1.一种双分支物理驱动循环神经网络的VSP声波全波形反演方法，其特征在于，构建基于双分支物理驱动循环神经网络，基于双分支物理驱动循环神经网络具体包括：原始尺度真实速度模型正演分支、原始尺度初始速度模型正演分支、降尺度速度模型反演分支；原始尺度真实速度模型正演分支、原始尺度初始速度模型正演分支、降尺度速度模型反演分支各自均采用基于物理驱动的RNN正演网络实现；

声波方程进行有限差分求解，并将方程中的速度参数作为基于物理驱动的RNN正演网络中可训练的参数，将原始尺度真实速度模型正演分支的输出作为观测值，将原始尺度初始速度模型正演分支的输出作为预测值，将求取预测值与观测值之间的损失输入降尺度速度模型反演分支，更新速度参数，并将降尺度速度模型反演分支上的速度参数在每一次迭代反演结束后通过上采样更新到原始尺度初始速度模型正演分支再次进行正演，循环更新。

2.根据权利要求1所述的一种双分支物理驱动循环神经网络的VSP声波全波形反演方法，其特征在于，基于物理驱动的RNN正演网络的输入为速度参数、震源位置以及上一时刻的波场信息，输出为当前时刻的VSP炮集记录。

3.根据权利要求2所述的一种双分支物理驱动循环神经网络的VSP声波全波形反演方法，其特征在于，将预测值与观测值之间的损失记为Lossoriginal；

通过基于平均池化的降采样方法对Lossoriginal进行提取，得到与降尺度速度模型匹配的损失Lossdown；

在降尺度速度模型反演分支中通过基于物理驱动的RNN正演网络进行正演得到降尺度速度模型上的VSP炮集记录dDcal；

将LOSSdown和dDcal相加，得到降尺度速度模型上的观测记录dDobs。

4.根据权利要求3所述的一种双分支物理驱动循环神经网络的VSP声波全波形反演方法，其特征在于，Lossoriginal通过L1范数对预测值与观测值求损失得到。

5.根据权利要求4所述的一种双分支物理驱动循环神经网络的VSP声波全波形反演方法，其特征在于，降尺度速度模型采用的损失函数为均方误差函数。

6.根据权利要求5所述的一种双分支物理驱动循环神经网络的VSP声波全波形反演方法，其特征在于，降尺度速度模型具体为降时间尺度模型或降时空尺度模型。