基于带 Dropout 的 Self2Self 的 CRP 道集噪声压制

《Journal of Applied Geophysics》：Noise suppression for CRP gathers based on Self2Self with dropout

　　

•我们提出了一种基于自监督学习的噪声压制方法，利用输入噪声图像的伯努利采样实例对作为替代任务，以利用其固有结构。
•我们提出的 SSDCN 网络通过正常时差校正技术融入地质知识，利用在共反射点道集中观察到的有效信号事件的近似水平行为和强自相似性。
•在合成和真实共反射点道集实验中，我们的方法实现了高保真的噪声压制。

引言
野外地震数据易受外部环境因素和勘探设备引起的噪声影响，这对地震数据成像质量和储层预测精度造成不利影响。因此，噪声压制已成为地震数据处理中的关键研究领域。
全球研究人员致力于探索并提出各种有效的地震数据噪声压制方法。根据所采用的研究方法论，这些方法大致可分为传统方法和基于深度学习的技术。
传统地震数据噪声压制方法涉及构建依赖于数据底层物理机制显式知识的数学模型。然后采用数学优化技术来求解这些模型。这些传统方法根据实施方法大致可分为四类：滤波、低秩矩阵分解、模态分解以及利用稀疏表示的噪声压制方法。常见的滤波方法主要包括频域 - 空间域（F-X）滤波、频域 - 波数域（F-K）滤波和中值滤波。在频域 - 空间域（F-X）中，有效信号表现出线性和可预测性，而随机噪声本质上不可预测。F-X 域方法利用这种区别来实现有效信号与随机噪声的分离（Canales, 1984）。F-X 域预测滤波依赖于线性反射事件对齐的假设。为了解决这一局限性，一种基于非线性空间变换的 F-X 域预测滤波算法解决了这个问题，使算法能够适应非线性有效信号事件对齐的场景（Kang et al., 2003）。F-K 滤波方法（频域 - 波数域滤波方法）将地震数据变换到 F-K 域，然后根据信号和噪声在 F-K 域中的分布差异进行分离（Gulunay, 1986）。改进的 F-K 域椭圆滤波器不仅能有效压制噪声，还能更好地保留有效信号的波形和振幅（Zhang et al., 1996）。中值滤波算法用于消除非平稳信号中的尖峰噪声（Bednar, 1983）。时变中值滤波算法考虑了有效信号和随机尖峰噪声之间的特征差异，避免了中值滤波算法中固定窗口造成的过度平滑效应，从而提高了分离有效信号的保真度（Liu et al., 2009）。自适应中值滤波器可以根据局部噪声水平调整滤波器大小，这在实际应用中更好地保留了地质细节（Al-Dossary, 2014）。低秩矩阵分解方法通过利用信号和噪声之间的秩差异来压制噪声。Bekara 等人提出了一种使用局部奇异值分解（SVD）来处理随时间和偏移量变化的地震事件的方法（Bekara 和 Van der Baan, 2007）。Shen 等人提出了一种基于 SVD 的线性域噪声衰减算法，该算法使用线性变换来展平有效信号的同相轴。通过 SVD 提取并重建有效信号的奇异值，最后通过线性逆变换恢复有效信号（Shen 和 Li, 2009）。Cheng 等人提出了一种鲁棒主成分分解（RPCA）方法来改进地震数据的信噪比（SNR）（Cheng et al., 2015）。模态分解噪声压制方法主要包括经验模态分解（EMD）和变分模态分解（VMD）。EMD 算法将含噪原始地震数据分解为多个具有不同频率成分的本征模态函数（Huang et al., 2003）。通过保留代表有效信号的模态分量来去除噪声。然而，当有效信号和噪声之间存在严重的频谱混叠，或者信号内部存在不连续性或脉冲干扰等异常事件时，使用 EMD 算法可能会发生模态混叠（Chen et al., 2016）。VMD 算法假设任何信号都是由具有特定中心频率和有限带宽的模态分量组成的。它根据带宽限制建立约束优化问题，求解每个模态分量的频率中心和带宽（Dragomiretskiy 和 Zosso, 2013）。Fang 等人提出了一种频域全局自适应 VMD 方法，应用于压制地震数据中的随机噪声（Fang et al., 2019）。与 EMD 方法相比，它更有效。基于稀疏表示的方法通常涉及找到合适的基础函数作为字典。所选字典必须能够稀疏表示有效信号，同时无法稀疏表示随机噪声，从而实现噪声压制的目标。该方法最早由 Starck 等人提出（Starck et al., 2005），他们引入了一种基于稀疏表示的信号分离方法，称为形态成分分析（MCA）。后来，Wang 等人提出了一种空间自适应数据驱动紧框架（SA-DDTF）方法（Wang 和 Ma, 2019）。基于信号稀疏表示的去噪方法可根据基础函数的选择分为两大类：基于固定基础函数的变换和基于字典学习的变换。在基于固定基础的变换中，如傅里叶变换（Sacchi et al., 1998）、小波变换（Chen 和 Qian, 2010）和曲线变换（Ma 和 Plonka, 2010），使用固定基础在变换域中稀疏表示有效信号。然而，这些方法使用预选择的基础函数，因此对不同的地震数据缺乏适应性。基于字典学习的方法，如 K-SVD（Aharon et al., 2006），可以根据原始数据的不同特征自适应地学习基础函数。K-SVD 算法具有更强的适应性，但伴随着更高的计算复杂性。尽管传统噪声压制方法在实际应用中显示出前景，但它们仍然面临两个重大挑战。首先，许多这些方法依赖于关于物理背景的人工假设和显式先验信息，这内在限制了它们捕捉数据内部高复杂性和非线性关系的能力。其次，传统方法通常在模型求解过程中需要手动调整参数，需要不断调整经验值以考虑数据变化。
近年来，卷积神经网络（CNNs）在计算机视觉领域获得了显著的关注和成功。因此，研究人员探索将深度学习技术应用于地震数据处理，取得了令人满意的结果。其中，去噪卷积神经网络（DnCNN）引起了相当大的兴趣，并成功衰减了各种类型的噪声（Zhang et al., 2017），如随机噪声（Liu et al., 2019）、面波（Li et al., 2018）、沙漠噪声（Zhao et al., 2018）、多次波（Yu et al., 2019）和散射噪声（Liu et al., 2022）。上述方法突出了监督深度学习在地震数据噪声压制中的有效性。深度神经网络具有强大的适应性和非线性特征提取能力，使其非常适合此去噪任务。深度学习的一个关键优势在于其灵活性，因为它不需要广泛的领域知识或专业知识。值得注意的是，基于监督学习的噪声压制方法的有效性在很大程度上依赖于地震数据标签的质量，因为高质量的 dataset 可以显著提高网络去噪性能。
与自然图像去噪相比，地震勘探的一个主要挑战是无法获得干净的标签来构建训练样本对，从而阻碍了地震数据去噪的进一步改进。因此，基于无监督学习的去噪方法自推出以来引起了显著关注，因为它们不依赖于网络训练中的干净标签。作为一种无监督去噪方法，Noise2Noise 使用相同真实数据的不同噪声样本作为标签，在训练期间引导网络模型（Lehtinen et al., 2018），使网络能够学习干净的实时数据。然而，Noise2Noise 需要对同一对象进行多次独立观测，并确保噪声数据中的噪声相互独立。Liu 等人引入了生成卷积网络（GCN）（Liu et al., 2022），这是一种无监督深度神经网络，利用地震数据的固有自相似性。GCN 采用解码器结构，可以提取多尺度自相似特征，在迭代过程中优先重建有效信号。Quan 等人提出了带 Dropout 的 Self2Self，这是一种针对单张自然图像的去噪网络（Quan et al., 2020），它通过利用输入图像对中的信息有效压制随机噪声，这些图像对来自伯努利采样实例。在此基础上，Wang 等人将带 Dropout 的 Self2Self 应用于地震数据去噪，并成功压制了叠后地震数据中的随机噪声（Wang et al., 2023）。Sun 等人提出了 N2STL，这是一种用于压制二维地震数据随机噪声的无监督学习范式（Sun et al., 2022）。N2STL 利用构建的 J-不变函数来学习地震数据信息，并引入迁移学习以减少训练时间。因此，它有效地压制了叠前和叠后地震数据中的随机噪声。
本文提出了一种专为共反射点（CRP）道集噪声压制设计的自监督深度卷积网络（SSDCN）方法。受带 Dropout 的 Self2Self 方法的启发，SSDCN 利用从单个噪声地震图像的伯努利采样实例衍生出的多个训练样本来建立优化目标。值得注意的是，经过正常时差（NMO）校正的共反射点道集在有效信号和噪声之间表现出明显的自相似性差异。有效信号事件以近似水平行为和显著的自相似性为特征。利用其提取自相似特征的固有功能，SSDCN 在训练迭代过程中优先提取有效信号，从而实现有效的噪声压制。

章节片段
自监督去噪原理
地震数据可以表示为有效信号和噪声的线性组合，如下所示：
y=x+n，
其中 y 表示含噪地震数据，x 代表有效信号，n 表示噪声。
基于监督学习的深度神经网络通常使用均方误差（MSE）损失来优化网络模型。此优化确保网络输出值尽可能接近所需的标签值，从而增强网络估计有效信号的准确性：minθ

合成数据示例
为了验证我们方法的有效性，我们首先在合成地震数据示例上进行实验。如图 2(a) 所示，干净的地震数据由 9 个道集组成，每个道集有 40 道，其有效信号表示为双曲线反射事件。每个单个道集有 500 个采样时间点，采样时间间隔为 4 毫秒。我们向干净的地震数据添加随机噪声，以合成图 2(b) 所示的含噪地震数据，结果信噪比

结论
我们引入了一种针对共反射点道集基于自监督学习的噪声压制方法，无需干净的标签。我们通过对输入的共反射点道集进行多次伯努利采样实验构建替代任务来提取监督信息。通过纳入引入地质速度信息的正常时差校正，我们进一步增强了我们方法的去噪能力。SSDCN 方法的有效性通过合成数据以及叠前和叠后数据得到了证明

CRediT 作者贡献声明
Fei Li: 撰写 – 初稿，方法论，调查，概念化。Ruizhe Jiao: 撰写 – 审阅与编辑。Zhenbin Xia: 验证，软件，调查，数据管理。Dawei Liu: 监督，项目管理，资金获取，概念化。Guanghong Du: 项目管理，数据管理。Yang Mu: 资源，项目管理，数据管理。

利益冲突声明
作者声明以下财务利益/个人关系，这可能被视为潜在的利益冲突：Dawei Liu 报告说获得了中国国家自然科学基金的财务支持。如果有其他作者，他们声明没有已知的竞争性财务利益或个人关系可能影响本文中报告的工作。

致谢
作者感谢匿名审稿人提出的宝贵建议。这项工作得到了中国国家自然科学基金的资助（资助号 41974131）。

李飞 | 焦瑞哲 | 夏振斌 | 刘大为 | 杜广洪 | 穆阳