研究亮点
蓝茜茜:电阻率层析图像智能重建中的不确定性量化【IEEE TGRS,2023】

电阻率层析成像(ERT)是岩石物理研究的前沿领域,其中图像反演重建技术是制约测量精度的关键因素。尽管目前已有多种图像重建算法,但其重建图像的效率与精度仍难以满足工业实际需求。同时,地球物理反演问题的两大通病——高度非线性和解的非唯一性、不确定性给图像重建工作带来了极大的挑战。随着计算机运行算力的大幅提升和可获取地球物理资料的爆炸式增长,以机器学习为代表的智能化算法使得地球物理自动化反演成为可能。许多学者对传统非线性ERT反演算法中的不确定性进行了量化,但在机器学习应用中对这种不确定性的关注较少,无法满足非线性ERT反演处理解释要求。

针对上述科学问题,我校地球物理与信息技术学院博士研究生蓝茜茜在邹长春教授、彭诚副教授的指导下,依托国家自然科学面上基金(42274232提出将蒙特卡洛(Monte Carlo)策略和Dropout技术相结合的新方法(记住MC-dropout),并应用于ERT图像智能重建工作中, 该方法在不增加计算复杂度的前提下可以量化机器学习反演的不确定性。本研究主要取得如下认识:

1MC-dropout策略可以在现有传统机器学习模型的基础上提供额外的不确定性信息。与传统机器学习模型不同,MC-dropout模型的参数并非固定的,而是服从一定的分布。对于大多数地球物理领域的非唯一解问题,MC-dropout近似贝叶斯理论模式可以缓解参数过多、收敛时间较长的缺点,具有更好的适应性。

2)与传统机器学习方法相比,MC-dropout模型可以获得更合理的ERT重建结果。智能重建结果表明,MC-dropout模型在保证平均相关性的前提下提高了反演精度,尤其显著提高了预测结果精度的下限。在特定应用场景中,Dropout比例大小应根据所选取的网络和反演问题的特殊性进行确定。

3ERT图像重建中获取的不确定性信息为后续人为质量控制提供依据。机器学习算法的主要目的是实现反演工作的自动化,智能反演工作完成后,可对不确定性较大的结果做进一步分析处理,以达到降低机器学习应用风险的目的。

  

图1  机器学习模型中采用Dropout技术或Monte Carlo-Dropout策略示意。

(a) 模型训练阶段:采用Dropout技术或Monte Carlo-Dropout策略。(b) 模型测试阶段:采用Dropout技术。(c) 模型测试阶段:采用Monte Carlo-Dropout策略

 



图2  不同Dropout比例的模拟数据预测结果对比


 



图3  ERT图像重建中三种Dropout比例的预测不确定性指标量化。

(a)边界。(b)低阻溶液。(c)高阻异常体


 


图4  实测数据预测结果及不确定信息

 

该研究在提高机器学习算法可靠性和可解释性的同时,提高了预测结果的准确率。此外,所提出的MC-Dropout 新方法还可迁移至其它同时需要获取准确预测结果和反演可靠性信息的地球物理问题。

该项研究成果发表在地球科学领域国际权威刊物《IEEE Transactions on Geoscience and Remote Sensing》上,Xixi Lan, Changchun Zou*, Cheng Peng and Caowei Wu. (2023). Uncertainty Quantification in Intelligent-Based Electrical Resistivity Tomography Image Reconstruction With Monte Carlo Dropout Strategy. IEEE Transactions on Geoscience and Remote Sensing, 61, 5906116. DOI: 10.1109/TGRS.2023.3262835. [IF2021 =8.125]

全文链接:https://ieeexplore.ieee.org/document/10089418