夜雨聆风地震解释一直是一项高度依赖专业经验的工作。解释人员需要在大规模二维和三维地震资料中识别断层、层位、地层尖灭、河道、盐体、礁体、滑塌体、振幅异常体以及其他各类地质体。这项工作不仅复杂，而且重复性强、耗时长。解释质量往往受到资料品质、构造背景、沉积环境、处理流程、解释经验以及项目一致性要求等多种因素的影响。
近年来，AI 辅助地震解释正在改变传统解释流程。深度学习模型已经可以帮助解释人员识别断层、追踪层位、分割盐体、分类地震相、刻画河道，并加快地质体解释。然而，早期的许多 AI 地震解释流程通常是围绕单一任务模型建立的。例如，一个模型用于断层识别，另一个模型用于盐体分割，另一个模型用于河道刻画。这样的模型在特定任务上可以取得较好效果，但往往存在适用范围窄、泛化能力有限、跨工区迁移困难等问题。
一个在某个地震资料体上训练好的模型，换到另一个盆地、另一个构造带、另一个处理版本，或者另一个解释目标时，效果可能会明显下降。很多时候，用户需要重新准备训练样本、重新训练模型、重新调参和重新质控。
这正是地震基础模型，也就是 Seismic Foundation Model，简称 SFM，变得非常重要的原因。
地震基础模型是一种在大规模、多类型、多区域地震资料上预训练的可复用 AI 模型。它的目标不是只学习一种解释对象，而是学习地震资料中更通用的地震特征表达，例如反射结构、同相轴连续性、不连续性、地震纹理、振幅变化、断裂样式、地层结构、沉积模式以及三维空间关系。
一旦完成预训练，同一个地震基础模型就可以被适配到多种下游解释任务中，包括断层检测、层位预测、地质体分割、地震相分类、去噪、插值、属性增强以及地震到地质的综合解释流程。
简单来说，SFM 不只是另一个断层自动识别模型。它更像是一个面向地震资料的 AI 知识引擎，可以为多种地震解释任务提供统一的智能基础。
什么是地震基础模型？
基础模型是指在大规模数据上训练，然后可以适配到多种下游任务的 AI 模型。在自然语言处理领域，基础模型可以从海量文本中学习语言结构和知识，然后用于摘要、翻译、问答、写作、编程和推理。在计算机视觉领域，基础模型可以从大规模图像中学习视觉特征，然后用于图像分类、目标检测、图像分割和视觉搜索。
地震基础模型就是把这个思想应用到地震资料中。
SFM 通过大量地震剖面、切片、属性、三维子体和解释样本进行训练。训练数据可以包括二维剖面、三维地震体、时间切片、沿层切片、任意线、地震属性体，以及人工解释的断层、层位和地质体。模型的目标是在执行具体解释任务之前，先学习地震资料中普遍存在的结构、纹理和空间关系。
这与传统监督学习模型不同。
传统监督学习的断层模型主要从断层标签中学习。盐体模型主要从盐体标签中学习。河道模型主要从河道解释样本中学习。这类模型很有价值，尤其是在目标清晰、标签质量高、训练资料和应用资料相似的情况下。但它们通常是窄任务模型，容易受到标签数量、标签质量和资料差异的限制。
SFM 则首先从地震资料本身学习。很多 SFM 工作流可以使用自监督学习或无监督学习方法，也就是说，不一定需要对每一个断层、每一个层位、每一个地质体都进行人工标注。模型可以从大量未标注地震资料中学习反射结构、连续性、不连续性和地震纹理，再通过少量解释样本适配到具体任务。
这对地震行业尤其重要。许多公司拥有大量地震资料库，但完整、高质量的解释标签往往只覆盖其中一部分。SFM 使 AI 有机会从更大规模的未标注资料中学习，再将这些学习到的知识用于新的解释项目。
如何建立一个地震基础模型？
建立一个真正有用的 SFM，并不是简单选择一个神经网络结构就可以完成的。它需要一个完整的技术流程，从资料准备、模型预训练、任务适配，到实际解释软件中的部署和质控。通常包括以下几个关键步骤。
1. 建立多样化的地震训练资料库
SFM 的第一项基础工作是建立足够多样化的地震训练资料库。
一个有实用价值的 SFM 应该接触到不同类型的地震资料，包括二维线、三维地震体、时间域资料、深度域资料、陆上资料、海上资料、叠后资料、叠前资料、不同频带、不同信噪比、不同处理版本以及不同地质背景的数据。
模型还应该学习不同地质模式，例如正断层、逆断层、走滑断层、褶皱、不整合面、河道、礁体、盐体、滑塌体、前积反射、地层尖灭和振幅异常等。
资料多样性非常关键。基础模型的目标不是记住某一个地震体，而是学习可以跨工区、跨盆地、跨资料类型迁移的通用地震特征。如果训练资料过于单一，模型在新项目中的泛化能力就会受到限制。
2. 正确准备地震资料
地震资料在进入模型训练之前，需要进行严格的数据准备。这通常包括振幅归一化、采样率统一、窗口切分、噪声处理、极性检查、坐标处理、属性计算以及训练样本提取。
对于大规模三维地震体，训练系统可能需要提取 inline 剖面、crossline 剖面、时间切片、深度切片、任意线、二维半多视角样本，或三维子体样本。这些样本既要保持地质结构的连续性，又要便于在 GPU 上高效训练。
这一阶段非常重要，因为地震资料不是普通自然图像。一张地震剖面不是一张照片。地震振幅是地下波阻抗界面响应、波场传播、采集处理和成像结果的综合反映。同相轴连续性、相位、频率、调谐效应、采集脚印、偏移噪声、处理假象等都会影响模型看到的内容。
因此，强大的 SFM 必须以地震资料本身的物理和地质特征为基础，而不能简单套用普通图像识别模型。
3. 利用未标注地震资料进行预训练
SFM 最关键的一步是预训练。
在许多 SFM 工作流中，模型会采用自监督学习方法进行训练。也就是说，模型不依赖大量人工标签，而是从地震资料中自动构造学习任务。
例如，掩码自编码器方法可以随机遮挡地震图像或地震体的一部分，然后要求模型恢复被遮挡的内容。要完成这个任务，模型必须学习地震同相轴的连续性、纹理特征、构造样式和空间关系。其他方法还可以包括对比学习、多视角学习、地震属性预测、体素重建或混合式训练方法。
Transformer 架构在这类工作中很有吸引力，因为它可以捕捉比局部卷积更大范围的上下文信息。然而，卷积神经网络仍然非常有用，尤其是在局部纹理识别、边界检测和高效分割方面。
在实际系统中，强大的地震 AI 平台往往不会只依赖一种模型结构，而是会综合使用 CNN、Transformer、U-Net 变体、可提示分割模型以及任务专用解码器。
4. 建立可复用的地震 AI 主干网络
完成预训练后，模型的核心部分就成为一个可复用的地震 AI 主干网络。这个主干网络可以把输入的地震资料转换为有用的内部特征表达，也可以称为嵌入向量或特征图。
这些特征表达可以支持多种下游任务。一个解码器可以用于断层检测，另一个解码器可以用于层位预测，另一个可以用于地质体分割，还有其他解码器可以用于地震相分类、去噪、插值或属性增强。
这正是 SFM 的核心优势之一。软件平台不再需要维护许多彼此独立、数据准备方式不同、训练流程不同、推理方式不同的单一任务模型，而是可以使用一个共享的地震特征基础，再根据不同解释任务进行适配。
5. 融合解释人员的专业知识进行微调
SFM 不应该把解释人员排除在工作流之外。相反，它应该让解释人员变得更高效。
当地震基础模型已经学习到通用地震特征后，就可以通过少量解释人员提供的样本进行微调、校准或局部适配。解释人员可以提供几条断层解释、几个层位控制点、一个河道样本、一个地质体边界，或者对 AI 输出结果进行局部修正。模型随后可以利用这些信息适应当前工区、当前资料和当前地质目标。
这种人在回路中的 AI 工作流非常重要。
地震解释不是简单的图像分割。解释人员需要考虑沉积模式、构造样式、井资料约束、速度不确定性、地震相位、地层关系和勘探开发目标。SFM 的作用不是取代这些地质判断，而是通过更快、更一致、更容易修正的 AI 结果来支持解释人员的判断。
6. 在实际解释软件流程中部署模型
SFM 的最终价值取决于它能否真正改善实际解释流程。
在实际地震解释平台中，SFM 应该支持交互式断层解释、层位追踪、地质体分割、结果质控、人工编辑和团队协作。AI 结果不应该只是一个孤立的概率体，而应该与解释人员已有的断层、层位、地质体和属性对象紧密连接。
断层应该能够约束层位。层位应该能够支持地层分析。地质体应该与地震相、地震属性和地质背景相联系。AI 结果应该可视化、可编辑、可共享、可追踪。
目标不是建立一个黑箱系统，而是建立一个 AI 辅助解释环境：解释人员保持控制权，AI 系统减少重复劳动，提高一致性，并加快从地震资料到地质认识的过程。
为什么 SFM 对 AI 辅助地震解释非常重要？
SFM 之所以重要，是因为地震解释任务本身是相互关联的。
断层会影响层位连续性。层位定义地层格架。地层格架控制沉积相展布。沉积相影响储层质量。河道、礁体、盐体和其他地质体并不是孤立的图像对象，而是存在于完整的地质背景之中。
一个窄任务 AI 模型也许可以识别某一类目标，但它未必理解构造、地层、沉积和地震响应之间的关系。
SFM 提供了一个更适合综合解释的基础。由于它从大规模、多样化地震资料中学习，它可以捕捉更广泛的空间关系和地震上下文，并在同一框架下支持多个解释任务。
对于断层解释，SFM 可以帮助识别地震不连续性，提高断层连续性，减少噪声造成的假阳性，并支持更一致的断层面构建。
对于层位解释，SFM 可以帮助追踪同相轴连续性，识别断层附近的层位中断，减少跳轴问题，并支持更符合地质规律的层面生成。
对于地质体解释，SFM 可以帮助分割河道、盐体、礁体、滑塌体、振幅异常体和其他复杂地质体，并在大规模三维体中保持空间连续性。
对于地震相和地层解释，SFM 可以支持聚类、相似性搜索、沉积模式识别和快速目标筛选。
对于企业级地震解释，SFM 可以减少重复模型训练，缩短项目启动时间，并提高不同工区、不同团队、不同解释人员之间的 AI 结果一致性。
从自动化到解释质量提升
SFM 的价值不仅仅是速度。速度当然重要，但解释质量更加重要。
在地震解释中，低质量自动化有时反而会制造更多工作。如果断层概率体充满噪声，层位追踪频繁跳轴，地质体边界不符合地层背景，解释人员仍然需要大量人工修正。真正有价值的 AI 辅助解释，应该能够生成地质上合理、构造上连续、边界上清晰、并且便于质控和编辑的结果。
SFM 有可能提升解释质量，因为它让 AI 模型具备更广泛的地震理解能力。模型不再只依赖一个小规模局部训练集，而是可以利用从大量地震资料中学习到的通用知识。它也不再把每一个解释任务当成孤立问题，而是通过共享特征表达支持断层、层位、地质体和地震相等多种任务。
同时，SFM 也更适合交互式解释。解释人员可以通过样本、修正、提示和编辑来引导模型，使 AI 输出逐步接近项目所需的地质结果。
这为地震解释自动化提供了一条更实际的路径：不是一键完成所有解释，而是智能化地加速解释过程。
SFM 在断层、层位和地质体解释中的应用
在 AI 辅助断层解释中，SFM 可以支持自动生成断层概率体、提取断层线、构建断层面以及进行断层质控。基础模型可以帮助区分真实构造不连续性与噪声、采集脚印、地层尖灭或振幅变化造成的假象。
在层位解释中，SFM 可以支持自动层位追踪和层面预测。当地震反射清晰时，模型可以提高追踪效率；在断层附近或资料品质变化区域，模型可以帮助识别合理的层位中断和延续关系，从而减少大量人工拾取工作。
在地质体解释中，SFM 可以支持交互式分割河道、盐体、礁体、注入砂体、滑塌体以及其他地质目标。解释人员只需要提供少量样本，模型就可以在三维体中扩展解释，同时尽量保持边界、纹理和空间形态的一致性。
在地震地层学解释中，SFM 可以支持模式识别、相似性搜索、无监督聚类和沉积单元快速筛选。
这些能力结合在一起，可以把地震解释从高度依赖手工拾取的流程，逐步推进到 AI 辅助的地质建模流程。
subsurfaceAI 2026.2：把 SFM 引入实际解释流程
即将发布的 subsurfaceAI 2026.2 是 AI 辅助地震解释向前迈出的重要一步。该版本面向协同化、多工区、多地震资料和 AI 辅助的现代地下解释流程，强化了数据管理、共享解释对象和 AI 辅助解释能力。
其中一个重要亮点，是在 2026.2 版本中引入地震基础模型相关能力。这将为更强大、更可扩展的 AI 地震解释框架奠定基础。subsurfaceAI 不再仅仅依赖单一任务模型，而是正在向一个模型生态系统发展，用于支持断层拾取、层位预测、地质体提取、地震分割和交互式解释等多种任务。
这对用户非常重要，因为真实的地震解释项目很少是简单的。解释人员经常需要同时处理多个地震工区、多个采集和处理版本、不同基准面、不同资料品质以及复杂构造和沉积背景。用户需要的是能够适应实际项目复杂性的 AI，而不是只能在单一演示数据集上表现良好的 AI。
subsurfaceAI 2026.2 还支持共享层位、断层和地质体，使团队能够在同一套解释对象基础上协同工作，并维护更加一致的解释数据库。这对于企业级应用尤其重要，因为多个解释人员、资产团队和专业部门需要共享同一套地质认识和解释框架。
通过结合 AI 辅助解释、共享解释对象、多地震资料工作流和地震基础模型技术，subsurfaceAI 2026.2 将为下一代地震解释自动化提供更强大的平台基础。
AI 辅助地震解释的颠覆性提升
SFM 的颠覆性意义在于，它把 AI 地震解释从单一任务自动化推进到综合地震理解。
传统 AI 模型可以自动化某些具体步骤。SFM 则可以支持更完整的解释系统。它可以成为断层识别、层位追踪、地质体提取、地震相识别和解释人员交互式修正的共同基础。
这并不意味着 AI 将取代地质家和地球物理解释人员。恰恰相反，SFM 的目标是放大解释人员的能力。
解释人员仍然负责定义地质目标、验证解释结果、整合井资料、应用区域地质认识，并作出最终判断。但在 SFM 的支持下，大量重复性解释工作可以被显著加速。解释人员可以把更多时间用于理解地下，而不是机械地绘制每一条线。
对于拥有大规模地震资料库的公司来说，这是一项重大机会。SFM 可以把从许多地震数据中学习到的知识迁移到新项目中，减少每个项目从零开始训练和解释的需要，提高不同项目、不同解释人员和不同团队之间的一致性，并为快速目标筛选、地质质控和可靠解释成果提供更强支持。
结语
地震基础模型正在成为 AI 辅助地震解释的新基础。通过从大规模、多样化地震资料中学习，SFM 可以形成可复用的地震特征表达，并支持断层、层位、地质体、地震相、去噪、插值以及地震到地质的综合工作流。
SFM 的重要性不只是它可以自动化更多任务。它真正的价值在于提高 AI 辅助解释的质量、一致性、可扩展性和地质合理性。
随着 subsurfaceAI 2026.2 的到来，subsurfaceAI 正在把这些能力引入实际地震解释流程。这将帮助地学团队更快、更协同、更高质量地完成地震解释工作。
SFM 不只是一个新的 AI 模型。它是下一代地震解释的技术基础。
