用于地震速度模型构建的具有全局注意力的傅里叶集成 Transformer-UNet

《Journal of Applied Geophysics》：Fourier-Integrated Transformer-UNet with Global Attention for seismic velocity model building

　　

• •
  引入一种傅里叶增强的编码器，用于从地震炮集特征中提取时频表征。
• •
  将地震Transformer模块与全局注意力机制相结合，以提升长距离依赖建模和多尺度特征融合能力。
• •
  在受控的陆上和海洋合成数据集上的实验表明，与代表性基线方法相比，该方法在重建精度和结构连续性方面均有提升。

引言

地震速度模型建立是地震数据分析的基石（Jia和Ma, 2017, Alzahrani和Shragge, 2022），为地下成像（Jayawickreme等, 2014, Lyu等, 2024）、资源勘探（Liu等, 2022, Cui等, 2023）和地震危险性评估（Nyimbili等, 2018）提供了必要的基础。速度模型的准确性直接控制着地震成像和反演结果的分辨率和可靠性（Dou和Li, 2024, Crocker等, 2023），从而推动了对稳健且可推广的模型建立方法的需求。数据驱动速度模型建立面临的一个重大挑战是陆地和海洋采集环境之间的差异。陆地地震记录常受近地表非均匀性、不规则地形和可变耦合条件的影响，这往往导致复杂的噪声模式和降低的信号连续性。相比之下，海洋地震采集通常提供更连续的记录和相对稳定的采集几何结构。然而，海洋速度重建仍面临特定的波场相关挑战，包括水层多次波、自由面相关倍频波、初至反射与相干倍频波事件的干扰，以及与非均匀地下结构相关的强烈横向速度变化。这些因素促使开发既能利用有效反射信息又能对采集相关波场特征保持稳健性的速度模型建立方法。这些问题共同强调了需要能够处理陆地和海洋环境复杂性的先进技术。

传统速度模型建立方法通常依赖于关于地下结构和物理参数的预设假设（Yang和Ma, 2019, Kim等, 2023）。虽然这些方法在简单的地质背景下可能足够有效，但在预设假设被违背且噪声占主导的复杂情况下，其性能会显著下降（Karniadakis等, 2021）。深度学习的兴起推动了向数据驱动方法的范式转变，这些方法直接从地震观测中学习（Bergen等, 2019）。其中，基于卷积神经网络（CNN）的架构（Kattenborn等, 2021, Zhong等, 2023），特别是U-Net（Ronneberger等, 2015），已展示了捕获多尺度特征和重建详细速度模型的强大能力。然而，当应用于具有挑战性的海洋环境时（Evans和Hofmann, 2012），这些模型显示出固有的局限性：它们在抑制频率相关噪声方面效果不佳，在捕获长距离依赖方面不足够，且在高效整合多尺度信息方面受到限制。

为了解决这些局限性，我们提出了一种傅里叶集成Transformer-UNet全局注意力网络（FTUGA），用于地震速度模型建立。FTUGA旨在在一个统一的编码器-解码器架构中集成时频特征增强、长距离结构依赖建模和自适应多尺度特征融合。本研究的主要贡献有三方面：

• (1)
  傅里叶集成编码器：我们引入了一种傅里叶增强的编码器，用于从地震炮集特征中提取时频表征。通过将基于傅里叶的滤波与空间域卷积相结合，编码器增强了与大规模速度变化相关的相干波场成分，并抑制了不稳定的高频干扰。
• (2)
  地震Transformer模块：我们在U-Net架构的瓶颈处引入了地震Transformer模块，以捕获长距离结构依赖。此外，在跳跃连接中嵌入了全局注意力机制，以自适应地重新校准多尺度特征并在速度重建过程中提高结构一致性。
• (3)
  在陆上和海洋合成数据集上的系统评估：我们在陆上和海洋合成数据集上评估了FTUGA，并将其与代表性的基于深度学习的速度模型建立方法进行比较。定量指标和视觉对比表明，FTUGA在受控的合成采集条件下改进了重建精度、盐体边界划分和分层速度重建。

章节摘要

速度模型建立中的注意力机制

深度学习已显著推进了地震速度模型建立领域（Wu等, 2020, Ren等, 2021, Kazei等, 2021）。然而，传统卷积神经网络（CNN）（Zhang等, 2020, Zhong等, 2023）的主要局限性在于其受限的感受野，这阻碍了全局上下文信息的整合——在解释复杂、非均匀的地下结构时这是一个关键的缺陷（J. Wang等, 2024, Shahri等, 2021）。

网络架构

图1展示了所提出的傅里叶集成Transformer-UNet全局注意力网络（FTUGA）的架构，这是一种旨在实现稳健地震速度模型建立的新型框架。编码器阶段从根本上区别于传统设计，通过集成两条互补的特征增强路径：一种拉普拉斯算子用于增强局部结构梯度，一种傅里叶变换用于表征地震炮集特征的时频成分。这种双路径

数据集

本研究采用陆上和海洋地震数据集进行全面评估。陆地数据集遵循Lu等人（2023）描述的实验设置，分为训练-验证子集和测试子集。每个数据样本包含一个速度模型及其对应的地震炮记录。在MFNSR（Lu等, 2023）的基础上，我们的工作还额外纳入了与速度模型匹配的海洋地震数据。图3展示了来自的

讨论

实验结果表明，FTUGA在陆上和海洋合成数据集上均持续优于代表性的基于深度学习的速度模型建立方法。这些改进可归因于三个主要组件的互补作用。傅里叶增强的编码器将时频信息引入特征提取过程，这有助于抑制不稳定的高频干扰并保持相干波场

结论

本研究提出了FTUGA，一种用于从炮集数据建立地震速度模型的傅里叶集成Transformer-UNet全局注意力网络。该方法在一个统一的编码器-解码器架构中集成了时频特征增强、长距离结构依赖建模和自适应多尺度特征融合。在受控的陆上和海洋合成数据集上的实验表明，FTUGA的PSNR和SSIM值均高于代表性的基于深度学习的

CRediT作者贡献声明

Jing Lu：撰写——初稿。Chunlei Wu：资金获取，概念构思。Zhenbo Guo：撰写——审稿与编辑。Yinghao Xu：撰写——审稿与编辑，可视化。Huan Zhang：撰写——审稿与编辑，验证。

利益冲突声明

作者声明他们没有已知的竞争性经济利益或个人关系，这些利益或关系可能影响本文所报道的工作。

致谢

本工作得到山东省自然科学基金（编号：ZR2024MF145）、油气勘探计算机软件国家工程研究中心开放课题（DFWT-ZYRJ-2024-JS-84）和国家自然科学基金（42174138）的支持。

Jing Lu|Chunlei Wu|Zhenbo Guo|Yinghao Xu|Huan Zhang