[論文レビュー] MSSPN: Automatic First Arrival Picking using Multi-Stage Segmentation Picking Network

Hongtao Wang, Jiangshe Zhang+5 more|arXiv (Cornell University)|Sep 7, 2022

Seismology and Earthquake Studies参考文献 41被引用数 5

ひとこと要約

本稿では、線形モーショフ (LMO)補正と段階的精錬を用いて、多様なデータセットにわたる精度と汎用性を向上させるために、地震データにおける自動初到着時刻 (FAT) 抽出のためのマルチステージセグメンテーションネットワークであるMSSPNを提案する。中程度〜高SNRデータでは90%を超える精度を達成し、低SNRデータに対して微調整を施した後は88%の精度を示し、従来手法を著しく上回る性能を発揮する。

ABSTRACT

Picking the first arrival times of prestack gathers is called First Arrival Time (FAT) picking, which is an indispensable step in seismic data processing, and is mainly solved manually in the past. With the current increasing density of seismic data collection, the efficiency of manual picking has been unable to meet the actual needs. Therefore, automatic picking methods have been greatly developed in recent decades, especially those based on deep learning. However, few of the current supervised deep learning-based method can avoid the dependence on labeled samples. Besides, since the gather data is a set of signals which are greatly different from the natural images, it is difficult for the current method to solve the FAT picking problem in case of a low Signal to Noise Ratio (SNR). In this paper, for hard rock seismic gather data, we propose a Multi-Stage Segmentation Pickup Network (MSSPN), which solves the generalization problem across worksites and the picking problem in the case of low SNR. In MSSPN, there are four sub-models to simulate the manually picking processing, which is assumed to four stages from coarse to fine. Experiments on seven field datasets with different qualities show that our MSSPN outperforms benchmarks by a large margin.Particularly, our method can achieve more than 90\% accurate picking across worksites in the case of medium and high SNRs, and even fine-tuned model can achieve 88\% accurate picking of the dataset with low SNR.

研究の動機と目的

• 地震データにおける自動初到着時刻 (FAT) 抽出において、低SNR条件下での低い汎用性と性能の低さという課題に対処すること。
• 手動での抽出プロセスを模倣するマルチステージネットワークの設計により、大規模なラベル付きデータセットへの依存を低減すること。
• 異なる現地施設やデータ品質レベルにわたるモデルのロバスト性と転送可能性を向上させること。
• 微調整を用いることで、弱い初到着信号の検出を向上させ、低SNRデータセットにおける性能を強化すること。

提案手法

• MSSPNはFAT抽出を4段階の順次プロセスに分解する：粗い検出、残差U-Net (RSN) を用いた精錬、信頼度ベースのフィルタリング、最終出力生成。
• 初到着伝播時間のトレース間の一致を高めるために、線形モーショフ (LMO) 補正を適用し、セマンティックセグメンテーションのための入力の一貫性を向上させる。
• 2段階目では、入力正規化とスプライシングによりスパースラベルの影響を軽減した残差U-Net (RSN) を用いてセグメンテーションマスクを精錬する。
• 信頼度しきい値を用いたフィルタリングにより、低品質な予測を除外し、ロバスト性を高め、誤検出を低減する。
• マルチステージトレーニング戦略により、人間の抽出行動に類似した粗いものから細かいものへの段階的精錬が可能になる。
• 弱い信号の検出を向上させるために、小規模なサブセット（512ショット）を用いて低SNRデータに対して微調整を適用する。

実験結果

リサーチクエスチョン

• RQ1 マルチステージディープラーニングフレームワークは、異なる地震作業現場やデータ品質レベルにわたる汎用性を向上させることができるか？
• RQ2 LMO補正は、セグメンテーションベースのFAT抽出モデルの性能と転送可能性をどのように向上させるか？
• RQ3 微調整により、低SNR地震データにおけるFAT抽出の正確性はどの程度向上するか？
• RQ4 セグメンテーションベースのアプローチは、従来のベンチマークを上回る正確性とロバスト性を達成できるか、特に低SNR条件下で？
• RQ5 段階的アーキテクチャは人間の抽出行動をよりよく模倣し、より信頼性の高い結果をもたらすか？

主な発見

• MSSPNは高SNRデータセット（例：Brunswick）で98%を超えるACC@1を達成し、中SNRデータセット（例：Lalor）では90%を超える精度を示し、強力な汎用性と正確性を実証した。
• 低SNRデータ（LS）では、微調整なしで69.42%のACC@1を達成したが、微調整後は88.06%に上昇し、相対的に26.83%の向上を示した。
• 低SNRデータセット（LS）において、ベンチマーク [33] よりも738.52%の精度向上を達成した。これは、困難な条件下でも優れた性能を発揮することを示している。
• LMO補正の導入により、モデルの転送可能性が顕著に向上し、異なる現地施設間で一貫した性能を発揮した。
• 微調整により、従来見逃されていた弱い初到着信号、特に中央および遠距離オフセットトレースにおいても検出可能になった。
• 最終出力では、MSSPNが人為的抽出を上回る正確性を示した。特に人為的抽出が誤りを起こしやすいノイズの強い領域で顕著であった。