Russian Journal of Earth Sciences Russian Journal of Earth Sciences Russian Journal of Earth Sciences 1681-1208 90702 10.2205/2025ES001003 ozakic ОРИГИНАЛЬНЫЕ СТАТЬИ ORIGINAL ARTICLES ОРИГИНАЛЬНЫЕ СТАТЬИ The Application of Convolutional Neural Networks for Extraction of Magnetic Anomaly Field Lineaments Применение свёрточных нейронных сетей для выделения осей линейных аномалий магнитного поля https://orcid.org/0009-0006-4450-5301 Шклярук Алексей Дмитриевич Shklyaruk Alexey Dmitrievich alexsh9898@yandex.ru https://orcid.org/0000-0001-5418-8641 Кузнецов Кирилл Михайлович Kuznetsov Kirill Mikhailovich kirillkuz90@yandex.ru

кандидат технических наук;

candidate of technical sciences;

 Московский государственный университет имени М.В. Ломоносова Москва Россия Lomonosov Moscow State University Москва Russian Federation Институт прикладной геофизики имени академика Е.К. Федорова Москва Россия Institute of Applied Geophysics named after Academician E.K. Fedorov Moscow Russian Federation Московский государственный университет имени М.В. Ломоносова Москва Россия Lomonosov Moscow State University Москва Russian Federation 10 07 2025 10 07 2025 25 4 ES4007 24 11 2024 24 02 2025 https://rjes.ru/en/nauka/article/90702/view

Статья посвящена применению свёрточных нейронных сетей (СНС) для автоматизированного выделения осей линейных аномалий магнитного поля. В ходе работы составлена оригинальная архитектура СНС на основе U-Net c использованием предобученных весов VGG-16, обучение которой выполнено на выборке из 500 модельных примеров. Рассматриваемый в работе подход может стать оптимальным инструментом при структурной интерпретации аномальных магнитных полей. В результате апробации предлагаемых СНС, на примере поля одного из участков Баренцева моря, выделены оси линейных аномалий, во многом совпадающие с положением осей, полученных ручной экспертной интерпретацией, что показывает высокую эффективность применения современных технологий искусственных нейронных сетей.

The article focuses on the application of convolutional neural networks (CNNs) for automated extraction of magnetic anomaly field lineaments. In the course of the work, an original CNN U-Net based architecture with pre-trained VGG-16 weights was developed, and its training was conducted on a sample of 500 model examples. The approach presented in this work can be an optimal tool for structural interpretation of magnetic anomaly fields. As a result of testing the proposed CNNs for magnetic field of the Barents Sea local area, the axes of the linear anomalies were identified, largely coinciding with the position of the axes obtained by manual expert interpretation. These fact demonstrates the high efficiency of applying modern artificial neural network technologies.

 Свёрточные нейронные сети магниторазведка линейные аномалии магнитного поля Баренцево море дайки Convolutional Neural Networks magnetometry linear anomalies of the magnetic field Barents Sea dykes Исследования выполнены при финансовой поддержке Междисциплинарных научно-образовательных школ Московского университета в рамках Соглашения № 23-Ш01-13. Research with financial support from the Interdisciplinary Scientific and Educational Schools of Moscow University in conditions of obstacles No. 23-Sh01-13.

Булычев А. А., Лыгин И. В., Соколова Т. Б. и др. Прямая задача гравиразведки и магниторазведки (конспект лекций). — Москва : Университетская книга, 2019. — 176 с. Bulychev A. A., Lygin I. V., Sokolova T. B., et al. Direct problem of gravity and magnetic exploration (lecture notes). — Moscow : Universitetskaya kniga, 2019. — 176 p. — (In Russian). Лыгин И. В., Арутюнян Д. А., Соколова Т. Б. и др. Картирование магматических комплексов по данным гидромагнитных съемок Баренцевоморского региона // Физика Земли. — 2023. — № 4. — С. 96—114. — https: //doi.org/10.31857/s0002333723040075. Lygin I. V., Arutyunyan D. A., Sokolova T. B., et al. Mapping of Magmatic Complexes Based on Hydromagnetic Surveys in the Barents Sea Region // Izvestiya, Physics of the Solid Earth. — 2023. — Vol. 59, no. 4. — P. 586–603. — https://doi.org/10.1134/s1069351323040079. Хайкин С. Нейронные сети: полный курс, 2-е издание. — Издательский дом «Вильямс», 2016. — 1104 с. Haykin S. Neural networks: A comprehensive foundation. — Prentice Hall, 1999. — 1104 p. Черников К. С., Горбачев С. В., Голованов Д. Ю. и др. Геологическая и экономическая эффективность применения гравиразведки и магниторазведки на разных стадиях геолого-разведочных работ // Геология нефти и газа. — 2020. — № 2. — С. 107—120. — https://doi.org/10.31087/0016-7894-2020-2-107-120. Chernikov K. S., Gorbachev S. V., Golovanov D. Yu., et al. Geological and Economic Efficiency of the Use of Gravity and Magnetic Exploration at Different Stages of Geological Exploration // Russian Oil and Gas Geology. — 2020. — No. 2. — P. 107–120. — https://doi.org/10.31087/0016-7894-2020-2-107-120. — (In Russian). Шклярук А. Д. и Кузнецов К. М. Программа для выделения осей линейных аномалий магнитных и гравитационных полей на основе сверточных нейронных сетей RU 2024685140. — Федеральная служба по интеллектуальной собственности РФ, 2024. Shklyaruk A. D. and Kuznetsov K. M. Program for identifying axes of linear anomalies of magnetic and gravitational fields based on convolutional neural networks RU 2024685140. — Federal Service for Intellectual Property of the Russian Federation, 2024. — (In Russian). Deng J., Dong W., Socher R., et al. ImageNet: A large-scale hierarchical image database // 2009 IEEE Conference on Computer Vision and Pattern Recognition. — IEEE, 2009. — https://doi.org/10.1109/cvpr.2009.5206848. Deng J., Dong W., Socher R., et al. ImageNet: A large-scale hierarchical image database // 2009 IEEE Conference on Computer Vision and Pattern Recognition. — IEEE, 2009. — https://doi.org/10.1109/cvpr.2009.5206848. He K., Zhang X., Ren S., et al. Identity Mappings in Deep Residual Networks. — arXiv, 2016. — https://doi.org/10.48550/ARXIV.1603.05027. He K., Zhang X., Ren S., et al. Identity Mappings in Deep Residual Networks. — arXiv, 2016. — https://doi.org/10.48550/ARXIV.1603.05027. Plouff D. Gravity and Magnetic fields of polygonal prisms and application to magnetic terrain corrections // Geophysics. — 1976. — Vol. 41, no. 4. — P. 727–741. — https://doi.org/10.1190/1.1440645. Plouff D. Gravity and Magnetic fields of polygonal prisms and application to magnetic terrain corrections // Geophysics. — 1976. — Vol. 41, no. 4. — P. 727–741. — https://doi.org/10.1190/1.1440645. Ronneberger O., Fischer P. and Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation // Medical Image Computing and Computer-Assisted Intervention - MICCAI 2015. — Springer International Publishing, 2015. — P. 234–241. — https://doi.org/10.1007/978-3-319-24574-4_28. Ronneberger O., Fischer P. and Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation // Medical Image Computing and Computer-Assisted Intervention - MICCAI 2015. — Springer International Publishing, 2015. — P. 234–241. — https://doi.org/10.1007/978-3-319-24574-4_28. Shapiro L. G. and Stockman G. C. Computer Vision. — Prentice-Hall, 2000. — 375 p. Shapiro L. G. and Stockman G. C. Computer Vision. — Prentice-Hall, 2000. — 375 p. Simonyan K. and Zisserman A. Very Deep Convolutional Networks for Large-Scale Image Recognition. — arXiv, 2014. — https://doi.org/10.48550/ARXIV.1409.1556. Simonyan K. and Zisserman A. Very Deep Convolutional Networks for Large-Scale Image Recognition. — arXiv, 2014. — https://doi.org/10.48550/ARXIV.1409.1556. Stankovic L. and Mandic D. Convolutional Neural Networks Demystified: A Matched Filtering Perspective Based Tutorial. — arXiv, 2021. — https://doi.org/10.48550/ARXIV.2108.11663. Stankovic L. and Mandic D. Convolutional Neural Networks Demystified: A Matched Filtering Perspective Based Tutorial. — arXiv, 2021. — https://doi.org/10.48550/ARXIV.2108.11663. Szegedy C., Vanhoucke V., Ioffe S., et al. Rethinking the Inception Architecture for Computer Vision. — arXiv, 2015. — https://doi.org/10.48550/ARXIV.1512.00567. Szegedy C., Vanhoucke V., Ioffe S., et al. Rethinking the Inception Architecture for Computer Vision. — arXiv, 2015. — https://doi.org/10.48550/ARXIV.1512.00567. Tan M. and Le Q. V. EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks. — arXiv, 2019. — https://doi.org/10.48550/ARXIV.1905.11946. Tan M. and Le Q. V. EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks. — arXiv, 2019. — https://doi.org/10.48550/ARXIV.1905.11946. Venkatesan R. and Li B. Convolutional Neural Networks in Visual Computing: A Concise Guide. — CRC Press, 2017. — 186 p. — https://doi.org/10.4324/9781315154282. Venkatesan R. and Li B. Convolutional Neural Networks in Visual Computing: A Concise Guide. — CRC Press, 2017. — 186 p. — https://doi.org/10.4324/9781315154282.