技术摘要：
本公开提供了一种数据深度变化特征自适应的二维电阻率反演方法及系统，构建不同地电模型的视电阻率‑电阻率模型数据对的数据集；构造不同层位深度的卷积核振幅和偏移量根据电阻率深度变化特征自适应可变的自适应卷积网络；构造携带电阻率数据项垂向权重的反演损失函数  全部
背景技术：
本部分的陈述仅仅是提供了与本公开相关的
技术实现要素：
信息，不必然构成在先技 术。 地表二维电阻率探测是一种常见的地球物理勘探方法。电阻率反演成像是通过观 测得到的视电阻率数据反算地下介质电阻率分布的过程，是电阻率探测的核心问题。电阻 率反演是一个典型的非线性问题，目前通用的成熟方法通过目标函数的高阶项省略将其转 化为线性问题求解，存在易陷入局部最优，初始模型依赖性强，反演精度不足等问题。针对 现有方法的问题，从电阻率反演的非线性本质出发，利用新兴的深度神经网络强大的复杂 函数非线性拟合能力提高电阻率反演的成像质量成为解决电阻率反演难题的全新方案。 据发明人了解，目前深度学习反演方案尚未在电阻率反演领域发展推广，其核心 难题在于针对自然图像处理的深度卷积网络具有权值共享属性和固定的卷积核幅值。而视 电阻率数据与自然图像不同，其异常响应特征随深度位置变化而变化，即具有深度变化特 征。视电阻率数据的深度变化特征直接导致：①异常特征难以有效捕捉和区别，网络输出模 糊，进而难以实现准确反演成像；②深部区域异常特征不明显，深部异常体反演效果不佳。