[論文レビュー] Seismic data denoising and deblending using deep learning

Alan Richardson, Caelen Feller|arXiv (Cornell University)|Jul 2, 2019

Seismic Imaging and Inversion Techniques参考文献 23被引用数 9

ひとこと要約

本論文では、隣接する共通オフセット gathers を入力として用いる深層学習ベースの手法を提案し、U-Net に事前学習済み ResNet34 バックボーンを組み合わせることで、ノイズ除去とブレンド除去を実現する。この手法は、手動によるパrameterチューニングを必要とせず、多様なグローバルデータセット上で -3.6 dB から 16.5 dB まで信号対雑音比（SNR）を著しく向上させ、従来手法と比較して強力な汎化性能と自動化の利点を示している。

ABSTRACT

An important step of seismic data processing is removing noise, including interference due to simultaneous and blended sources, from the recorded data. Traditional methods are time-consuming to apply as they often require manual choosing of parameters to obtain good results. We use deep learning, with a U-net model incorporating a ResNet architecture pretrained on ImageNet and further trained on synthetic seismic data, to perform this task. The method is applied to common offset gathers, with adjacent offset gathers of the gather being denoised provided as additional input channels. Here we show that this approach leads to a method that removes noise from several datasets recorded in different parts of the world with moderate success. We find that providing three adjacent offset gathers on either side of the gather being denoised is most effective. As this method does not require parameters to be chosen, it is more automated than traditional methods.

研究の動機と目的

• 手動によるパrameterチューニングに依存しない自動的かつパrameterフリーな地震データのノイズ除去およびブレンド除去手法の開発。
• 隣接する共通オフセット gathers 間の空間的冗長性を活用することで、ノイズ除去性能の向上。
• さまざまな取得ジオメトリとノイズタイプをカバーする合成データと実データを用いた学習により、多様な地震データセットへの汎化性能の向上。
• ImageNet で事前学習された ResNet34 を用いたトランスファーラーニングにより、学習の高速化と特徴抽出の向上。
• 異なるグローバル地域の実海洋データセットを用いた、本手法の有効性の評価。

提案手法

• U-Net アーキテクチャを採用し、ImageNet で事前学習済みの ResNet34 をバックボーンとし、合成地震データで微調整（fine-tuning）を行う。
• 隣接する共通オフセット gathers（目標の gathers の両隣に最大3つまで）を入力チャネルとしてスタックし、2次元空間的冗長性を活用。
• ネットワークはエンドツーエンドでノイズ成分を予測するように学習させ、信号は入力から予測されたノイズを差し引いて推定する。
• 学習段階では、予測ノイズと真値との間の平均二乗誤差を最小化するように損失関数を最適化する。
• ショット開始時刻や速度モデルの情報が不要であり、入力データに直接適用可能。
• さまざまな取得ジオメトリとノイズタイプをカバーする多様な合成データで学習することで、汎化性能を強化。

実験結果

リサーチクエスチョン

• RQ1 隣接する共通オフセット gathers を用いた深層学習モデルが、地震データのノイズ除去およびブレンド除去性能を著しく向上させることができるか？
• RQ2 ImageNet で事前学習された ResNet34 からのトランスファーラーニングは、地震データのノイズ除去タスクにおける収束性と精度を向上させるか？
• RQ3 隣接する gathers の数が、モデルのノイズ除去性能および学習安定性にどのように影響するか？
• RQ4 本モデルは、異なる地理的地域や取得条件の実地震データセットに対し、どの程度汎化可能か？
• RQ5 手動によるパarameterチューニングなしで、従来手法を上回るスピードと自動化性能を達成できるか、高い SNR 向上が実現できるか？

主な発見

• 入力データの信号対雑音比（SNR）が -3.6 dB から出力のデブレンドデータで 16.5 dB まで向上し、強力なノイズ抑制効果を示した。
• 目標の gathers の両隣に3つの隣接共通オフセット gathers を入力とすると最良の性能が得られ、さらに入力の gathers 数を増やすと学習損失が上昇した。
• ベネズエラ、ノルウェー、ニュージーランドの海洋データに対して、モデルは多様な実世界データセットにおいても強固な汎化性能を示した。
• 推定ノイズに一部の信号損失が観察されたが、これは実データに存在する振幅変動が合成データに欠けているため、モデルが学習できていない可能性がある。
• 従来手法に比べて自動化性能が優れており、手動によるパrameter選択が不要で、品質管理やファストトラックワークフローのための高速処理が可能になった。
• CMP スタック画像におけるブレンドノイズアーティファクトを効果的に除去し、元の信号を保持しながら干渉を低減した。