎮(zhèn)鉛鋅多金屬礦區(qū)內(nèi)共采集了27條測線，測線間距40 m，每條測線上分布16個觀測點，測點間距40 m，將實測布格剩余重力異常數(shù)據(jù)網(wǎng)格化，網(wǎng)格化后的重力異常數(shù)據(jù)等值線如圖11a所示.利用傅里葉變換計算得到布格剩余重力異常的重力梯度數(shù)據(jù)，網(wǎng)格化后的重力梯度異常數(shù)據(jù)如圖11b所示.方便起見，實測數(shù)據(jù)應(yīng)用中只考慮重力和重力梯度Vzz分量數(shù)據(jù)進行聯(lián)合反演計算.

圖11 實測重力和重力梯度數(shù)據(jù)等值線圖(a) 重力數(shù)據(jù); (b) 重力梯度數(shù)據(jù)Vzz.Fig.11 Contour plots of measured gravity and gravity gradient data(a) The gravity data; (b)The gravity gradient data Vzz.

觀測區(qū)域大小為640 m×1040 m，將反演目標(biāo)區(qū)域的地下空間劃分為16×27×10個緊密排列的直立長方體單元，每個單元的大小為 40 m×40 m×40 m.我們對重力和重力梯度數(shù)據(jù)進行聯(lián)合反演，反演初始模型采用剩余密度為0 g·cm-3的均勻半空間模型.反演經(jīng)過5次迭代收斂到擬合差閾值以下，反演結(jié)果沿測線方向的密度分布切片如圖12所示，不同深度的密度分布切片如圖13所示.我們發(fā)現(xiàn)，本文提出的反演方法可以快速地分辨出地下不同密度的分布情況，密度異常分布從南到北逐漸升高，高密度異常區(qū)域主要出現(xiàn)在研究區(qū)的東北方向，由于鉛鋅多金屬礦床具有較高的密度，因此可以通過反演高密度分布情況有效地圈定多金屬礦床的區(qū)域位置和劃分礦體與圍巖的邊界.同時，該反演算法獲得最終模型結(jié)果耗時約434.5 s，占用內(nèi)存約0.028 GB.進一步說明了所提出的算法適用于實測數(shù)據(jù)處理，可以在普通計算機下快速獲得地下密度分布模型，為精準(zhǔn)礦產(chǎn)勘探提供重要依據(jù).

圖12 重力和重力梯度數(shù)據(jù)聯(lián)合反演獲得的密度分布垂向切片圖Fig.12 Cross section of density distribution obtained by joint inversion of gravity and gravity gradient data

圖13 重力和重力梯度數(shù)據(jù)聯(lián)合反演獲得的密度分布橫向切片圖(a) z=100 m處的橫向切片; (b) z=200 m處的橫向切片; (c) z=300 m處的橫向切片.Fig.13 Depth section of density distribution obtained by joint inversion of gravity and gravity gradient data(a) In the z=100 m depth section; (b) In the z=200 m depth section; (c) In the z=300 m depth section.

5 結(jié)論

本文將數(shù)據(jù)空間法和改進的共軛梯度算法結(jié)合應(yīng)用到重力和重力梯度數(shù)據(jù)處理中，開發(fā)出計算速度更快、占用內(nèi)存更小的高分辨率三維重力和重力梯度數(shù)據(jù)聯(lián)合反演算法.理論模型試算表明相比于傳統(tǒng)的共軛梯度反演算法，改進的算法可以有效地降低反演的迭代次數(shù)，提高反演的收斂速度，獲得更接近于真實模型的反演結(jié)果；聯(lián)合反演采用自適應(yīng)模型積分靈敏度矩陣，可以有效地消除因重力和重力梯度核函數(shù)衰減速率不同引起的趨膚效應(yīng)，相比于依賴先驗信息的深度加權(quán)方法，可以自適應(yīng)調(diào)解矩陣大小，有效提高反演結(jié)果的縱向分辨率；稀疏約束反演方法相比于傳統(tǒng)平滑反演方法能有效地捕捉反演解的小尺度細節(jié)，增強稀疏性以保持尖銳的邊界；將數(shù)據(jù)空間法和改進的共軛梯度算法結(jié)合，可以更好地降低聯(lián)合反演求解方程的維度，避免存儲靈敏度矩陣，有效地提高了計算效率和大幅度的降低內(nèi)存占用空間.野外實例表明，本文提出的算法可以在普通計算機下快速地獲得地下密度分布模型，有效地圈定多金屬礦床的區(qū)域位置和劃分礦體與圍巖的邊界，表現(xiàn)出較強的穩(wěn)定性和實用性.

致謝感謝匿名評審專家為本文提出的寶貴意見.