众所周知，全波形反演(FWI)梯度包含层析分量和偏移分量。首先利用层析成像分量建立背景速度模型，然后利用偏移分量恢复模型接口，是FWI成功实现的关键之一。因此，有必要在FWI梯度中分离这两类组分。本文提出了一种梯度分解FWI方法(GFWI)，该方法利用层析分量为FWI提供了一个良好的初始速度模型。首先基于一阶应力-速度声波方程推导出FWI梯度，然后采用加权Poynting矢量分离方法将其分解为层析分量和偏移分量。由于波场前向外推和后向外推都可以直接得到Poynting矢量，因此分离算法增加的额外计算量很小。为了更好地恢复模型的低波数部分，在早期迭代中仅使用层析成像分量进行背景速度更新，以恢复模型的低波数部分。最后，我们执行标准FWI以获得最终的反演结果。对灵敏度核测试的分析表明，所提出的梯度分解算法在分离层析和偏移分量方面是有效的。图1和图2分别显示了常规FWI和本文提出的FWI结果。在Marmousi模型上的数值算例表明，该反演方法在地震数据信噪比很低的情况下也能成功地恢复Marmousi模型的中深部结构。
图1.常规的FWI结果
图2.本文FWI结果
研究成果近期发表在在遥感和地学领域权威期刊IEEE Transcations on Geoscicence and Remote Sensing。论文第一作者是中国石油大学（华东）博士生陈亮，通讯作者为黄建平教授。
论文信息：Liang Chen, Jian Ping Huang, 2024, Enhancing Tomography Component of Full-waveform Inversion Based on Gradient Decomposition, https://doi.org/10.1109/TGRS.2024.3456557.