Тип публикации: статья из журнала
Год издания: 2026
Идентификатор DOI: 10.34926/geo.2026.20.88.009
Ключевые слова: foundation model, deep learning, seismic data interpretation, vision transformer, Self-supervised pre-training, structural interpretation, базовая модель, глубокое обучение, интерпретация сейсмических данных, предварительное обучение, структурная интерпретация
Аннотация: Автоматизация интерпретации сейсмических данных остается ключевой задачей прикладной геофизики в силу роста объемов 3D-съемок и жестких сроков геолого-разведочных работ. В данной статье описывается использование парадигмы больших базовых моделей для создания универсального и устойчивого к дефициту данных инструмента анализа. Целью Показать полностьюработы являлась адаптация иерархического визуального трансформера (Hiera) для задач структурной интерпретации. Выбранная модель предварительно обучалась по стратегии маскировочного автоэнкодера (MAE) на крупных массивах неразмеченных данных, для адаптации к конкретным задачам (корреляция горизонтов, картирование палеоврезов) применялась легковесная надстройка с использованием адаптеров LoRA и FPN-декодера. Показано, что предложенный подход на реальных сейсмических данных Восточной Сибири значительно превосходит результаты сверточных нейронных сетей по качеству прогноза в условиях дефицита размеченных данных. Automation of seismic data interpretation remains a key challenge in applied geophysics due to the increasing volumes of 3D surveys and tight exploration deadlines. This article describes the application of the foundation model paradigm to create a universal analysis tool robust to data scarcity. The aim of this work was to adapt a hierarchical Vision Transformer (Hiera) for structural interpretation tasks. The selected model was pre-trained using a Masked Autoencoder (MAE) strategy on large datasets of unlabeled data; for adaptation to specific tasks (horizon correlation, paleochannel mapping), a lightweight fine-tuning approach using LoRA adapters and an FPN decoder was applied. In conclusion, it is shown that the proposed approach, tested on real data from Eastern Siberia, significantly outperforms convolutional neural networks in terms of prediction quality under conditions of limited labeling.
Журнал: Геофизика
Выпуск журнала: № 1
Номера страниц: 61-67
ISSN журнала: 16814568
Место издания: Москва
Издатель: Межрегиональная общественная организация Евро-Азиатское геофизическое общество