物理一致性约束的混合Swin-Conv-Transformer用于无监督地震外部源相干噪声压制

《Journal of Applied Geophysics》：Physics-coherence-constrained hybrid swin-conv-Transformer for unsupervised seismic external source coherent noise suppression

　　

• 提出了一种无监督PCC-HSCT框架用于ESCN压制。• 物理一致性约束改善了ESCN估计和信号保真度。• 所提方法避免了对方数据标签的依赖，增强了现场适用性。

引言

高质量地震数据是地下构造解释、储层预测以及深部和超深层油气储层高分辨率成像的基础。然而，野外地震记录在数据采集过程中不可避免地会受到各种类型噪声的污染（Hlebnikov等，2021；Zhang等，2026）。根据其时域、空域和频域的关联特征，地震噪声通常可分为随机噪声和相干噪声（Ma等，2024a）。相干噪声通常表现出强烈的空间连续性、方向性、周期性或规则传播行为。因此，它更可能与有效反射波场重叠，从而降低信噪比和最终成像质量（Nakata等，2012）。在不同类型的相干干扰中，地震外源相干噪声（ESCN）是指由目标主动震源以外的振动源产生的相干扰动。典型例子包括抽油机、机动车辆、风力涡轮机、工业设施、采矿机械、船舶螺旋桨以及其他持续或间歇运行的机械源。近年来，随着地震勘探越来越多地在人类活动相邻区域、近岸环境或成熟油气田的二次勘探中开展，采集到的地震数据不可避免地受到ESCN的污染。图1展示了产生ESCN的四种代表性场景。图1(a)的示意图表明，由风力涡轮机、抽油机、机动车辆和船舶产生的ESCN通过近地表区域直接传播至接收检波器。相比之下，期望的有效信号是由常规主动震源激发产生的反射波，通过地下地层传播。因此，ESCN与有效信号在震源类型和传播路径上均存在差异。图1(b)展示了一组同时包含ESCN和有效地震反射的野外地震记录。此类噪声通常具有强振幅、高横向相干性、窄带或周期性谱特征，并可能在时域、频域、波数域或局部时频域上与反射信号重叠。因此，ESCN已成为在复杂近地表环境、工业区、城市区域、成熟油田和海洋环境中采集的地震数据中必须处理的主要强相干干扰类型之一（Hu等，2024）。

ESCN压制的主要难点在于其波场特征与有效地震信号之间存在强耦合关系（Wang等，2026a）。在时域中，ESCN可能表现为连续、准连续、局部高振幅或周期性分布的条带状事件。在频域中，其能量通常集中在特定频带或谐波成分中，可能与有效反射的带宽重叠（Leite等，2008）。因此，使用简单频率滤波或手工设计的面板直接去除强相干能量可能会导致信号泄漏、弱反射损伤和地质细节丢失。对于深部和超深层油气勘探，由于目标反射通常较弱、地下构造复杂且地震数据信噪比较低，必须在保持弱反射信号高保真度的同时衰减强外源相干干扰（Konietzny等，2024；Wang等，2026b）。

传统的相干噪声压制方法包括扇形频波数（F-K）滤波、F-X预测滤波、基于Radon变换的分离、径向道滤波、Curvelet变换、Seislet变换、鲁棒主成分分析和形态学成分分析（Song等，2022）。扇形F-K滤波利用噪声分量与有效信号在倾角、表观速度和波数特征上的差异来衰减相干事件（Sui等，2026）。F-X预测滤波利用地震事件的横向可预测性来衰减非期望分量（Zheng等，2022）。基于Radon变换的方法根据事件之间的动校正或运动学差异分离波场（Zhang等，2021）。径向道滤波对具有相对稳定传播轨迹的相干噪声有效（Wang等，2017）。Curvelet和Seislet变换通过利用多尺度、多方向性和面向结构的稀疏性来改善地震信号表示（Neelamani等，2008；Gan等，2016）。此外，鲁棒主成分分析将输入数据分解为低秩背景分量和稀疏异常分量，为衰减强局部干扰和异常相干能量提供了一种有效框架（Candès等，2011）。这些方法具有物理可解释性，并已被广泛应用于实际地震处理中。然而，其性能通常依赖于预定义参数、手工选择的阈值或变换域稀疏性假设。当ESCN在多个域上与反射信号强耦合时，常规方法可能面临自适应性和信号保持能力不足的问题。

从具体噪声源的角度来看，交通噪声是陆地数据采集中最常见的ESCN类型之一。过往车辆产生的振动可能在地震记录中表现为高振幅、局部条带状和空间相干的事件，其频带可能与有效反射重叠。Wu等（2020）提出了一种l_p范数鲁棒主成分分析方法用于交通噪声衰减。在他们的该方法中，鲁棒主成分分析应用于频域中的每个频率切片，其中地震反射被近似为低秩分量，而交通噪声被视为稀疏或异常强振幅干扰。该策略有效地衰减了交通噪声并改善了反射事件的振幅均衡。Zhu等（2023）进一步将深度学习引入道路交通噪声衰减，提出了一种非对称卷积块U-Net架构。这些研究表明，交通噪声压制已从传统的变换域分离逐步发展到基于深度神经网络的自适应处理。

风力涡轮机噪声是近年来引起越来越多关注的另一种代表性ESCN类型。运行中的风力涡轮机产生的机械振动可以通过塔架、基础和近地表介质传播至地下，形成稳定的窄带谐波干扰。Marcillo和Carmichael（2018）研究了地震记录中风力涡轮机诱导噪声的识别，表明大型风力涡轮机可以在地震或声学记录中产生可观测的音调噪声，其谱峰通常对应于叶片通过频率及其谐波。Neuffer和Kremers（2017）系统评估了风力涡轮机对地震监测站和网络运行及数据质量的影响。Heuel和Friederich（2022）比较了非线性阈值处理和去噪自编码器在风力涡轮机噪声压制中的效果，表明当风力涡轮机噪声在频率上与地震事件重叠时，简单的频谱滤波可能会损伤信号。对于勘探地震共激发点道集，Hu等（2024）开发了一种稀疏性驱动的ESCN分离方法，该方法将可调Q因子小波变换与离散余弦变换相结合。

抽油机和井泵噪声是成熟油田重复地震采集中的典型外源相干干扰。此类噪声通常由电动机、机械结构和生产设备安装产生，以周期性、窄带频谱、强振幅和局部传播为特征，降低了旧油田采集的地震数据的信噪比。Ren等（2022）开发了一种多层生成网络用于衰减井泵运行引起的相干噪声。该方法采用从粗到细的多层编解码器结构，以增强多尺度井泵噪声特征的提取。Ma等（2024b）进一步开发了一种多尺度窗口生成网络用于抽油机噪声压制。通过在神经网络的不同层使用不同尺度的窗口，该方法扩大了感受野并更好地捕捉抽油机噪声的空间分布和局部特征。Zhang（2025）提出了一种地震数据处理中油井抽油机噪声的智能检测与压制方法。在该方法中，首先使用深度学习检测抽油机噪声，然后利用数学形态学估计噪声带宽和空间分布，为异常振幅衰减提供自适应参数。这些研究表明，针对特定震源外源噪声的智能检测、建模和自适应压制已成为地震噪声衰减的重要趋势。除了交通噪声、风力涡轮机噪声和抽油机噪声外，面波、海洋地震干扰和工业机械噪声与ESCN具有相似的相干性、结构性和高振幅干扰特征。面波作为典型的陆地相干噪声，长期以来一直是相干噪声衰减的重要研究课题（Yuan等，2020；Oliveira等，2021；Pham和Li，2021）。虽然面波衰减的研究并非全部直接针对ESCN，但它们在相干噪声建模、强干扰分离、无监督学习和物理约束网络设计方面提供了宝贵的见解。

近年来，U-Net架构已成为地震图像增强和噪声压制的重要骨干网络，因为其编解码器结构和跳跃连接能够在保持空间细节的同时整合多尺度特征（Ronneberger等，2015）。残差去噪网络如DnCNN通过学习噪声残差来提高图像去噪效率，并启发了地震噪声学习策略（Yang等，2023）。在地震数据处理中，无监督卷积神经网络、去噪自编码器和定制U-Net架构已被应用于随机噪声衰减、海洋地震干扰去除和野外数据去噪（Saad和Chen，2020；Wang等，2023）。与传统滤波方法相比，深度神经网络可以从数据中自适应学习复杂的非线性映射，提取用手工特征难以表征的局部纹理、空间连续性和多尺度结构信息。然而，大多数有监督深度学习方法依赖于配对的噪声-干净样本，而实际地震数据通常无法获得干净标签。对于ESCN，真实噪声与有效信号高度耦合，且由常规处理方法生成的标签可能包含残余噪声或信号泄漏，这限制了有监督学习方法的泛化能力。

无监督和自监督学习为标签缺失问题提供了有前景的解决方案（Wang等，2022；Hosseiny等，2024）。如Noise2Noise等研究表明，深度网络可以从不干净的观测数据中学习有效的恢复先验，而无需传统的干净标签（Lehtinen等，2018）。在地震数据处理中，无监督或自监督方法可以直接使用含噪数据训练网络，从而避免对合成标签或常规滤波结果的过度依赖。然而，ESCN不同于随机噪声，它具有显著的相干性、周期性和方向性。如果将专为随机噪声设计的盲点网络或通用无监督去噪框架直接应用于ESCN，网络可能会错误地将相干噪声视为有效结构，或错误地将弱反射作为噪声抑制。因此，ESCN的无监督学习不应仅依赖数据重建损失，而应显式地纳入物理一致性、相干性差异和弱信号保真度约束，以引导网络实现波场一致的分离结果。

同时，Transformer模型及其视觉变体为建模长程依赖关系提供了新的可能性。Transformer依赖自注意力机制来建模序列或图像中的全局关系，并在自然语言处理和计算机视觉中展现了出色的性能（Rehman等，2025）。Swin Transformer进一步采用了层次化架构和移位窗口自注意力，能够在局部窗口和移位窗口之间实现信息交互，同时保持计算效率（Peng等，2026）。对于地震数据，ESCN通常跨多个道集、时间采样和局部空间区域表现出有组织的结构。由于卷积网络感受野有限，单独使用可能不足以表征此类长程相干性，而纯Transformer架构可能缺乏对局部地震纹理、反射连续性和结构边界的精细表征能力。因此，将卷积网络的局部特征提取能力与Swin Transformer的基于窗口的长程依赖建模能力相结合，有望改善ESCN与有效反射信号之间的区分度。

本文提出了一种基于物理一致性约束的混合Swin-卷积-Transformer（PCC-HSCT）方法用于无监督地震ESCN压制。所提工作流程首先利用皮尔逊相关引导的局部预测（PCGLP）方法从观测地震数据中构建初始ESCN模型。该模型能够有效表征真实ESCN的主导空间相干性和局部结构模式。然而，由于预测噪声是通过局部相似性测量获得的，其在振幅、频率和相位上与真实ESCN存在差异。因此，不能直接将初始ESCN模型从观测数据中减去，否则将面临残余相干噪声或有效反射损伤的风险。为了进一步纠正这些差异，引入了一种混合Swin-卷积-Transformer（HSCT）网络，以无监督方式精化ESCN估计。

在提出的架构中，卷积模块用于提取局部地震纹理和反射连续性，而Swin Transformer模块则用于捕获长程空间相关性和全局上下文信息。通过结合局部和全局特征表示，网络自适应地校正预测的ESCN模型与真实ESCN之间的振幅、频率和相位差异，从而产生更精确的噪声估计。所提出的方法不需要干净的地震标签或手动生成的训练目标，这提高了其在地震数据处理中的应用性。实验测试表明，所提出的方法可以有效地抑制ESCN，同时保留有用的反射信号，并且其性能优于传统的F-K滤波、PCGLP和监督学习方法。

**段落片段**

**Pearson相关引导的局部预测**

ESCN由活动震源以外的振动产生，通常与有用反射信号在时域和频域中重叠。在单炮记录中，ESCN通常表现出强振幅、高横向一致性、窄带频谱行为，以及不同于有用反射信号的表观传播方向。基于这些特性，我们开发了一个两阶段无监督ESCN抑制框架。首先，使用PCGLP方法构建初始ESCN模型。

**示例**

利用合成数据和野外数据示例来评估所提出方法的有效性。与传统的监督学习不同，HSCT网络并非预训练以建立针对未见数据的固定映射。相反，它充当一个数据自适应非线性滤波器，其参数针对每个目标地震记录独立优化。我们设定固定的训练轮次数量。在合成数据示例和野外数据示例的训练阶段，HSCT网络……

**讨论**

所提出的无监督网络并非通过使损失函数趋向全局最优来抑制ESCN。相反，估计的ESCN是通过利用优化过程中的阶段依赖拟合行为，并结合提前停止策略获得的。从纯数学角度看，式(40)表明，如果网络持续训练直至完全收敛，其输出可能逐渐趋近于观测到的原始数据。这种具有训练策略……

**结论**

地震ESCN是野外地震数据中常见且具有挑战性的干扰类型。其特征通常表现为强振幅、高横向一致性、窄带或周期性频谱特征，以及与有用反射信号在时域中严重重叠。为了抑制ESCN，本研究提出了PCC-HSCT框架用于无监督ESCN衰减。所提出的方法首先使用PCGLP方法构建初始ESCN模型。该初始模型可以有效地描述……

**CRediT作者贡献声明**

王坤喜：撰写–原稿，可视化，验证，软件，方法论，形式化分析，概念化。饶莹：撰写–审稿与编辑，监督，概念化。胡天跃：撰写–审稿与编辑，软件。王春明：撰写–审稿与编辑，数据管理。熊思颖：撰写–审稿与编辑，数据管理。

**利益冲突声明**

作者声明，他们没有已知的可能影响本文所报告工作的竞争性经济利益或个人关系。

**致谢**

本研究得到国家自然科学基金（批准号：42430803、U25D9025和42504113）、中国石油大学（北京）基本科研业务费专项资金（批准号：2462024BJRC019）、中国石油大学（北京）前沿学科交叉探索研究计划（批准号：2462024XKQY005）以及教育部复杂油气藏勘探开发工程研究中心开放项目（批准号：）的资助。

王坤喜 | 饶莹 | 胡天跃 | 王春明 | 熊思颖