[论文解读] Reconstructing missing seismic data using Deep Learning

Dieuwertje Kuijpers, Ivan Vasconcelos+1 more|arXiv (Cornell University)|Jan 23, 2021

Seismic Imaging and Inversion Techniques参考文献 8被引用 5

一句话总结

本文提出使用深度学习——具体为循环推理网络（RIM）和U-Net架构——从高度稀疏、非规则采样的输入中重建密集、规则采样的地震数据。RIM在减少波数-频率域中的空间混叠方面优于U-Net和确定性最小二乘反演方法，展现出在不同降采样模式和百分比下更优的泛化能力和鲁棒性。

ABSTRACT

In current seismic acquisition practice, there is an increasing drive for sparsely (in space) acquired data, often in irregular geometry. These surveys can trade off subsurface information for efficiency/cost - creating a problem of "missing seismic data" that can greatly hinder subsequent processing and interpretation. Reconstruction of regularly sampled dense data from highly sparse, irregular data can therefore aid in processing and interpretation of these far sparser, more efficient seismic surveys. Here, two methods are compared to solve the reconstruction problem in both space-time and wavenumber-frequency domain. This requires an operator that maps sparse to dense data: the operator is generally unknown, being the inverse of a known data sampling operator. As such, here the deterministic inversion is efficiently solved by least squares optimisation using a numerically efficient Python-based linear operator representation. An alternative approach is probabilistic and uses deep learning. Here, two deep learning architectures are benchmarked against each other and the deterministic approach; a Recurrent Inference Machine (RIM), which is designed specifically to solve inverse problems given known forward operators, and the well-known U-Net. The trained deep learning networks are capable of successfully mapping sparse to dense seismic data for a range of different datasets and decimation percentages, thereby significantly reducing spatial aliasing in the wavenumber-frequency domain. The deterministic inversion on the contrary, could not reconstruct the missing data and thus did not reduce the undesired spatial aliasing. Results show that the application of Deep Learning for seismic reconstruction is promising, but the treatment of large-volume, multi-component seismic datasets will require dedicated learning architectures not yet realisable with existing tools.

研究动机与目标

• 为解决由稀疏且非规则采集导致的地震数据缺失问题，该问题阻碍了准确处理与解释。
• 评估深度学习是否能在从稀疏空间采样中重建密集地震波场方面超越传统确定性反演方法。
• 将两种深度学习架构——RIM和U-Net——与确定性最小二乘方法进行基准对比，以评估其在地震数据重建中的表现。
• 研究深度学习模型在不同降采样百分比、模式和地震数据集上的泛化能力。
• 评估深度学习在处理大规模、多分量地震数据方面的潜力，这些数据量超出现有工具的处理能力。

提出的方法

• 采用基于数值高效Python线性算子表示的确定性最小二乘反演方法，求解反问题。
• 实现两种深度学习架构：循环推理网络（RIM），专为已知前向算子的反问题设计；以及U-Net，最初用于生物医学图像分割。
• 在成对的稀疏到密集地震数据上训练两个神经网络，使用损失函数最小化预测结果与真实密集波场之间的差异。
• 利用已知的前向算子（数据限制）引导RIM的迭代推理过程，通过前向模型实现正则化。
• 在时空域和波数-频率域中评估重建性能，重点关注空间混叠的减少和结构保真度。
• 使用SSIM和范数估计等定量指标，在多个数据集和降采样水平下对比结果。

实验结果

研究问题

• RQ1 深度学习方法是否能有效重建高度稀疏、非规则采样的地震波场，而传统确定性反演方法在此类情况下失效？
• RQ2 在不同降采样百分比和空间模式下，RIM架构与U-Net在地震数据重建中的表现如何比较？
• RQ3 与确定性最小二乘反演相比，深度学习模型在波数-频率域中能将空间混叠减少到何种程度？
• RQ4 RIM架构——其推理过程中整合了前向算子——是否因其设计而比U-Net在未见数据上展现出更好的泛化能力？
• RQ5 基于深度学习的重建是否能提升后续处理（如偏移或全波形反演）的性能，相比确定性方法？

主要发现

• 确定性最小二乘反演无法在时空域中重建缺失数据，且未能减少因欠奈奎斯特采样引起的空间混叠。
• RIM和U-Net两种深度学习模型均成功在多个数据集和降采样百分比下重建了密集地震数据，显著减少了波数-频率域中的空间混叠。
• RIM在SSIM值和范数估计方面优于U-Net和确定性方法，表明其在结构和振幅保真度方面表现更优。
• 由于其架构设计，RIM在未见的降采样模式和百分比下泛化能力更强，因其利用已知前向算子对重建过程进行正则化。
• RIM使用的可训练参数少于U-Net，因此更不易过拟合，且在复杂反问题中更具效率。
• 尽管U-Net具备反演能力，但其低估了振幅并引入了低频伪影，需额外处理后才能用于偏移或全波形反演。