近日，国产a视频免费观看不卡土木与环境工程学院在地球物理信息智能处理与地下结构精细探测领域取得一系列重要进展，形成了以探地雷达（GPR）为核心，融合深度学习与多物理场方法的成像与反演技术体系。相关研究成果已连续发表在IEEE Transactions on Geoscience and Remote Sensing、IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing、IEEE Geoscience and Remote Sensing Letters等国际权威期刊上。针对传统GPR反演受限于噪声干扰、数据不完整、成像模糊等问题，贾卓博士围绕“深度学习+物探反演”展开系统研究，主要从以下三个方面开展了创新工作：

1. 提升GPR反演精度的网络结构设计

提出了多种创新神经网络结构，包括带Shuffle Attention机制的SAU-GAN网络、引入扩散模型的DGPRI-Net网络（图1）、构建正演-反演闭环结构的CL-CNN网络等结构。这些方法有效增强了模型对GPR信号特征的提取能力与反演鲁棒性，显著提升了在复杂地质环境下的成像精度。

图1 GPR扩散反演流程示意图

2. 应对缺失与失真数据的智能重建技术

考虑到实际采集中常存在数据缺失与干扰，设计了基于闭环卷积神经网络的插值重建算法（图2），能够在信号衰减、强噪声或局部数据丢失的条件下，重建完整的地下介质响应数据，为后续反演提供可靠基础。

图2 GPR数据重建闭环网络结构框架图

3. 融合多源物探数据的跨模态深度学习方法

针对磁法数据中的磁极变换问题，研究提出了基于深度神经网络的极化转换模型，利用非线性特征学习增强磁异常信号与地下结构的对应关系（图3），提高了在高纬度和低纬度区域复杂磁体识别的准确性。该方法为实现GPR与磁法数据的融合提供了理论支撑和方法基础。

图3 基于深度学习的磁异常极化方法流程图

上述技术路线不仅在合成数据中表现出色，在实测数据中也展现出良好的泛化性能，验证了其在岩土工程病害识别、地下结构检测、地质灾害监测等多个实际场景中的应用潜力。目前，贾卓博士已发表多篇相关SCI论文，涵盖GPR反演、插值重建、多模态数据融合等核心方向。该系列研究获得了国家自然科学基金、湖南省自然科学基金、国产a视频免费观看不卡科研平台项目资助。

原文信息：

[1]. M. Huang, J. Liang, P. Yin, X. Zhu and Z. Jia, "SAU-GAN: A Shuffle Attention U-Net Generative Adversarial Network for GPR Inversion," in IEEE Geoscience and Remote Sensing Letters, vol. 22, pp. 1-5, 2025, Art no. 7505005, doi: 10.1109/LGRS.2025.3557521.

[2]. Z. Jia, M. Huang, H. Xu, W. Du and Y. Li, "Pole Transformation of Magnetic Data Using CNN-Based Deep Learning Models," in IEEE Transactions on Geoscience and Remote Sensing, vol. 63, pp. 1-10, 2025, Art no. 5908710, doi: 10.1109/TGRS.2025.3547890.

[3]. Z. Zhou, M. Huang, H. Xu, X. Yang, Y. Li and Z. Jia, "Deep Learning-Based Interpolation for Ground Penetrating Radar Data Reconstruction," in IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, vol. 18, pp. 6329-6335, 2025, doi: 10.1109/JSTARS.2025.3543256.

[4]. M. Huang, Y. Wang, Y. Wu and Z. Jia, "Ground-Penetrating Radar Inversion via Steady-State Diffusion Processes," in IEEE Transactions on Geoscience and Remote Sensing, vol. 63, pp. 1-9, 2025, Art no. 5101309, doi: 10.1109/TGRS.2024.3524326.

[5]. M. Huang, J. Liang, Z. Zhou, X. Li, Z. Huo and Z. Jia, "Enhanced Ground-Penetrating Radar Inversion With Closed-Loop Convolutional Neural Networks," in IEEE Geoscience and Remote Sensing Letters, vol. 22, pp. 1-5, 2025, Art no. 3500405, doi: 10.1109/LGRS.2024.3505594.

（文 图/邱祥 一审/张康 二审/蒋友宝 三审/王磊）