近日，長沙理工大學土木與環境工程學院在地球物理信息智能處理與地下結構精細探測領域取得一系列重要進展，形成了以探地雷達（GPR）為核心，融合深度學習與多物理場方法的成像與反演技術體系。相關研究成果已連續發表在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等國際權威期刊上。針對傳統GPR反演受限于噪聲干擾、數據不完整、成像模糊等問題，賈卓博士圍繞“深度學習+物探反演”展開系統研究，主要從以下三個方面開展了創新工作：
1. 提升GPR反演精度的網絡結構設計
提出了多種創新神經網絡結構，包括帶Shuffle Attention機制的SAU-GAN網絡、引入擴散模型的DGPRI-Net網絡（圖1）、構建正演-反演閉環結構的CL-CNN網絡等結構。這些方法有效增強了模型對GPR信號特征的提取能力與反演魯棒性，顯著提升了在復雜地質環境下的成像精度。
圖1 GPR擴散反演流程示意圖
2. 應對缺失與失真數據的智能重建技術
考慮到實際采集中常存在數據缺失與干擾，設計了基于閉環卷積神經網絡的插值重建算法（圖2），能夠在信號衰減、強噪聲或局部數據丟失的條件下，重建完整的地下介質響應數據，為后續反演提供可靠基礎。
圖2 GPR數據重建閉環網絡結構框架圖
3. 融合多源物探數據的跨模態深度學習方法
針對磁法數據中的磁極變換問題，研究提出了基于深度神經網絡的極化轉換模型，利用非線性特征學習增強磁異常信號與地下結構的對應關系（圖3），提高了在高緯度和低緯度區域復雜磁體識別的準確性。該方法為實現GPR與磁法數據的融合提供了理論支撐和方法基礎。
圖3 基于深度學習的磁異常極化方法流程圖
上述技術路線不僅在合成數據中表現出色，在實測數據中也展現出良好的泛化性能，驗證了其在巖土工程病害識別、地下結構檢測、地質災害監測等多個實際場景中的應用潛力。目前，賈卓博士已發表多篇相關SCI論文，涵蓋GPR反演、插值重建、多模態數據融合等核心方向。該系列研究獲得了國家自然科學基金、湖南省自然科學基金、長沙理工大學科研平臺項目資助。
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 圖/邱祥 一審/張康 二審/蔣友寶 三審/王磊）
