1.一种基于改进U‑net神经网络的瑞利波频散曲线自动提取方法，其特征在于，包括以下步骤：S1、利用面波波场数值模拟与面波频散能量成像得到理论模型的频散能量图，划分为训练数据和测试数据；并计算理论模型的理论频散曲线，结合划分的训练数据构建频散曲线训练集；

S2、采集野外地震面波数据，并进行频散能量成像得到频散能量图，结合划分的测试数据构建频散曲线测试集；

S3、将频散曲线测试集和频散曲线训练集中的图像数据进行裁剪，并将频散曲线训练集中的理论频散曲线进行二值化处理；

S4、对频散曲线训练集中的图像数据进行几何变换，得到扩充后的频散曲线训练集；

S5、构建改进U‑net神经网络模型，利用扩充后的频散曲线训练集进行模型训练；所述改进U‑net神经网络模型具体包括U‑net神经网络、设置在所述U‑net神经网络的编码器的后第一数量的编码层末尾的卷积层、以及设置在所述U‑net神经网络的解码器末尾的挑选层和坐标转换层；

S6、利用训练后的改进U‑net神经网络模型对频散曲线测试集提取多阶瑞利波频散曲线。

2.根据权利要求1所述的一种基于改进U‑net神经网络的瑞利波频散曲线自动提取方法，其特征在于，所述频散曲线测试集中包括基阶频散能量图、有噪声的基阶频散能量图和多阶频散能量图。

3.根据权利要求1所述的一种基于改进U‑net神经网络的瑞利波频散曲线自动提取方法，其特征在于，所述频散曲线训练集中包括基阶频散能量图、有噪声的基阶频散能量图和多阶频散能量图。

4.根据权利要求1所述的一种基于改进U‑net神经网络的瑞利波频散曲线自动提取方法，其特征在于，步骤S4具体包括：将频散曲线训练集中的图像数据分别进行多角度的直角旋转变换、水平镜像翻转变换和垂直镜像翻转变换，将旋转变换和翻转变换后的图像数据合并得到扩充后的频散曲线训练集。

5.根据权利要求1所述的一种基于改进U‑net神经网络的瑞利波频散曲线自动提取方法，其特征在于，所述坐标转换层将解码器对频散能量图中的像素点的分类结果进行坐标转换，将频散点在频散能量图中的位置信息转换到频率相速度域中，再进行曲线拟合得到频散曲线。

6.根据权利要求5所述的一种基于改进U‑net神经网络的瑞利波频散曲线自动提取方法，其特征在于，所述坐标转换层进行坐标转换的方式为：其中，(i，j)为频散点在频散能量图中坐标，V(i，j)为频散曲线的相速度，F(i，j)为频散曲线的频率，Vmin、Vmax为相速度的最大值和最小值，Fmin、Fmax为频率的最大值和最小值。