基于Noise-to-Noise自监督学习的地震数据去噪方法

在地震勘探采集到的地震数据中不可避免的存在随机噪声,而高信噪比的地震数据是地震资料反演和解释的基础.因此随机噪声压制一直是地震资料处理中的重要工作.近些年来,随着深度学习技术的发展,基于卷积神经网络的地震数据去噪方法已经取得了丰硕的成果.常规的监督学习策略需要获取无噪数据作为标签,然而从实际地震数据中获取无噪数据只能通过传统去噪方法进行预处理,以此方法构建标签数据的监督学习去噪网络必然受构建数据集的去噪方法影响.针对此问题,本文提出了一种基于Noise-to-Noise自监督学习的地震数据去噪方法,该方法通过对实际地震数据添加不同等级的噪声构建训练数据集,仅需要含噪地震数据即可训练去噪网络.合成数据测试和实际数据测试表明,本文方法可以有效去除地震数据中的随机噪声,性能优于受数据集构建方法所限的监督学习去噪方法和传统去噪方法.     

基于孪生网络的人工震源分布式光纤传感数据噪声压制

受耦合效应和其他诸多因素的影响,野外实际采集的分布式光纤声波传感(Distributed Fiber-optic Acoustic Sensing,DAS)数据的信噪比通常较低.因此,在后续处理之前,需要首先对DAS数据进行去噪处理.传统的基于人工智能监督学习的去噪方法能够对DAS数据中的噪声进行压制,但它需要大量含噪声和无噪声数据进行成组标记,人工标记工作量巨大.为此,本文提出了基于自监督学习孪生网络的DAS地震数据去噪方法.该方法基于自监督学习中的孪生网络结构,采用U-Net网络建立深度学习框架.所提框架通过对输入的含噪声数据进行数据自我特征学习,迭代获取去噪目标函数的最优解,从而实现自监督高精度深度学习去噪网络构建.合成数据和实际资料处理结果表明,本文方法可以有效抑制人工震源DAS采集数据中的随机噪声,显著提高去噪结果的信噪比和同相轴的连续性.此外,本文方法能够避免常规监督学习方法需要进行数据标记的人工工作量,有效提高实际地震数据去噪处理效率.

     

基于深度卷积自编码网络地震数据去噪方法

在采集得到地震数据中,随机噪声常常与有效信号混合在一起,并且毫无规律,使用常规去噪方法不能够达到理想的效果,影响后续的地震数据处理工作.为有效压制地震数据中的随机噪声,本文根据深度学习的相关理论,提出了一种基于深度卷积自编码网络的数据驱动的去噪方法,可以解决随机噪声难以去除的问题.在卷积自编码器的基础之上,网络使用了较多的层数并加入跳跃连接构造,从而增加了网络的深度,能够提取并结合数据中深层与浅层特征,增强对随机噪声的处理能力,更好地恢复有效信号的细节.经过实验证明该方法对于不同水平的随机噪声的压制均有优异的表现,在去噪的效果上远超中值滤波、小波变换等传统去噪方法,同时也比经典的DnCNN网络更加优秀,能够完整地保留有效信号,极大提升地震数据的质量.     

基于数据增广和CNN的地震随机噪声压制

卷积神经网络(Convolutional Neural Network,CNN)是一种基于数据驱动的学习算法,简化了传统从特征提取到分类的两阶段式处理任务,被广泛应用于计算机科学的各个领域.在标注数据不足的地震数据去噪领域,CNN的推广应用受到限制.针对这一问题,本文提出了一种基于数据生成和增广的地震数据CNN去噪框架.对于合成数据,本文对无噪地震数据添加不同方差的高斯噪声,增广后构成训练集,实现基于小样本的CNN训练.对于实际地震数据,由于无法获得真实的干净数据和噪声来生成训练样本集,本文提出一种直接从无标签实际有噪数据生成标签数据集的方法.在所提出的方法中,我们利用目前已有的去噪方法从实际地震数据中分别获得估计干净数据和估计噪声,前者与未知的干净数据具有相似纹理,后者与实际噪声具有相似的概率分布.人工合成数据和实际数据实验结果表明,相较于F-X反褶积,BM3D和自适应频域滤波算法,本文方法能更好地压制随机噪声和保护有效信号.最后,本文采用神经网络可视化方法对去噪CNN的机理进行了探索,一定程度上解释了网络每一层的学习内容.

     

基于深度卷积神经网络的地震数据随机噪声压制

本文以提高地震数据的成像质量为目标,提出一种智能的卷积神经网络降噪框架,从带有噪声的地震数据中自适应地学习地震信号。为了加速网络训练和避免训练时出现梯度消失现象,我们在网络中加入残差学习和批标准化的方法,并采用了ReLU激活函数和Adam优化算法优化网络。此外,Marmousi和F3数据集被用来对网络进行训练和测试,经过充分训练的网络不仅能在学习中保留地震数据特征,而且能去除随机噪声。首先充分地训练网络,从中提取出随机噪声,并保留学习到的地震数据特征,之后通过重建地震数据估算测试集中的波形特征。合成记录和实际数据的处理结果显示了深度卷积神经网络在随机噪声压制任务中的潜力,并通过实验验证表明了深度卷积神经网络框架有很好的去噪效果。      

基于小波模极大值的地震信号去噪研究

小波分析在时域和频域具有很好的局部化特性,是分析和处理数字信号强有力的工具。文章将基于小波变换的模极大值去噪算法应用到地震信号的去噪研究中。首先依据相关理论验证算法的有效性,并对红山基准台的地震数据进行去噪分析处理。结果表明,去噪后的信号有效去除了大部分毛刺,去噪效果良好,噪声得到很好的抑制。为实现数据处理的界面化及易操作,在基于小波变换模极大值去噪算法比较分析的基础上,设计一个地震信号去噪系统分析界面,从而实现数据去噪的可视化应用。     

基于一种改进凸集投影方法的地震数据同时插值和去噪

基于稀疏反演的地震插值方法是一种重要的插值方法, 然而大多数这类方法只针对无噪声数据或者高信噪比数据插值.实际上, 地震数据含有各种噪声, 使得插值问题变得更加困难.凸集投影方法是一种高效的插值算法, 但是对于含噪声数据的插值效果不理想, 针对含噪声数据提出的加权凸集投影方法能够实现同时插值和去噪, 但是除了最小阈值需要认真选取外, 增加一个权重因子来实现去噪功能.本文由迭代阈值算法推导出加权凸集投影方法, 证明其是解无约束优化问题的一种方法, 加权因子可以看作拟合误差项的系数.本文还提出了一种改进的凸集投影方法, 与原始凸集投影方法相比该方法不需要增加任何计算量, 只要通过阈值的选择来进行插值和去噪.数值模拟证明了该算法的计算效率, 并且对含噪声数据能够实现较好的插值效果; 先插值后去噪的结果证明了同时去噪和插值算法的可靠性和稳定性.     

基于数据驱动的小波域分贝准则强能量振幅压制方法（英文）

在对振幅值动态范围分布较大的地震数据进行强能量去噪处理时,针对常规方法通常会面临的阈值求取不准导致效果不理想、需要反复测试模块参数以及需要多轮迭代联合去噪才能达到预期效果等问题,本文提出了基于数据驱动的分贝准则小波域强能量振幅压制方法。与常规方法相比,该方法不直接对异常强振幅能量值进行统计分析,而是对振幅的能量级指数进行统计分析来确定去噪阈值,即分贝判定准则。本文采用小波变换在时频域选取最佳有效信号分布时窗进行阈值统计,然后分频压制,以进一步提升去噪效果。理论和实际数据测试表明,该方法能有效压制地震数据中的强能量振幅,对强能量振幅分布动态范围适应广、时窗依赖程度低、保幅性好,具有良好的应用前景。     

小波与曲波变换探地雷达数据去噪对比分析

探地雷达勘探工程目标及观测工程环境越加复杂给其精确的数据处理带来极大挑战,高效的探地雷达数据去噪算法是当前关注的重要研究领域.基于阈值去噪思想,小波变换和曲波变换去噪算法在探地雷达数据去噪应用中受到限制,有必要开展上述两种去噪算法适用性和实用性系统评价及改进.基于传统高阶相关统计阈值和块状复数域阈值函数,本文开展了小波变换及曲波变换去噪算法在合成含噪数据去噪效果对比分析;提出窗口高阶相关统计阈值小波变换去噪算法、探讨了块状复数域阈值函数取值变化对曲波变换去噪效果影响规律.通过对实测数据去噪分析,验证了窗口高阶相关统计阈值小波变换和估计块状复数域阈值函数曲波变换去噪算法的可行性及有效性.     

基于广义S变换、经验模态分解叠前去噪方法的比较

高频噪声压制是高分辨率地震数据处理中的关键性问题.基于广义S变换、经验模态分解的时频域地震去噪技术具有时变、分频和高保真特性,可有效处理非平稳地震信号,但二者在去噪原理、去噪效果、保真度、计算效率等方面尚存差异.对比分析表明:两种算法在提高地震信号信噪比的同时,可保持地震信号的保真度,保护陡倾角反射界面能量;基于广义S...     

微地震信号的参数辨识建模及其Kalman滤波

由于微地震信号能量微弱、信噪比低,需要对采集到的微地震数据进行去噪处理,从而提高微地震记录的信噪比,提高震源定位的精度.目前存在许多基于模型的先进滤波方法,如基于机理模型的卡尔曼滤波已经成功应用在微地震信号去噪中.为了建立微地震信号的数学模型,改善卡尔曼滤波效果,本文通过数据辨识方法,对微地震信号建立了ARMA模型,并进一步转化为适用于卡尔曼滤波算法的状态空间模型.在此基础上研究了卡尔曼滤波方法,设计了适用于微地震去噪的卡尔曼滤波实现算法.理论模型和实际微地震监测数据处理结果表明,基于辨识模型的卡尔曼滤波算法能够有效抑制微地震信号中的随机噪声,显著提高微地震监测信号的信噪比,从而验证了该辨识模型的准确性和滤波算法的可行性.     

基于深度卷积生成对抗网络的瑞雷波信号随机噪声去除

瑞雷波勘探是一种新兴的环境与工程地球物理勘探方法,野外采集的瑞雷波数据常含各种噪声干扰,对瑞雷波信号进行去噪处理至关重要.本文提出了一种基于深度卷积生成对抗网络(DCGAN)的瑞雷波信号随机噪声去除方法,其关键在于构建一个适用于瑞雷波信号去噪的DCGAN,包含生成器与判别器两部分.生成器由一个全卷积神经网络(FCN)构成,用于学习含噪数据到无噪数据的特征映射;判别器由一个卷积神经网络(CNN)构成,用于辅助生成器训练.基于DCGAN的去噪方法的实现分为三步:数据预处理、网络训练和噪声去除.一旦网络训练完成,去噪过程无需更多人为调整参数,减少了人力成本.对实际数据进行去噪试验,从地震数据和频散曲线两方面评价去噪效果,验证了本文方法的可行性,且相较于常用的小波变换、F-X反褶积算法,本文方法在不同比例噪声情况下均具有更好的去噪效果,对瑞雷波信号去噪方法选取有一定参考意义.     

双稀疏字典和FISTA的地震数据去噪

地震数据的随机噪声去除是地震数据处理中的一项重要步骤,双稀疏字典提供了两层稀疏模型,比单层稀疏模型可以更好地去除噪声.该方法首先利用contourlet变换对地震数据进行稀疏表示,然后在contourlet域中使用快速迭代收缩阈值算法（fast iterative shrinkage-thresholding algorithm,FISTA）对初始字典系数进行更新,接着采用数据驱动紧标架（data-driven tight frame,DDTF）在contourlet域中得到DDTF字典并通过FISTA得到更新后的字典系数,最后通过DDTF字典和更新后的字典系数获得新的contourlet系数,并对新的contourlet系数进行硬阈值和contourlet反变换得到去噪后的数据.通过模拟数据和实际数据的实验证明：与固定基变换去噪方法相比,该方法可以自适应地对地震数据进行稀疏表示,在地震数据较为复杂时得到更高的信噪比;与字典学习去噪方法相比,该方法不仅拥有较快的去噪速度,而且克服了字典学习因为缺少先验约束造成瑕疵的缺点.

     

基于像素差分神经网络的断层识别方法

断层识别是地震解释的一项重要任务.相对传统的基于人工或半人工的断层检测方法, 基于深度学习的断层检测方法具有自动化程度高等特点, 近年来已经吸引了业界广泛兴趣.目前, 大多数利用深度学习的断层识别方法都是基于语义分割或图像分类, 但基于语义分割或图像分类的方法预测出的断层噪声较多.而边缘检测网络可以通过学习断层在地震剖面中不连续的特征, 从而提高网络的抗噪能力.为了利用边缘检测网络的抗噪优点并提升其性能, 本文采用基于像素差分的卷积运算构建出像素差分网络模型(Pixel Difference Networks, Pidinet).相较于传统的边缘检测网络, Pidinet将传统的边缘检测算子与深度学习网络结合, 有效地提升了边缘检测的效果.为了使Pidinet网络更好地预测断层, 本文对原始Pidinet网络进行了优化, 去掉了相对断层识别任务而言多余的分支结构和卷积层.相对于传统的卷积运算, 基于像素差分的卷积运算可以让神经网络更好地学习断层信息.为了让网络充分学习数据中的断层特征, 本文将真实地震样本与合成地震样本混合得到训练所用数据集.实验证明Pidinet在交并比(Intersection over Union, IoU)方面较Holistically Nested Edge Detection (HED)边缘检测网络提升了10%左右.为了测试网络的迁移能力, 本文只使用少量的数据样本对网络进行微调, 迁移的结果较分类网络在F1分数(F1 Score)、灵敏度(sensitivity)等指标均提升了10%以上.最后, 本文使用公开的实际地震数据进行测试, 实验结果显示Pidinet识别出的断层连续且清晰, 从而证明了基于边缘检测的深度学习算法在断层识别问题中的有效性.

     

基于数据增广训练的深度神经网络方法压制地震多次波

地震数据中存在的多次波影响偏移成像,误导地震资料的解释,因此通常视为相干噪声而被去除.为了对多次波进行智能化衰减,本文提出了一种基于数据增广训练的使用深度神经网络的多次波压制方法.设计的深度神经网络包括卷积编码和卷积解码过程,其中卷积编码过程学习全波场数据中的一次波特征,卷积解码过程利用这些特征来重构一次波并压制多次波和随机噪声.在训练阶段,旋转训练集并在输入数据中加入随机噪声构成增广训练数据集来提升神经网络的抗噪稳定性和泛化性,通过迁移学习让深度神经网络具备跨工区压制多次波的能力.简单模型与Sigsbee2B模型三套模拟数据的实例验证了本文方法在一次波重构和多次波压制中的有效性、稳定性和良好泛化性;一套崎岖海底模型地震物理模拟数据的应用实例表明本文方法具有应用于复杂条件下压制地震多次波的能力.

     

一种基于条件对抗网络的自监督地震随机噪声压制方法

针对地震数据标注困难,提出基于改进的条件对抗网络的自监督随机噪声压制方法.训练过程分为2步：(1)向合成地震记录混入随机噪声构造含噪声-纯净训练集,采用监督学习策略,通过改进的条件生成对抗网络学习地震数据的有效特征;(2)借助自监督损失函数,利用目标域实际数据对预训练模型进行微调.2步训练法利用了源域合成地震记录与目标域实际地震数据之间的相似性,将源域学习到的模型迁移到目标域,实现地震数据自适应盲去噪.理论模型和实际地震数据试算结果验证所提方法具有较好的应用效果.     

深度学习在地球物理中的应用现状与前景

深度学习是机器学习的一个分支,是使用低维特征组合来表示高维特征组合,包含多重复杂结构或多个非线性变换的多个处理层对数据进行高维抽象的一种算法.深度学习的自我学习和适应能力使它在计算机视觉、语音识别、金融等领域得到了广泛应用.为分析深度学习在地球物理领域的应用前景,本文在介绍深度学习概况的基础上,结合实例分析了深度学习在地震探测定位、大地电磁数据处理、航空电磁数据解释等领域的应用现状.发现深度学习在处理海量数据在并行处理、进行模式识别特征提取、数据预测等方面都有巨大的优势.随着三维探测逐渐成为地球物理勘探主流趋势,必将产生海量数据,涉及大型计算和反演,深度学习在地球物理探测中应用将更加广泛.     

增量式半监督学习地震相智能识别（英文）

基于深度学习的地震相智能识别技术可以缓解人工解释费时费力的问题,目前得到了广泛应用。有监督学习算法能够高效率、高精度地实现地震相智能识别,但依赖于大量有标签地震数据的使用。针对这一问题,本文提出了一种增量式半监督学习地震相智能识别方法。该方法考虑地层的横向连续性特征,采用余弦相似度量化地震数据特征域的相似性,寻找当前使用的训练样本邻域中的最大差异样本,以合理地扩展训练数据集。这一过程不断增加训练数据的数量、学习训练数据的分布。在吸收新知识的同时整合旧知识,实现增量式半监督学习,以达到进化网络模型的目的。本文利用准确率和混淆矩阵从整体及局部共同质控模型的预测结果。将本方法应用到一个三维实际数据集,并对结果进行定量评估。该方法由于充分利用无标签地震数据,测试结果比仅使用有标签地震数据的常规有监督学习算法更准确、更稳定,且对于小样本类别的识别精度有显著地提升。本文方法仅利用不到1%的训练数据,在三维数据集的平均准确率可达到95%以上,对于常规有监督学习算法,其平均准确率约为85%。     

密山地电场数据小波包去噪研究

选取2009年11月21日密山市知一镇地震发生当天密山地电场数据,采用小波包阈值去噪算法,对地电场数据进行去噪研究,还原地震发生后地电场数据变化信息,并结合去噪效果及误差分析结果,选出适合密山地电场数据去噪的最优小波函数。     

基于卷积神经网络的井中分布式光纤传感器地震数据随机噪声压制新技术

分布式光纤传感器(distributed fiber-optical acoustic sensor,DAS)是一种快速发展的具有巨大应用前景的地震勘探检波器技术.实际DAS地震资料往往会受到大量强能量随机噪声的干扰,通常表现为低信噪比(signal-to-noise ratio,SNR).这一现象给接下来的成像、反演以及解释带来了巨大的困难,因此如何压制DAS地震资料中的随机噪声并提高其SNR成为一个有待解决的技术问题.卷积神经网络(convolutional neural network,CNN)已经被证明是一种有效的噪声压制工具.通常情况下,CNN需要一个理论纯净地震数据集来优化网络,这极大地限制了CNN在DAS地震资料处理中的应用.在本文中,我们采用正演模拟的方法来构建理论纯净DAS地震数据集,通过正演模型的参数多样化增强数据集的真实性,从而获得适合DAS地震资料随机噪声压制的CNN去噪模型.此外,在网络结构方面,我们利用泄漏线性整流单元作为CNN的激活函数增强训练后模型对微弱有效信号的恢复能力;在训练过程中,通过能量比矩阵调节噪声片和有效信号片之间的SNR,增强CNN去噪模型对于不同SNR的DAS地震数据的适应性.模拟和实际实验均表明本文提出的这种正演模型驱动的卷积神经网络(forward-model-actuation convolutional neural network,FMA-CNN)能够有效地压制DAS随机噪声同时完整地恢复有效信号.