基于离散小波变换的地震资料自适应高频噪声压制

针对现有的小波变换阈值去噪方法无法适用于地震资料高频噪声压制的缺点,笔者分别对阈值函数和阈值选取方案进行了改进,提出了连续硬阈值函数与自适应阈值相结合的地震资料高频噪声压制方法.连续硬阈值函数兼具软、硬阈值函数的优点,可提高重构地震信号的保真度,减少人为噪声误差;自适应阈值方案可根据非平稳地震数据中的能量时变、空变分布特点,通过引入不同子带小波系数标准差、代数平均值以及几何平均值等统计参数,使阈值能够随不同子带的小波系数能量变化而自动调整,以适应地震资料高频噪声压制的要求.实际地震数据处理结果表明,笔者提出的方法在提高信噪比的同时,可保护陡倾角反射界面信号,提高噪声压制后地震数据的保真度.     

基于模拟退火法的磁共振测深多源谐波噪声压制方法

磁共振测深找水方法在高电磁噪声环境下应用时,往往会因为电磁噪声的干扰导致实测数据信噪比降低,反演结果难以准确地确定实际地下水体的分布状况,降低方法的应用效果。针对磁共振测深找水方法在实际野外数据采集工作中常面临的多源谐波噪声干扰问题,在模型去噪的基础上推导出网格搜索同步删除法,进一步提出了效率更高的模拟退火同步删除法。仿真结果表明,2种方法均能有效压制多源谐波噪声,而模拟退火同步删除法能够更快速地搜索谐波基频值,相较网格搜索同步删除法在双基频谐波情况下工作效率提高2.35倍,大大降低了去噪流程的时间成本,且对多源谐波噪声也能取得较好的去噪效果。将该去噪算法应用于实例中,反演结果和钻孔资料的对比表明,模拟退火同步删除法可以有效压制磁共振测深方法实测数据中的多源谐波噪声,显著提高磁共振测深方法的应用效果。     

基于模拟退火法的磁共振测深多源谐波噪声压制方法

磁共振测深找水方法在高电磁噪声环境下应用时,往往会因为电磁噪声的干扰导致实测数据信噪比降低,反演结果难以准确地确定实际地下水体的分布状况,降低方法的应用效果。针对磁共振测深找水方法在实际野外数据采集工作中常面临的多源谐波噪声干扰问题,在模型去噪的基础上推导出网格搜索同步删除法,进一步提出了效率更高的模拟退火同步删除法。仿真结果表明,2种方法均能有效压制多源谐波噪声,而模拟退火同步删除法能够更快速地搜索谐波基频值,相较网格搜索同步删除法在双基频谐波情况下工作效率提高2.35倍,大大降低了去噪流程的时间成本,且对多源谐波噪声也能取得较好的去噪效果。将该去噪算法应用于实例中,反演结果和钻孔资料的对比表明,模拟退火同步删除法可以有效压制磁共振测深方法实测数据中的多源谐波噪声,显著提高磁共振测深方法的应用效果。     

基于LIFT思想的噪声压制技术在南极海域地震资料中的应用

在中国第33次南极科学考察中, 自然资源部中国地质调查局下属的广州海洋地质调查局“海洋六号”船于2016年12月到2017年2月在南极半岛南设得兰海沟海域获得了1 400多km的高分辨率多道地震资料。资料存在的主要噪声为异常高能量干扰和多次波干扰, 为了高保真的压制噪声, 在最大限度地保护有效信号的前提下充分地压制噪声, 设计了基于LIFT(Linear Interference Filter Technique)思想的噪声压制方法。利用这套方法分别针对异常高能量干扰和多次波干扰进行了压制, 压制结果显示, 噪声得到了很好的压制, 有效信号得到了很好的保护, 达到了高保真去噪的目的。     

基于多尺度边缘特征的深度学习电阻率反演方法

直流电阻率法是一种经济、高效的工程地球物理探测手段,对含水构造敏感。线性电阻率反演是实际探测中的主流方法,但其反演结果容易陷入局部最优,产生错误的地质解译。与之相比,无监督反演方法能够采用物理规律和数据挖掘双驱动训练网络,摆脱对真实模型的依赖,具备在实际数据中全局搜索的可行性。在无监督反演方法的基础上,创新了基于多尺度边缘特征的深度学习边界刻画方法。针对反演成像边界模糊的问题,借鉴地震、电磁勘探中多尺度反演的经验,提出了一种电阻率多尺度反演方法,以多尺度反演目标函数作为损失函数修正网络梯度,有效提高了无监督学习反演的边界刻画能力。在上海市域铁路机场联络线1号风井工程开展现场试验,以5号基坑地连墙渗漏点探测为例,探明了15处低阻异常,指导基坑补强作业,验证了方法的可行性和有效性。     

基于A- CGAN的深反射地震数据随机噪声压制方法研究

基于深度学习的地震数据噪声压制方法是当前地震数据去噪处理的重要方向。深度学习方法突破了传统滤波处理的局限,在对常规地震数据的噪声压制中表现出效率高、信噪分离效果好的特点。但针对深部弱有效反射数据,当前的深度学习方法特征提取能力有限,难以取得较好的去噪效果。笔者等结合深反射地震数据特点,针对当前深度学习噪声压制方法在特征提取及对数据集依赖上的局限,提出了基于注意力循环生成对抗网络(Attention Cycle- Consistent Generative Adversarial Networks,A- CGAN)的深反射地震数据随机噪声压制方法。借助循环一致生成对抗网络(Cycle- Consistent Generative Adversarial Networks,Cycle- GAN)的域映射思想,降低对数据集的要求。为了构建适用于深反射地震数据的去噪网络,从3个方面对Cycle- GAN进行改进：在Cycle- GAN的生成器（去噪器）中加入残差结构和注意力机制,用于加深网络深度和提高其特征提取能力;在Cycle- GAN的鉴别器中使用块判决,提高鉴别精度和准确度;在损失函数部分加入感知一致性损失函数,提升网络模型恢复纹理细节信息的能力。通过合成地震数据和实际深反射地震数据测试,验证了优化算法的有效性,体现了良好的应用价值。     

基于A- CGAN的深反射地震数据随机噪声压制方法研究

基于深度学习的地震数据噪声压制方法是当前地震数据去噪处理的重要方向。深度学习方法突破了传统滤波处理的局限,在对常规地震数据的噪声压制中表现出效率高、信噪分离效果好的特点。但针对深部弱有效反射数据,当前的深度学习方法特征提取能力有限,难以取得较好的去噪效果。笔者等结合深反射地震数据特点,针对当前深度学习噪声压制方法在特征提取及对数据集依赖上的局限,提出了基于注意力循环生成对抗网络(Attention Cycle- Consistent Generative Adversarial Networks,A- CGAN)的深反射地震数据随机噪声压制方法。借助循环一致生成对抗网络(Cycle- Consistent Generative Adversarial Networks,Cycle- GAN)的域映射思想,降低对数据集的要求。为了构建适用于深反射地震数据的去噪网络,从3个方面对Cycle- GAN进行改进：在Cycle- GAN的生成器（去噪器）中加入残差结构和注意力机制,用于加深网络深度和提高其特征提取能力;在Cycle- GAN的鉴别器中使用块判决,提高鉴别精度和准确度;在损失函数部分加入感知一致性损失函数,提升网络模型恢复纹理细节信息的能力。通过合成地震数据和实际深反射地震数据测试,验证了优化算法的有效性,体现了良好的应用价值。     

基于二维小波变换的随机噪声压制方法在GPR数据中的应用

在探地雷达探测工作中,为了尽可能多的获取回波信息,通常采用宽频带记录,这就不可避免地将各种干扰波也记录下来,其中随机噪声由于其频带较宽,分布于整个数据剖面,常规滤波方法对随机噪声的压制效果往往不佳。由于小波变换具有较强的分频和局部分析能力,根据需要选择合适的小波基函数和去噪方法,可较好地压制随机噪声,提高信噪比。基于二维小波变换理论,提出了采用自适应分层阈值法对探地雷达数据进行压制随机噪声的方法。通过不同模型、不同信噪比下正演模拟数据的验证以及对实测数据的处理,并与中值滤波法和全局阈值法的去噪效果进行了对比分析,结果表明自适应分层阈值法去噪效果更好,实用性更强。     

基于SVD的叠后地震资料随机噪声分离方法

笔者提出基于SVD的叠后地震资料随机噪声分离方法,在地震剖面的同相轴水平或接近水平时可以有效地分离出地震剖面中的随机噪声,提高地震剖面的分辨率。为了说明SVD随机噪声分离方法的有效性和高效性,建立模型试验,在合成地震记录中加入随机噪声,之后进行实际地震资料处理,分别用SVD方法和基于小波变换的分层阈值方法对加入随机噪声的合成记录和加入随机噪声的实际资料进行随机噪声分离处理。对比发现,SVD随机噪声分离方法相比于基于小波变换的分层阈值方法更加有效且高效。     

一种基于压缩感知的随机噪声压制方法

随着高精度地震勘探技术的发展,利用高保真的方法提高地震资料信噪比成为了去噪处理的关键。曲波域阈值法能够有效地压制随机噪声,但易产生伪吉布斯震荡现象,造成信号局部畸变,从而影响处理效果。针对这一问题,提出一种基于压缩感知理论（Compressing Sensing,简称CS）的地震信号去噪方法,该方法利用随机噪声和有效信号在曲波稀疏域稀疏表征的差异来分离随机噪声。其实现步骤为：将地震数据变换到曲波域;利用压缩感知理论和全变差正则化算法重构曲波系数;曲波逆变换得到压制噪声后的重构地震数据。理论模型和实际资料应用表明,该方法能够很好规避伪吉布斯现象带来的信号失真问题,进一步提高了资料的信噪比。     

基于高精度字典学习算法的地震随机噪声压制

地震勘探中的随机噪声会对有效信号产生严重干扰,甚至会导致信号畸变.为了满足高精度的地震勘探要求,应用高精度字典学习算法压制随机噪声.该算法基于超完备稀疏表示理论,对传统的字典学习算法从字典训练和稀疏编码两个方面进行了改善:在字典训练阶段,保持支集完备的情况下,对字典进行循环更新,使字典更好地适应数据;在稀疏编码阶段,选用上一轮更新的部分大系数作为新一轮迭代的初始系数,充分利用大系数表示有效信号的特点.对理论数据和实际含噪地震资料的处理结果表明,与传统算法相比,高精度字典学习算法在去噪的同时能保护有效信息,明显改善去噪精度,对地震记录信噪比的提高有显著优势.     

基于JADE算法的地震资料随机噪声盲分离方法研究

独立分量分析是近年由盲信号理论发展起来的一种新的多维信号处理方法,在没有先验信息的情况下,能够实现源信号的分离。地震资料中常常包含随机噪声,它是由各种不可预知因素综合作用而成,无统一规律。文中将ICA应用于去除随机噪声问题,在对地震数据特点进行分析的基础上,建立了随机噪声盲分离的ICA模型,并对其假设条件和固有不确定问题进行了深入分析,利用文中改进的稳健预处理算法,先去除加性高斯白噪声,然后将预处理后的数据采用JADE盲分离算法分离出有效信号和非高斯分布的随机噪声,并建立能够辨识有效信号的准则,解决了ICA分离后次序不确定问题,实现了有效信号的提取。仿真实验和对实际地震资料处理表明文中提出的算法能够有效地去除随机噪声。     

基于反距离加权法的混采地震数据分离方法

为将混合地震记录分离为单炮地震记录,笔者采用基于反距离加权的迭代分离方法,在非共炮点域对伪分离数据进行混叠噪声的压制,将其变换回共炮点域,得到分离后的单炮地震记录。模拟数据和实际数据的处理结果证明,本方法能够有效地实现混合数据分离。相较于单独使用多级中值滤波方法,本分离方法能更好的保留有效信息。     

Unsupervised ore/waste classification on open-cut mine faces using close-range hyperspectral data

The remote mapping of minerals and discrimination of ore and waste on surfaces are important tasks for geological applications such as those in mining. Such tasks have become possible using ground-based, close-range hyperspectral sensors which can remotely measure the reflectance properties of the environment with high spatial and spectral resolution. However, autonomous mapping of mineral spectra measured on an open-cut mine face remains a challenging problem due to the subtleness of differences in spectral absorption features between mineral and rock classes as well as variability in the illumination of the scene. An additional layer of difficulty arises when there is no annotated data available to train a supervised learning algorithm. A pipeline for unsupervised mapping of spectra on a mine face is proposed which draws from several recent advances in the hyperspectral machine learning literature. The proposed pipeline brings together unsupervised and self-supervised algorithms in a unified system to map minerals on a mine face without the need for human-annotated training data. The pipeline is evaluated with a hyperspectral image dataset of an open-cut mine face comprising mineral ore martite and non-mineralised shale. The combined system is shown to produce a superior map to its constituent algorithms, and the consistency of its mapping capability is demonstrated using data acquired at two different times of day.     

A Bayesian network approach for predicting seismic liquefaction based on interpretive structural modeling

The Bayesian network (BN) is a type of graphical network based on probabilistic inference that has been gradually applied to assessment of seismic liquefaction potential. However, how to construct a robust BN remains underexplored in this field. This paper aims to present an efficient hybrid approach combining domain knowledge and data to construct a BN that facilitates the integration of multiple factors and the quantification of uncertainties within a network model to assess seismic liquefaction. Initially, only using given domain knowledge, a naive network model can be constructed using interpretive structural modeling. Thereafter, some effective information about the naive model is provided to construct a robust model using structural learning of BN from historic data. Finally, the returning predictive results and the predictive results are compared to other methods including non-probabilistic and probabilistic models for seismic liquefaction using the metrics of the overall accuracy, the area under the curve of receiver operating characteristic, prediction, recall and F₁ score. The methodology proposed in this paper achieved better performance, and we discussed the power and value of the proposed approach at the end of this paper, which suggest that BN is a good alternative tool for seismic liquefaction prediction.