收益：
- 能够理解位场处理校正（布格、陆地、对数、IGRF）和区域残留物分离的参数敏感性，并使用不同的分离进行测试
- 能够正确解释源位置，考虑深度幅度不确定性和磁纬度效应（减少到极点）
- 能够通过替代情景和地震/井交叉验证势场解释，而无需将势场解释锁定到单个模型
地震法价格昂贵且不能在所有地方应用。这就是势场方法（重力和磁力）发挥作用的地方：相对便宜的方法可以快速扫描大面积并揭示盆地和矿体的粗糙结构。重力法测量地下密度差产生的非常小的重力变化；磁法测量岩石磁化强度（磁化率）差异引起的磁场变化。在本单元中，我们将解释人工智能（AI）如何加速异常辨别和深度估计这两种方法的处理；我们将看到为什么潜在领域固有的强烈不确定性需要格外谨慎地使用人工智能。
势场数据的性质
让我们从一本字典开始吧。异常，偏离预期区域值；换句话说，它是我们感兴趣的地下结构的特征。在重力中，原始测量经历了许多校正：自由空气校正（高程的影响）、布格校正（测量和参考之间岩体的影响）和地形校正（地形的影响）。由此产生的布格异常反映了地下密度差异。在磁学中，减去日变化和主磁场（IGRF）即可获得磁异常。
势场的主要挑战是深度-幅度不确定性：小而浅的源和大而深的源可以产生几乎相同的表面异常。这就是地震中多义性的势场状态，人工智能并没有消除它——它只是加速了它。这就是为什么在评论中我总是问“有多少不同的模型可以解释这种异常现象？”被问到问题。
人工智能在处理和领域分离中的应用
势场处理的核心是区域残余分离：将缓慢变化的区域成分与广泛的深层源分离，将残余成分与浅层局部源分离。经典方法是多项式拟合或波长滤波器；基于人工智能的方法可以通过从示例中学习来使这种区分更加灵活。此外，基于导数的特征——水平/垂直导数、分析信号、倾斜角度——突出显示源边缘；人工智能可以结合这些属性并自动标记边缘和资源候选者。
风险在于滤波器参数（截止波长）完全改变了解释。相同的数据产生完全不同的残差图，具有不同的区别。即使人工智能建议分离，专家也会检查该分离是否适合目标深度。
提示：不要使用单个参数来修复区域残基区别。生成三个或四个具有不同截止波长的残差图，并查看目标异常在所有图上是否一致。仅出现在单个区别中的异常通常是参数伪影。
深度估计和自动化
采用Euler反卷积、Werner反卷积等方法估计潜在区域的源深度；这些根据异常的梯度估计源位置和深度。人工智能可以加速这些预测，并通过聚集数千个解决方案来生成更干净的“深度云”。然而，这些方法对结构指数等输入非常敏感——定义源几何形状的假设；错误的假设系统地产生错误的深度。如果可能的话，人工智能生成的深度图总是通过地质合理性和地震/井进行检查。
注意：由于磁数据的极性和纬度影响，异常可能并不位于源的正上方。在北半球，异常可能会向源头以南移动。不要接受AI标记的“资源中心”，它没有还原到极点。
地震解释一体化
仅势场分辨率较差；他们的真正力量是在共同诠释中显现出来的。重力给出了盆地的深度，磁力给出了底部的地形，地震给出了精细结构。人工智能有助于将这些不同的数据层组合成一个通用模型（数据融合）；但合成是在专家监督下完成的，并考虑到每种方法的分辨率和不确定性。
三个迷你箱子
情况 1 — 缩小盆地边缘。在地热项目中，需要利用重力数据寻找盆地边缘（断层台阶）。 AI辅助边缘检测（倾斜角度+分析信号）标记了12条候选边缘线。该团队利用磁力井和两个现有井对这些井进行了检查； 5 处与基底断层台阶一致，7 处是噪声引起的。验证的边缘使井位偏移了800 m。
案例 2——纬度效应谬误。在一次矿产勘探中，选择磁异常中心作为直接钻探目标。第一口井空了。后来，当缩小到极点时，才知道真正的源头在异常中心以北300 m处：忽略了纬度影响。第二竖井发现矿体。
情况 3 — 参数相关的幽灵。一个团队在单个截止波长产生的残差图中看到了明显的“嵌入结构”。当使用不同的截止值复制地图时，结构丢失了：这是区域残差区别的参数工件，而不是真正的来源。
四个可复制模板
1）加工修正控制：
您的角色：重力/磁力加工专家。产量：[陆地重力，地形崎岖]。按我需要应用的修正顺序列出我（自由空气、布格、地形；每日+拾取时的 IGRF）。对于每个更正，请在注释中写出典型错误及其影响（如果省略）。
2）测试区域残差歧视：
我正在做区域残留歧视，我的目标深度是〜[X]公里。如何选择截止波长？给我一个程序来比较使用不同截止值生成的残差图：如何区分哪个异常是真实的，哪个是参数伪影？
3）深度估计控制：
我用欧拉反卷积估计了深度。解释我选择的结构指数如何影响结果。如何比较使用不同指数获得的深度分布并通过地质合理性和地震活动性来确认它们？
4）磁力焊接位置校正：
在将我的磁异常中心作为钻探目标之前，请解释一下纬度效应以及将其降低到极点的必要性。如何解释源的实际位置和异常中心之间的偏移？一步步告诉我。
弱提示/强提示
弱提示：
告诉我矿石在重力图上的位置。
单独的潜在区域并不能表明矿石；人工智能隐藏了不确定性并产生单点错误的确定性。
强力提示：
你的角色：潜在的现场评论员。背景：布格异常图，目标硫化物矿石，存在两口井。任务：（1）用边缘检测属性标记候选资源边界； (2) 为每个候选者提供至少两个密度-深度场景，浅-小和深-大； (3) 告诉我您建议使用哪些附加数据（磁力数据、地震数据、井数据）来区分这些场景。不要给出单个精确的资源位置。
不确定性场景和交叉数据请求使势场解释诚实且站得住脚。
方法比较
特征
重力
磁性的
人工智能贡献
它测量的差异
密度
磁化强度
属性合并
典型目标
盆地、盐、矿石
基岩、矿石
边缘/焊缝标记
主要不确定性
深度-幅度
纬度/极点效应
缩小不确定性
关键修正
布格，土地
每日、IGRF、RTP
自动化、控制
常见错误
- 唯一的区别是现在相信地图。在未使用不同截止值测试异常的情况下，请勿声明结构。
- 绕过纬度效应。磁异常中心并不位于源头正上方。
- 任意选择结构指标。欧拉深度对此假设非常敏感。
- 仅考虑潜在区域即可确定。分辨率低；与地震/井结合。
- 采用隐藏不确定性的单一模型。确保创建浅小场景和深大场景。
综上所述
重力和磁力方法可以廉价地扫描大面积区域并提供盆地和矿石结构的粗略轮廓； AI 加速渲染、边缘/源标记和深度估计。但势场固有的深度幅度不确定性、纬度效应和参数敏感性使得AI输出极其脆弱。正确用法：生成多个场景，使用不同参数进行测试，观察物理现象（例如还原到极点）以及与地震/井相结合。最终解释权属于专家，不隐瞒不确定性。
应用任务
选择重力或磁异常（真实或样本）。使用“区域残留辨别测试”模板创建不同截止波长的比较例程。如果有磁性，请使用“磁源位置校正”模板评估纬度效应。写下至少两种不同的地下场景来解释异常情况以及用于区分它们的附加数据。
清单
- [ ] 我应用了所有渲染校正（布格/地形或 log/IGRF）。
- [ ] 我用不同的参数测试了区域残差区别。
- [ ] 我考虑了磁学中的纬度效应/极点减少。
- [ ] 我已经为该异常生成了至少两种深度-幅度情景。
- [ ] 我用地震/井/其他方法交叉验证了结果。