导读：

瞬变电磁法（TEM）作为一种基于电磁感应原理的地学探索技术，长期以来在地球物理领域发挥着重要作用。然而，传统的地面部署模式在沙漠、戈壁、山地、湿地、水网密集区等地形复杂地区，往往受限于效率低下。为克服这一挑战，研究人员将探测设备集成至空中平台，从而诞生了航空瞬变电磁法（ATEM）。相较于地面静态观测，ATEM面临的主要问题在于信号与噪声的分离更为复杂，以及数据处理过程中难以精确评估剩余噪声的影响。当前，处理策略通常采用多步骤流程，针对不同类型的噪声进行逐一处理，这一过程对操作人员的专业技能要求较高，且无法彻底解决剩余噪声的问题。

核心创新：

中国科学院地质与地球物理研究所的矿产资源研究重点实验室，聚焦于信噪分离与信模映射之间的内在逻辑，提出了一个数学假设，即模型与信号可以视为同一低维流形的不同维度表现。这一假设为打破信噪分离与信模映射间的隔阂提供了理论基础。借助深度学习技术，特别是栈式自编码器（SAE）神经网络，研究人员设计了一种集成系统，实现了数据的同步去噪与反演过程。通过优化用于信噪分离和电阻率模型估计的网络，该系统能够从含噪数据中生成更客观、可靠的大地电阻率模型估计结果。

技术细节与应用实例：

SAE神经网络包含三个关键组件：去噪自编码器、自编码器以及全连接网络。首先，对每个子网络进行单独训练，确保其性能达到最优。随后，将所有子网络整合为一个统一的系统，进行整体优化。通过仿真数据验证，新方法在识别模型电阻率不连续界面方面表现出更高的灵敏度，每一处不连续都能得到准确的识别。相比于传统方法，虽然在小梯度不连续界面的识别上有所欠缺，但通过引入平滑处理器，新方法能够提供更为平滑的输出结果。

在实际应用中，该方法被成功应用于内蒙古桃合木苏木的测线数据处理。结果表明，新方法不仅在电阻率分布状态上与传统方法基本一致，而且在近地表低阻层的空间展布形态及地下高阻层边缘的刻画上展现出更高的分辨率，这与之前的模拟数据测试结果相吻合，证实了新方法在增强分辨能力方面的优势。

结论：

通过深度学习技术的集成应用，实现了航空电磁数据处理的高效、自动化，显著提升了模型估计的可靠性和准确性。这一创新不仅加速了数据处理流程，还为复杂地形地区的地学研究提供了有力工具，标志着瞬变电磁法在技术革新上的重大突破。