基于PMU-Net深度学习网络的重力异常体反演方法

本发明公开了一种基于PMU‑Net深度学习网络的重力异常体反演方法，属于重力反演领域，包括：通过联合反演两种不同重力异常数据，增加观测方程组数量，全面呈现地下地质结构。借助两个独立通道处理数据，一通道使用Mamba模块捕捉观测点间依赖，另一通道利用空间预训练模型捕捉观测点与地下密度的位置关联。处理后的特征融合输入一维卷积构建的U型神经网络，减少计算量并提升效率。还包含模拟数据生成模块，通过嵌入先验知识解决深度学习在重力反演中的可解释性弱问题。本发明有效提高了复杂地质条件下反演的准确性和可靠性，为地球物理勘探提供了一种高效、准确的新方法。