[论文解读] 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 9

一句话总结

该论文提出了一种基于深度学习的方法，采用带有预训练ResNet34编码器的U-Net，通过利用相邻共偏移道集作为输入，对地震数据进行去噪和去混叠处理。该方法在无需手动调节参数的情况下，于多种全球数据集上实现了显著的信噪比（SNR）提升——从-3.6 dB提升至16.5 dB，展现出相较于传统方法更强的泛化能力和自动化优势。

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.

研究动机与目标

• 开发一种自动化、无需参数调节的地震数据去噪与去混叠方法，以减少对人工参数调节的依赖。
• 通过整合相邻共偏移道集之间的空间冗余性，提升去噪性能。
• 通过在广泛范围的合成与真实数据上进行训练，增强模型在多样化地震数据集上的泛化能力。
• 利用ImageNet预训练的ResNet34进行迁移学习，以加速训练过程并提升特征学习效果。
• 在来自全球不同区域的实海域数据集上评估该方法的有效性。

提出的方法

• 采用U-Net架构，其主干网络为在ImageNet上预训练并进一步在合成地震数据上微调的ResNet34。
• 将目标道集两侧最多三组相邻共偏移道集堆叠为输入通道，以利用二维空间冗余性。
• 网络端到端训练以预测噪声分量，信号则通过输入减去预测噪声得到估计。
• 在训练阶段，通过最小化预测噪声与真实噪声之间的均方误差来优化损失。
• 该方法可直接应用于输入数据，无需依赖炮激发时间或速度模型。
• 通过在涵盖多种采集几何形态和噪声类型的多样化合成数据集上进行训练，增强了模型的泛化能力。

实验结果

研究问题

• RQ1 利用相邻共偏移道集的深度学习模型是否能显著提升地震去噪与去混叠性能？
• RQ2 从ImageNet预训练的ResNet34进行迁移学习是否能提升地震去噪任务中的收敛速度与准确性？
• RQ3 相邻道集的数量如何影响模型的去噪性能与训练稳定性？
• RQ4 该模型在不同地理区域和采集条件下的真实地震数据集上泛化程度如何？
• RQ5 该方法是否能在无需手动参数调节的情况下实现高信噪比提升，且在处理速度与自动化方面优于传统方法？

主要发现

• 该方法将输入数据的信噪比（SNR）从-3.6 dB提升至去混叠输出的16.5 dB，表现出强大的噪声抑制能力。
• 在目标道集两侧各提供三组相邻共偏移道集时性能最佳，进一步增加输入道集数量反而导致训练损失升高。
• 该模型在委内瑞拉、挪威和新西兰的海域数据中均表现出有效去噪能力，显示出在多样化真实数据集上的稳健泛化性能。
• 在估计的噪声中观察到部分信号损失，可能是因为模型在缺乏真实数据中振幅变化的合成数据上进行训练所致。
• 该方法在自动化方面优于传统技术，无需人工选择参数，可实现更快的质量控制与快速流程处理。
• 该方法成功消除了CMP叠加图像中的混叠噪声伪影，同时保留了原始信号并减少了干扰。