基于Swin Transformer的UNet在稀疏表示域中的地震数据去噪

《Journal of Applied Geophysics》:Seismic data denoising in sparse representation domains with a swin transformer-based UNet

【字体: 大 中 小 】 时间:2026年09月20日 来源:Journal of Applied Geophysics 2.6

编辑推荐:

   利用稀疏域变换增强地震信号表示以实现数据去噪。 将 Swin Transformer 模块与多头自注意力机制相结合,不使用卷积层,从而消除其在感受野方面的局限性。 在多种稀疏表示域上,于合成数据、调谐震源(vibroseis)数据以及 DAS VSP 数据集上均取得了显著

  利用稀疏域变换增强地震信号表示以实现数据去噪。将 Swin Transformer 模块与多头自注意力机制相结合,不使用卷积层,从而消除其在感受野方面的局限性。在多种稀疏表示域上,于合成数据、调谐震源(vibroseis)数据以及 DAS VSP 数据集上均取得了显著的 SNR 改善。考察了在恢复真实 STFT 实部/虚部方面已存在及仍面临的挑战。引言地震勘探是一项用于矿产勘查和地下结构成像的重要地球物理技术(Etgen 等,2009;Malehmir 等,2012;Bellefleur 等,2019)。然而,所获取的地震数据不可避免地受到各种类型噪声的污染,导致信噪比(SNR)降低。因此,通过有效的数据去噪技术提升 SNR 对于获得高质量地震数据集至关重要(Yilmaz,2001;Yu 等,2019;Durall 等,2023;van den Ende 等,2023;Chen,2024)。为了抑制噪声,机器学习(ML)和深度学习(DL)技术越来越多地被应用于时域,因为这些模型具有从大规模数据集中学习信号模式的能力(Beckouche 和 Ma,2014;Yu 和 Ma,2021;Li 等,2024;Trappolini 等,2024)。通过将地震记录划分为块(patch),这些模型可以被训练以有效识别和提取信号模式。尽管具有这些优势,基于时域 DL 的去噪方法仍面临若干局限。其中之一是时域中信号模式会因不同震源和地质条件而发生变化。此外,由于噪声的非平稳性和复杂性,其在时间和空间上可能显著变化。因此,训练这些模型需要大量且多样化的时域数据以确保泛化能力,从而导致计算效率降低和训练时间增加。此外,在特定数据集上训练的模型可能无法很好地泛化到来自不同地区或具有不同噪声特性的数据,从而限制了其适用性。将地震记录从时域变换到稀疏表示域,提供了一种替代的去噪方法,在这种域中信号和噪声可能表现出不同的特征。这种变换有助于信号与噪声的分离,使去噪更为有效和简便。已有多种变换被采用,例如频域、小波域、曲线小波域和 Radon 域(Russell 等,1990;Moreau 等,1996;Stockwell 等,1996;Herrmann 和 Hennenfent,2008;Trickett,2008;Fomel 和 Liu,2010;Oliveira 等,2012;Naghizadeh,2012;Chen 和 Song,2018;Chen 和 Fomel,2018;Tang 等,2018;Zhang 等,2021;Yao 等,2023)。随后可以应用滤波函数,以减小与噪声相关的系数,同时保留或放大与信号相关的系数,从而提升 SNR(Donoho 和 Johnstone,1994;Moreau 等,1996)。当信号和噪声在稀疏表示域中具有显著区别的特征时,将阈值处理整合到数据去噪中可能非常有效,从而实现清晰的分离。然而,在信号与噪声重叠、幅度相近或在稀疏表示域中表现出非平稳行为的场景中,这种方法会变得不准确,可能导致次优的去噪结果。作为替代方案,由于 ML/DL 模型能够从这些域中的数据中学习复杂的信号模式,因此已被整合到稀疏表示域的去噪中(Jia 和 Ma,2017;Yu 等,2019;Wu 等,2019;Zhu 等,2019;Tibi 等,2021;Novoselov 等,2022;Quinones 和 Tibi,2024)。例如,Zhu 等(2019)开发了一种深度卷积神经网络(CNN),用于在时频域中将信号与噪声分离。其结果表明,即使信号和噪声共享频段,该模型仍能增强 SNR,同时保留波形的关键形态。类似地,Feng 和 Li(2022)应用奇异值分解将时域数据转换为其特征谱,从而促进更精确的特征提取,并使用 CNN 处理这些谱数据,在一个分布式声学传感(DAS)垂直地震剖面(VSP)数据集上取得了显著的去噪性能。CNN 一直是地震数据去噪 DL 应用的基础组件,通过分层卷积层擅长捕捉局部空间特征。然而,其固有设计以固定的感受野为特征,限制了其建模长距离依赖关系的能力。为了捕捉全局特征,CNN 模型使用大量层来增强感受野(Luo 等,2016;He 等,2016;Yu 和 Koltun,2015)。然而,这种方法导致计算复杂度增加,且可能仍然无法充分建模对图像到图像预测任务(如稀疏表示域中的地震数据去噪)至关重要的全局特征。为了克服这些局限,基于 Transformer 的 DL 模型因其自注意力机制而更为优越,该机制能够捕捉长距离依赖关系,从而对全局上下文具有强大的理解能力(Parmar 等,2018;Dosovitskiy 等,2020;Chen 等,2021)。然而,Transformer 模型的主要缺点是计算成本,尤其是处理大型输入尺寸时。Swin Transformer 是 Transformer 架构的一种变体,通过采用基于窗口的自注意力以及移位窗口方法,在无需额外层的情况下确保高效的跨窗口通信,从而缓解了这一问题(Liu 等,2021)。该方法在保持可管理的计算需求的同时,平衡了局部与全局特征提取。尽管如此,Swin Transformer 在稀疏表示域中进行地震数据去噪的应用仍相对较少被探索。在本研究中,我们利用稀疏表示变换,并将 Swin Transformer 模块整合到 UNet 架构中,以增强地震数据去噪。我们的去噪方法包括将地震数据变换到稀疏表示域、在此域中应用训练好的模型以消除噪声,然后将去噪后的数据重构回时域或时空域。我们使用合成示例来评估该方法的去噪性能,其中信号已知且噪声水平可控。随后,我们将训练好的模型应用于真实数据集,一个受交通噪声污染的相干调谐震源数据集,以及一个受光学噪声影响的 DAS VSP 数据集。通过将 Swin Transformer 整合到 U-Net 架构中,我们能够有效捕捉稀疏表示域中的信号模式,并为地震数据去噪提供一种新颖的解决方案。以下各节详细阐述了支持我们研究结果的方法与实验结果。章节摘要稀疏表示域中的去噪地震记录本质上是非平稳的,噪声与信号成分在时域中相互叠加。这种叠加给直接在时域进行去噪带来了重大挑战,因为在不降低关键信号特征的情况下区分噪声与信号是困难的。为了克服这一局限,我们将地震数据变换到稀疏表示域,这有助于在不牺牲……的前提下有效分离和衰减噪声合成示例我们采用合成示例来评估模型的去噪性能,使用可控的噪声水平和已知的真实值。信号来自 SEG Salt Model C3 宽方位经典数据集,可从 SEG 开放数据仓库获取(参见数据可用性)。选择该正演地震数据集,特别是因为其主导频段与我们在其他示例中使用的真实数据集不同,从而能够全面评估我们模型的……恢复真实信号频谱在时频域的去噪应用中,我们专注于估计信号的振幅谱,同时保留观测数据的相位谱。这种方法基于一个假设,即相位信息对噪声的敏感性较低,并且可以被有效地用于在时域中重构信号。然而,保留相位谱对信号恢复施加了限制,因为它限制了对所引入相位失真的修正……结论我们介绍了一种用于地震数据去噪的新颖图像到图像深度学习模型。该模型将 UNet 架构与 Swin Transformer 模块和多头自注意力机制相结合,不使用卷积层以消除其在感受野方面的局限性。我们在时频域和小波域中使用合成示例评估了去噪性能。我们应用该方法在一个……中抑制了调谐震源数据集的交通噪声作者贡献声明(CRediT)**Liang Ding(丁亮):** 原创初稿撰写、可视化、软件、方法学、数据整理。**Gilles Bellefleur:** 原创初稿撰写、经费获取、数据整理。**Saeid Cheraghi:** 审阅与编辑、数据整理。利益冲突声明作者声明不存在任何已知的、可能影响本文所述工作的竞争性经济利益或个人关系。致谢本文是加拿大地质调查局(GSC)的研究贡献。作者感谢 Don White 博士和 Michael Hillier 博士的内部评审。本研究由加拿大自然资源部下属加拿大地质调查局实施的"关键矿产地球科学与数据(CMGD)倡议"下的"人工智能与深度学习项目"资助。Liang Ding|Gilles Bellefleur|Saeid Cheraghi
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号