基于深度学习的地震随机噪声衰减方法研究进展

作者：崔扬; 王燕楠; 陈万利; 张虹; 朱丹丹; 白敏

来源：石油地球物理勘探, 2023, 58(05): 1269-1283.

DOI：10.13810/j.cnki.issn.1000-7210.2023.05.023

• 模型驱动
• 数据驱动
• 深度学习
• 字典学习
• 随机噪声衰减
• 卷积神经网络
• 研究进展

分析了卷积神经网络（CNN）、去噪卷积神经网络（DnCNN）、U-Net深度神经网络、前反馈（BP）神经网络、空洞卷积神经网络（DCNN）、残差网络（ResNet）、迁移学习等为代表的深度学习方法的概念、发展现状、方法原理、去噪效果以及优缺点等；对比了传统去噪方法、字典学习及深度学习方法的去噪效果；展望了深度学习技术在地震去噪领域的发展前景。获得以下认识：(1)深度学习方法的实际去噪效果优于传统方法和字典学习方法，不需要设定结构模型，泛化性更强，且计算时间短、精度更高。(2)深度学习方法存在诸多不足：实际数据的去噪效果往往差于合成数据；普适性不强；神经网络的“黑匣子”特性使其物理可解释性大大降低；网络性能与训练数据的泛化性密切相关；用于训练网络的数据集因人而异，难以评价网络性能。(3)期待深度学习在以下方面取得进展和突破：搭建适用于不同噪声的去噪神经网络结构，并将更优的网络结构引入地震随机噪声压制；将地震信号转换到变换域构造网络的损失函数；改进学习策略的同时制作更具代表性的数据集，尽可能地使训练数据覆盖所有类型的解，提高网络泛化性；自动化的参数调优；结合模型驱动与数据驱动的方法。

• 单位
  油气资源与勘探技术教育部重点实验室; 长江大学