# 地下异常密度重力反演基本模型对比

# 数据生成

第一次探索先生成 2000 训练样本，其中训练比例为 8.5：1.5

$g_z = G\rho \left\{ -(x-\xi) \ln[r+(y-\eta)] -(y-\eta) \ln[r+(x-\xi)] + (z-\zeta) \arctan \frac{(x-\xi)(y-\eta)}{(z-\zeta)r} \right\} \bigg|_{\xi_1}^{\xi_2} \bigg|_{\eta_1}^{\eta_2} \bigg|_{\zeta_1}^{\zeta_2}$

$g_{zz} = G\rho \arctan \frac{(x-\xi)(y-\eta)}{(z-\zeta)r} \bigg|_{\xi_1}^{\xi_2} \bigg|_{\eta_1}^{\eta_2} \bigg|_{\zeta_1}^{\zeta_2}$

这两个是地球物理重力正演中非常经典的 ** 矩形棱柱体重力异常（ $g_z$ ）及其导数（ $g_{zz}$ ）** 的解析表达式。 $g_z$ 作为通道 1， $g_zz$ 作为通道 2 输入到网络之中

# 模型与参数

UNet++、ReLU、ReduceLROnPlateau、b4、epochs150
UNet++、ReLU、ReduceLROnPlateau、b16、epochs100、body_weight 100
UNet++、LeakyReLU、CosineAnnealingWarmRestarts、b16、epochs100、body_weight 100
UNet_ResNeXt50_32x4d、LeakyReLU、CosineAnnealingWarmRestarts、b16、epochs100、body_weight 100
Att_Unet ，LeakyReLU，CosineAnnealingWarmRestarts、b16、epochs100、body_weight 100
Att_Unet with GLoss ，LeakyReLU，CosineAnnealingWarmRestarts、b16、epochs100、body_weight 100、GLoss

# 训练过程

# 90 到 100 轮切片对比

# 并不严谨的结论

当前，我还没有应用一些评价指标，以及控制对比变量，只是直观的探讨了一下模型。就这六次来讲，UNet_ResNeXt50_32x4d (4) 与 Att_Unet with GLoss (6) 相对来讲是最好的，后续将会把 ResNeXt50 主干融入到 UNetpp 与 Att_UNetpp 之中，以及近期的新的主干 ViT 与 ViM，将会提上日程。除此之外，选择或创造更适用于反演任务的模块也尤为重要。