陳德武 楊午陽 魏新建 李海山 常德寬 李 冬

(中國(guó)石油勘探開發(fā)研究院西北分院，甘肅蘭州 730020)

0 引言

在地震勘探中，初至拾取要求盡可能準(zhǔn)確地確定地震道中初至出現(xiàn)的時(shí)刻[1]，是靜校正、層析成像等處理的前提，初至拾取精度在很大程度上影響后續(xù)處理精度[2]。近年來，隨著“兩寬一高”地震采集技術(shù)的普及，炮、檢密度越來越大，采集數(shù)據(jù)達(dá)到PB數(shù)量級(jí)，并且地表向復(fù)雜山地、巨厚黃土塬等延伸，導(dǎo)致采集資料信噪比較低，初至不明顯。如果采用人工拾取方式，工作量大，拾取效率低，容易引入系統(tǒng)的人為誤差[3-4]。如何快速、精確地拾取海量低信噪比數(shù)據(jù)的初至，是亟需解決的一個(gè)關(guān)鍵問題。

過去幾十年，業(yè)界提出了許多初至拾取方法，目前使用較多的是基于地震信號(hào)瞬時(shí)特征的方法[5]，有能量比法、相關(guān)法、圖像處理法、分形維法、神經(jīng)網(wǎng)絡(luò)法等。能量比法[6-7]就是計(jì)算初至上、下時(shí)窗的能量比，該方法簡(jiǎn)單、計(jì)算效率高，但對(duì)于低信噪比數(shù)據(jù)拾取精度較低。由于能量比法選取了初至附近的兩個(gè)時(shí)窗，很難確定真正的起跳時(shí)間[8-9]。相關(guān)法[4,10]雖然初至拾取精度較高，但相鄰道互相關(guān)計(jì)算的復(fù)雜度較高，對(duì)于鄰近道為干擾道或空道的情況無能為力。圖像處理法[11-12]將地震記錄轉(zhuǎn)化為灰度圖，使用邊緣檢測(cè)法檢測(cè)初至位置，并基于邊緣追蹤技術(shù)追蹤初至波。該方法需要將地震記錄轉(zhuǎn)化為圖像，拾取初至后又要將初至位置映射到地震記錄，不易大規(guī)模應(yīng)用。分形維法[13-14]通過分析分形維數(shù)隨時(shí)間的變化自動(dòng)拾取初至，只能適用于信噪比較高、初至起跳明顯且初至振幅與初至前、后的振幅有較大差異的地震記錄，計(jì)算的穩(wěn)定性和可靠性不高。傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)法[2,15-16]由于網(wǎng)絡(luò)層數(shù)有限，也不易提取相鄰道的空間特征信息，拾取精度不高。

近年來，以深度學(xué)習(xí)為代表的人工智能技術(shù)在計(jì)算機(jī)視覺、自然語言處理、語音識(shí)別等領(lǐng)域廣泛使用。深度學(xué)習(xí)通過構(gòu)建具有多個(gè)隱藏層的網(wǎng)絡(luò)模型和海量數(shù)據(jù)挖掘數(shù)據(jù)深層特征[17]，從而更好地發(fā)現(xiàn)數(shù)據(jù)的有效特征表示。人們也將深度學(xué)習(xí)技術(shù)應(yīng)用于初至拾取中，取得了一些研究進(jìn)展。Yuan等[18]利用卷積連接方式的優(yōu)勢(shì)，首次將卷積神經(jīng)網(wǎng)絡(luò)(一種卷積連接和全連接方式的組合網(wǎng)絡(luò)結(jié)構(gòu))應(yīng)用于地震初至拾取。使用滑動(dòng)窗方式提取時(shí)空振幅制作標(biāo)簽，規(guī)避了屬性提取、屬性選擇，也極大減小了數(shù)據(jù)預(yù)處理工作量。由于仍采用全連接網(wǎng)絡(luò)進(jìn)行分類，且標(biāo)簽只有初至和非初至，因此網(wǎng)絡(luò)結(jié)構(gòu)不宜太深，在面對(duì)復(fù)雜地表或復(fù)雜問題時(shí)可能精度有限。劉佳楠等[19]提出了基于全卷積神經(jīng)網(wǎng)絡(luò)拾取地震初至的方法，但該方法的訓(xùn)練樣本尺寸較大，訓(xùn)練時(shí)占用的內(nèi)存空間和計(jì)算資源較多，使用手工標(biāo)注訓(xùn)練數(shù)據(jù)的標(biāo)簽，消耗了大量人力。丁建群等[20]提出基于U-Net網(wǎng)絡(luò)的地震初至拾取方法，但該方法的神經(jīng)網(wǎng)絡(luò)模型基于圖像訓(xùn)練，無法大規(guī)模應(yīng)用。王君等[21]、帥威等[22]和浦義濤等[23]基于深度殘差網(wǎng)絡(luò)拾取地震初至及其軟件開發(fā)，由于采用152層的深度殘差網(wǎng)絡(luò)，且對(duì)原始地震數(shù)據(jù)做線性動(dòng)校正和反線性動(dòng)校正處理，訓(xùn)練和應(yīng)用效率較低。

為了克服上述方法的缺點(diǎn)，本文首先提出了一種快速制作初至拾取訓(xùn)練數(shù)據(jù)集的方法，并研發(fā)了相應(yīng)的軟件模塊，然后提出一種基于U-Net和SegNet混合網(wǎng)絡(luò)的地震初至自動(dòng)拾取方法，最后用實(shí)際數(shù)據(jù)進(jìn)行了測(cè)試。

1 基本原理

初至拾取的本質(zhì)是要確定地震道上純?cè)肼暫驮肼暸c地震疊加信號(hào)之間的分界時(shí)刻[24]，非常適合用圖像分割算法確定該時(shí)刻，即初至位置。在深度學(xué)習(xí)中，常用的圖像分割網(wǎng)絡(luò)結(jié)構(gòu)基于全卷積網(wǎng)絡(luò)(FCN)的改進(jìn)型(U-Net和SegNet)，將它們應(yīng)用于地震初至拾取就是實(shí)現(xiàn)從地震數(shù)據(jù)到初至起跳分界時(shí)刻端到端的映射。

U-Net是一個(gè)基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分割網(wǎng)絡(luò)，因其在遙感圖像及醫(yī)學(xué)領(lǐng)域的良好應(yīng)用效果，獲得了廣泛的研究和應(yīng)用[20]。該網(wǎng)絡(luò)結(jié)構(gòu)呈U型對(duì)稱(圖1)[25]，在編碼器和解碼器對(duì)稱的層提供跳躍連接，可以使解碼過程拼接編碼過程對(duì)稱層的特征向量，避免了解碼器直接在高級(jí)特征圖中進(jìn)行監(jiān)督和計(jì)算損失函數(shù)值，而是結(jié)合低層特征圖中的特征，使最終特征圖中既包含高層特征，也包含很多低層特征，以實(shí)現(xiàn)不同尺度下的特征融合，從而提高網(wǎng)絡(luò)模型圖像分割精度。然而，由于上采樣過程是反卷積操作，U-Net需要學(xué)習(xí)更多的參數(shù)，訓(xùn)練相對(duì)較慢[26]。

SegNet被設(shè)計(jì)成一個(gè)用于像素級(jí)語義分割的核心分割引擎[27]，解決端到端的二分類和多分類問題(圖2)。SegNet的核心在于其上采樣的方法，編SegNet由一個(gè)編碼器網(wǎng)絡(luò)、一個(gè)相應(yīng)的解碼器網(wǎng)絡(luò)以及一個(gè)逐像素分類層組成[27]。編碼器網(wǎng)絡(luò)從原始圖像分層學(xué)習(xí)視覺特征，解碼器網(wǎng)絡(luò)逐步將編碼特征上采樣映射到像素級(jí)分類輸出的概率矩陣[29]碼器網(wǎng)絡(luò)池化時(shí)記錄最大值的位置，解碼器網(wǎng)絡(luò)反池化時(shí)將輸入值直接賦給記錄位置，其他位置值置零，這樣不會(huì)損失圖元的輪廓細(xì)節(jié)，更利于圖像分割。由于SegNet將池化索引傳遞給上采樣層，需要更少的參數(shù)，訓(xùn)練更快[28]。

圖2 SegNet結(jié)構(gòu)圖

本文提出了一種U-Net和SegNet混合網(wǎng)絡(luò)結(jié)構(gòu)，命名為U-SegNet。U-SegNet以SegNet結(jié)構(gòu)為基礎(chǔ)，通過在解碼器網(wǎng)絡(luò)反卷積層之前融合跳躍連接信息，提供編碼器網(wǎng)絡(luò)的多尺度信息，以獲得更好的性能，并且其上采樣操作將U-Net中的反卷積改為反池化，池化索引被傳遞到上采樣層，網(wǎng)絡(luò)模型收斂更快。因此，U-SegNet網(wǎng)絡(luò)結(jié)構(gòu)更利于分割背景噪聲區(qū)域和含噪信號(hào)區(qū)域，從而提高初至拾取精度?；赨-SegNet網(wǎng)絡(luò)結(jié)構(gòu)的初至拾取，可用輸入炮集樣本S與最終初至上、下范圍分割概率矩陣M之間的一個(gè)非線性映射表示為

M=USNs(S，m)

(1)

式中USNs(·)表示U-SegNet網(wǎng)絡(luò)結(jié)構(gòu)，m為USNs(·)的權(quán)重或偏置參數(shù)。

2 方法流程

基于U-SegNet的初至自動(dòng)拾取流程包括制作訓(xùn)練數(shù)據(jù)集、設(shè)計(jì)網(wǎng)絡(luò)模型、訓(xùn)練網(wǎng)絡(luò)模型、測(cè)試網(wǎng)絡(luò)模型和實(shí)際資料應(yīng)用。

2.1 制作訓(xùn)練數(shù)據(jù)集

為了克服以往神經(jīng)網(wǎng)絡(luò)初至拾取方法中人工標(biāo)注標(biāo)簽耗時(shí)、費(fèi)力的缺點(diǎn)，本文提出并編程實(shí)現(xiàn)了一系列在單炮記錄和標(biāo)簽數(shù)據(jù)顯示中自動(dòng)聯(lián)動(dòng)或單獨(dú)拾取訓(xùn)練樣本及標(biāo)簽的方法，包括手動(dòng)拾取、定位拾取、自動(dòng)拾取。自動(dòng)拾取方式又分為沿直線固定步長(zhǎng)拾取(圖3)、沿曲線固定步長(zhǎng)拾取(圖4)和矩形固定步長(zhǎng)采樣拾取(圖5)，并形成了訓(xùn)練數(shù)據(jù)集制作軟件SeismicNetV1.0。為了方便后續(xù)網(wǎng)絡(luò)模型的測(cè)試和應(yīng)用，該軟件將每個(gè)樣本和標(biāo)簽以全局唯一標(biāo)識(shí)符命名，在指定的磁盤目錄下保存為占用存儲(chǔ)空間較小的二進(jìn)制文件以及JPG格式圖片文件，并且將它們的文件名、文件路徑、道方向長(zhǎng)度、時(shí)間方向采樣點(diǎn)數(shù)、中心點(diǎn)的道序號(hào)和時(shí)間等信息存儲(chǔ)到數(shù)據(jù)庫。

圖3 沿直線固定步長(zhǎng)拾取訓(xùn)練數(shù)據(jù)

圖4 沿曲線固定步長(zhǎng)拾取訓(xùn)練數(shù)據(jù)

圖5 矩形固定步長(zhǎng)采樣拾取訓(xùn)練數(shù)據(jù)

訓(xùn)練及測(cè)試數(shù)據(jù)來自四川三維工區(qū)A，該區(qū)地表?xiàng)l件復(fù)雜，低降速帶巖性變化較大，很多排列的遠(yuǎn)炮檢距道初至不明顯。制作訓(xùn)練數(shù)據(jù)集過程如下。

(1)使用某商業(yè)軟件拾取炮集數(shù)據(jù)的初至，人工修正未能拾取或拾取精度不高的初至，導(dǎo)出文本格式的初至文件。

(2)根據(jù)初至文件中的初至標(biāo)注SEG-Y標(biāo)簽文件，標(biāo)簽文件道數(shù)和采樣點(diǎn)數(shù)與炮集數(shù)據(jù)文件相同，其中初至?xí)r間以上樣點(diǎn)值寫為0，初至及以下樣點(diǎn)值寫為1。

(3)利用原始炮集數(shù)據(jù)和加噪炮集數(shù)據(jù)分別制作訓(xùn)練數(shù)據(jù)集，并將其合并為最終的訓(xùn)練數(shù)據(jù)集，具體為：

1)將原始炮集數(shù)據(jù)文件、標(biāo)簽文件導(dǎo)入SeismicNet軟件中，設(shè)置樣本大小為80×160(80道、160個(gè)采樣點(diǎn))，以矩形固定步長(zhǎng)采樣方式在不同單炮最小至最大初至范圍內(nèi)拾取10000個(gè)樣本及對(duì)應(yīng)標(biāo)簽，保存為10000對(duì)二進(jìn)制文件。

2)首先對(duì)原始炮集數(shù)據(jù)使用

(2)

添加噪聲。式中：Ar為原始炮集數(shù)據(jù)采樣點(diǎn)振幅；An為加噪炮集數(shù)據(jù)采樣點(diǎn)振幅；Amax為以當(dāng)前道為中心道的99道數(shù)據(jù)的最大振幅；Amin為以當(dāng)前道為中心道的99道數(shù)據(jù)的最小振幅。然后利用拾取原始炮集訓(xùn)練數(shù)據(jù)的方式，從加噪炮集數(shù)據(jù)文件與標(biāo)簽數(shù)據(jù)文件中以矩形固定步長(zhǎng)采樣方式拾取5000對(duì)加噪訓(xùn)練樣本及其標(biāo)簽，保存為5000對(duì)二進(jìn)制文件(圖6)。

圖6 由加噪炮集數(shù)據(jù)中拾取訓(xùn)練數(shù)據(jù)

3)合并兩種數(shù)據(jù)源制作的訓(xùn)練數(shù)據(jù)集作為最終的訓(xùn)練數(shù)據(jù)集，訓(xùn)練數(shù)據(jù)集中初至樣本占該區(qū)炮集數(shù)據(jù)初至的29%。

采用矩形固定步長(zhǎng)采樣方式拾取的樣本千差萬別，包含面波和各種隨機(jī)噪聲； 沿理論初至曲線拾取的樣本只體現(xiàn)初至附近的特征。因此前者拾取的訓(xùn)練數(shù)據(jù)集泛化能力更強(qiáng)，并且制作的訓(xùn)練數(shù)據(jù)集具有以下優(yōu)點(diǎn)： ①拾取訓(xùn)練樣本大小為80×160，較前人采用的256×4096訓(xùn)練樣本[19]的網(wǎng)絡(luò)模型訓(xùn)練和應(yīng)用效率更高； ②直接在原始炮集數(shù)據(jù)中拾取訓(xùn)練樣本，無需對(duì)原始炮集進(jìn)行各種預(yù)處理，如線性動(dòng)校正、自動(dòng)增益控制、高斯濾波等，制作訓(xùn)練數(shù)據(jù)集和測(cè)試應(yīng)用較前人方法[20-21]更高效。

2.2 設(shè)計(jì)網(wǎng)絡(luò)模型

本文結(jié)合U-Net和SegNet網(wǎng)絡(luò)結(jié)構(gòu)，搭建了U-SegNet_5layer(圖7)和U-SegNet_4layer(圖8)網(wǎng)絡(luò)結(jié)構(gòu)。U-SegNet_5layer網(wǎng)絡(luò)結(jié)構(gòu)的編碼器部分(左邊)和解碼器部分(右邊)都包含5層。U-SegNet_4layer的網(wǎng)絡(luò)結(jié)構(gòu)與U-SegNet_5layer相似，但比后者少了最底部一層。

圖7 U-SegNet_5layer網(wǎng)絡(luò)結(jié)構(gòu)

圖8 U-SegNet_4layer網(wǎng)絡(luò)結(jié)構(gòu)

編碼器部分每一層首先對(duì)輸入原始樣本或特征圖進(jìn)行2～3次卷積+批標(biāo)準(zhǔn)化+Relu激活操作，然后對(duì)特征圖進(jìn)行最大池化操作，實(shí)現(xiàn)下采樣。第一層到第二層之間最大池化核大小為1×2，使特征圖的尺寸由80×160變?yōu)?0×80，其余的最大池化核大小均為2×2，道方向和樣點(diǎn)方向都減半，到最后一層特征圖大小變?yōu)?0×10。每次最大池化操作都保存最大值的位置。解碼器部分每一層首先對(duì)輸入的特征圖進(jìn)行反最大池化操作，實(shí)現(xiàn)上采樣。反最大池化過程中讀取編碼器部分對(duì)稱層所保存的最大值位置，將對(duì)應(yīng)的位置賦值，其他位置值置0；然后將反最大池化結(jié)果和編碼器部分對(duì)稱層的最后輸出拼接；最后進(jìn)行2～3次反卷積+批標(biāo)準(zhǔn)化+Relu激活操作。最終解碼器的輸出特征圖大小為80×160，個(gè)數(shù)為32，對(duì)其進(jìn)行卷積核大小為1×1、核數(shù)為1的卷積和Sigmoid激活處理最終網(wǎng)絡(luò)輸出一張大小為80×160的、以0～1概率表示的分割結(jié)果圖。Sigmoid激活函數(shù)為

(3)

式中：pv,n為第v個(gè)樣本、第n個(gè)采樣點(diǎn)的概率值；xv,n為第v個(gè)樣本、第n個(gè)采樣點(diǎn)通過U-SegNet解碼器的輸出值。

2.3 訓(xùn)練網(wǎng)絡(luò)模型

訓(xùn)練和測(cè)試應(yīng)用網(wǎng)絡(luò)模型的軟、硬件環(huán)境為： Windows 10操作系統(tǒng)PC機(jī)(12核Intel酷睿i7-8700 CPU，主頻為3.2GHz，內(nèi)存為8GB)，深度學(xué)習(xí)平臺(tái)為Tensorflow 1.14.0。

將制作的訓(xùn)練數(shù)據(jù)集以98∶1∶1的比例劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，對(duì)應(yīng)的樣本數(shù)分別為14700、150和150。訓(xùn)練過程使用小批量梯度下降法，在保證不發(fā)生內(nèi)存溢出的情況下，盡可能大地設(shè)置批次大小，可以有效地覆蓋訓(xùn)練集和測(cè)試集損失函數(shù)的尖銳極小值，從而避免損失函數(shù)極小值導(dǎo)致的較差泛化[30]。在訓(xùn)練中批次大小設(shè)置為60，每輪迭代245次，并用驗(yàn)證集驗(yàn)證1次。

由于網(wǎng)絡(luò)模型分割的背景噪聲區(qū)域和初至及以下區(qū)域，在標(biāo)簽數(shù)據(jù)中分別用0和1表示，所以損失函數(shù)采用二元交叉熵函數(shù)(Binary Cross-Entropy)并將其最小化，該損失函數(shù)具有信息論解釋基礎(chǔ)、良好的數(shù)理表現(xiàn)和優(yōu)越的性質(zhì)[31]。某個(gè)訓(xùn)練樣本的二元交叉熵?fù)p失函數(shù)為[26]

(4)

《數(shù)據(jù)庫維護(hù)與編程》是計(jì)算機(jī)科學(xué)與技術(shù)、軟件工程等計(jì)算機(jī)類專業(yè)的核心課程之一，實(shí)踐性和操作性都很強(qiáng)。數(shù)據(jù)庫技術(shù)是管理信息系統(tǒng)、辦公自動(dòng)化系統(tǒng)、決策支持系統(tǒng)等各類信息系統(tǒng)的核心部分，是進(jìn)行科學(xué)研究和決策管理的重要技術(shù)手段[1]。所以，熟練掌握數(shù)據(jù)庫維護(hù)與編程技術(shù)，對(duì)計(jì)算機(jī)類專業(yè)的學(xué)生尤為重要。

對(duì)于一個(gè)包含n個(gè)訓(xùn)練樣本的批次，損失函數(shù)為[26]

(5)

網(wǎng)絡(luò)模型訓(xùn)練的梯度下降優(yōu)化算法采用適應(yīng)性矩估計(jì)(Adaptive Moment Estimation，Adam)，該算法是擴(kuò)展后的隨機(jī)梯度下降算法，結(jié)合了自適應(yīng)梯度算法(Adaptive Gradient Algorithm，AdaGrad)和均方根傳播算法(Root Mean Square Prop，RMSProp)的優(yōu)點(diǎn)[28]。首先計(jì)算梯度的一階矩估計(jì)和二階矩估計(jì)，然后為各個(gè)參數(shù)設(shè)置不同的不相關(guān)的自適應(yīng)學(xué)習(xí)率[32]，即

mt=β1mt-1+(1-β1)gt

(6)

(7)

(8)

(9)

訓(xùn)練過程中可以對(duì)某個(gè)樣本在網(wǎng)絡(luò)結(jié)構(gòu)中某單元的輸出進(jìn)行可視化顯示，可以看到不同卷積核提取輸入的不同特征。圖9為某個(gè)樣本及其在U-SegNet_5layer編碼器網(wǎng)絡(luò)第二層的第二個(gè)卷積層輸出的64張?zhí)卣鲌D。

圖9 某個(gè)樣本(左)及其在U-SegNet_5layer編碼器部分第二層的第二個(gè)卷積層輸出的64張?zhí)卣鲌D(右)

提前停止(Early Stopping)法可以在網(wǎng)絡(luò)模型達(dá)到最佳狀態(tài)時(shí)自動(dòng)停止訓(xùn)練，是一種能夠避免網(wǎng)絡(luò)發(fā)生欠擬合或過擬合的方法[32]。訓(xùn)練過程中設(shè)置了提前終止條件，當(dāng)訓(xùn)練集的損失函數(shù)值在三輪迭代內(nèi)出現(xiàn)上升即停止訓(xùn)練，并且訓(xùn)練過程中只保存當(dāng)前最好的模型參數(shù)。U-SegNet_5layer迭代32輪即停止訓(xùn)練過程，保存了第29輪的模型參數(shù)，最終訓(xùn)練集準(zhǔn)確率為99.52%，驗(yàn)證集準(zhǔn)確率為99.44%；U-SegNet_4layer迭代了48輪停止訓(xùn)練過程，保存了第45輪的模型參數(shù)，最終訓(xùn)練集準(zhǔn)確率為99.37%，驗(yàn)證集準(zhǔn)確率為99.32%。圖10為U-SegNet_5layer和U-SegNet_4layer訓(xùn)練過程的損失函數(shù)值曲線和準(zhǔn)確率曲線。由圖可見，兩個(gè)網(wǎng)絡(luò)模型在很少的迭代次數(shù)內(nèi)完成訓(xùn)練，說明訓(xùn)練效率都很高，并且U-SegNet_5layer訓(xùn)練和驗(yàn)證的準(zhǔn)確率略高于U-SegNet_4layer。表1為U-SegNet、U-Net、SegNet訓(xùn)練準(zhǔn)確率，其中UNet_5layer使用的標(biāo)簽數(shù)據(jù)初至位置樣點(diǎn)值寫1，初至以上和以下樣點(diǎn)值寫0。由表可見，U-SegNet的訓(xùn)練準(zhǔn)確率高于U-Net和SegNet。

表1 U-SegNet、U-Net、SegNet訓(xùn)練準(zhǔn)確率

圖10 U-SegNet_5layer和U-SegNet_4layer訓(xùn)練

2.4 測(cè)試網(wǎng)絡(luò)模型

由于U-SegNet_5layer訓(xùn)練和驗(yàn)證的準(zhǔn)確率略高于U-SegNet_4layer，故選擇U-SegNet_5layer進(jìn)行測(cè)試和應(yīng)用。

測(cè)試數(shù)據(jù)輸入到網(wǎng)絡(luò)模型中的輸出只是初至上、下范圍分割結(jié)果圖，還需要從這些分割結(jié)果圖中確定具體的初至位置。分割結(jié)果圖實(shí)際上是預(yù)測(cè)為初至以上范圍或初至及以下范圍的概率矩陣。在分割結(jié)果圖中如果某個(gè)采樣點(diǎn)確定為初至以上范圍，則概率值近于0，如果某個(gè)采樣點(diǎn)確定為初至以下范圍，則概率值近于1，初至附近上、下幾個(gè)采樣點(diǎn)的概率值為0～1。本文從上往下遍歷分割結(jié)果概率矩陣的每一道，將第一個(gè)概率值大于0.5的采樣點(diǎn)確定為該道的初至。但某些樣本存在很多不包含初至的道，如圖11中第3個(gè)和第4個(gè)樣本，這些道的初至位置不能由這些樣本確定，而由它們上方或下方相鄰的樣本確定。圖12為由10張分割結(jié)果圖確定的初至位置。

圖11 四個(gè)測(cè)試樣本(上)及其使用U-SegNet_5layer輸出的初至分割結(jié)果(下)

圖12 由10張分割結(jié)果圖確定的初至位置

確定每張分割結(jié)果圖的初至位置之后，需要將分割結(jié)果圖的每一個(gè)道序號(hào)映射為炮集中的道序號(hào)，每一道初至位置映射為炮集中的具體初至?xí)r間，映射過程分為三步：

(1)根據(jù)文件名從數(shù)據(jù)庫中查詢出某個(gè)測(cè)試樣本的道方向長(zhǎng)度、時(shí)間方向采樣點(diǎn)數(shù)、中心點(diǎn)的道序號(hào)和時(shí)間。

(2)根據(jù)以上信息和分割結(jié)果圖中的初至位置，由

(10)

(11)

計(jì)算出每一道在炮集中對(duì)應(yīng)的道序號(hào)和初至?xí)r間。式中：I為炮集中的道序號(hào)；i為分割結(jié)果圖中的道序號(hào)；IC為樣本中心點(diǎn)在炮集中的道序號(hào)；C為樣本道方向長(zhǎng)度；T為某一道在炮集中的初至?xí)r間；s為某道在分割結(jié)果圖中的采樣點(diǎn)序號(hào)；R為采樣率；TC為樣本中心點(diǎn)在炮集中的初至?xí)r間；H為樣本時(shí)間方向采樣點(diǎn)數(shù)。

(3)剔除可能存在的重復(fù)道及其初至。

圖13為某商業(yè)軟件拾取的初至在炮集中的顯示。由圖可見，排列右邊遠(yuǎn)炮檢距道信噪比很低，初至不明顯，該軟件未能拾取這些道的初至，并且第三個(gè)排列右邊拾取的初至存在向下跳變，拾取精度不高。圖14為在炮集數(shù)據(jù)中拾取的測(cè)試樣本，圖15為U-SegNet_5layer拾取的測(cè)試樣本初至在炮集中的顯示。由圖15可見，U-SegNet_5layer精確拾取了圖13的遠(yuǎn)炮檢距道的初至，且不存在初至跳變問題。

本文將U-SegNet_5layer用于青海M區(qū)戈壁灘實(shí)際地震資料，測(cè)試其泛化性能。由于U-SegNet_5layer是由復(fù)雜山地地表的低信噪比數(shù)據(jù)訓(xùn)練而成，將其應(yīng)用到信噪比相對(duì)較高的M區(qū)資料，初至拾取效果很好(圖16)。

圖13 某商業(yè)軟件拾取的初至在炮集中的顯示

圖14 在炮集數(shù)據(jù)中拾取的測(cè)試樣本

2.5 實(shí)際資料應(yīng)用

在制作訓(xùn)練數(shù)據(jù)集過程中，選取連續(xù)250炮的887500道實(shí)際數(shù)據(jù)測(cè)試U-SegNet_5layer在大數(shù)據(jù)量炮集中的初至拾取效果。

目前幾乎所有的深度學(xué)習(xí)初至拾取方法在測(cè)試應(yīng)用網(wǎng)絡(luò)模型時(shí)輸入的樣本包含炮集數(shù)據(jù)所有采樣點(diǎn)，但在實(shí)際初至拾取過程中不需要輸入初至以上背景噪聲和初至以下深層的大部分樣本，可節(jié)省大量的計(jì)算資源。為了減少輸入到網(wǎng)絡(luò)模型中的數(shù)據(jù)量，提高大數(shù)據(jù)量炮集初至拾取效率，本文采用SeismicNet軟件的沿曲線自動(dòng)拾取方式，在250炮數(shù)據(jù)中沿理論初至曲線以30道為步長(zhǎng)拾取80×160大小的樣本(圖17)，這樣輸入到網(wǎng)絡(luò)中的數(shù)據(jù)量約為輸入炮集所有采樣點(diǎn)的1/10，應(yīng)用效率提高了10倍。

圖17 沿理論初至曲線拾取的應(yīng)用數(shù)據(jù)樣本紅色曲線為理論初至曲線

在與訓(xùn)練網(wǎng)絡(luò)模型相同的軟、硬件環(huán)境下，U-SegNet_5layer拾取250炮實(shí)際數(shù)據(jù)用時(shí)285s，每秒拾取3114道數(shù)據(jù)，拾取效率約為某商業(yè)軟件的2.2倍。

本文將網(wǎng)絡(luò)模型的初至拾取率定義為單炮中網(wǎng)絡(luò)模型成功拾取初至的道數(shù)占單炮總道數(shù)的比例。圖18和圖19分別為某商業(yè)軟件和U-SegNet_5layer拾取250炮數(shù)據(jù)初至的拾取率曲線。由圖可見： 該商業(yè)軟件單炮初至拾取率最高為99.7%，最低為80.8%，平均值為92.5%(圖18)；U-SegNet_5layer單炮初至拾取率最高為99.9%，最低為96.1%，平均值為98.4%(圖19)。將U-SegNet_5layer拾取250炮初至的拾取率投影到衛(wèi)星遙感影像中(圖20)可見：炮點(diǎn)分布的西北方向靠近公路和村莊，干擾較大，初至拾取率較低； 炮點(diǎn)分布的東南方向靠近村莊、機(jī)場(chǎng)和工廠，初至拾取率更低；炮點(diǎn)分布的中心位置距干擾源較遠(yuǎn)，初至拾取率最高。

圖18 某商業(yè)軟件拾取250炮數(shù)據(jù)初至的拾取率曲線

圖19 U-SegNet_5layer拾取250炮數(shù)據(jù)初至的拾取率曲線

3 結(jié)論

本文提出的基于混合網(wǎng)絡(luò)U-SegNet的地震初至自動(dòng)拾取方法克服了傳統(tǒng)方法和近年提出的基于深度學(xué)習(xí)的方法在初至拾取效率、精度、穩(wěn)定性和實(shí)用性等方面的缺點(diǎn)，表現(xiàn)為：

(1)實(shí)現(xiàn)了矩形固定步長(zhǎng)采樣方式和沿理論初至曲線自動(dòng)拾取訓(xùn)練數(shù)據(jù)集的功能，不僅省去了繁瑣的訓(xùn)練數(shù)據(jù)預(yù)處理過程，極大地提高了制作訓(xùn)練數(shù)據(jù)集的效率，而且縮小了樣本尺寸，減少了輸入網(wǎng)絡(luò)模型中的數(shù)據(jù)量，提高了網(wǎng)絡(luò)模型訓(xùn)練、測(cè)試和應(yīng)用效率。

(2)設(shè)計(jì)的混合網(wǎng)絡(luò)結(jié)構(gòu)U-SegNet結(jié)合了U-Net可以融合不同尺度特征和SegNet可以很好地保留圖元輪廓信息的優(yōu)點(diǎn)，更精確地分割初至以上純背景噪聲部分和初至及以下部分，使初至拾取更準(zhǔn)確。

(3)將訓(xùn)練的網(wǎng)絡(luò)模型用于實(shí)際數(shù)據(jù)測(cè)試時(shí)，提出了一種將炮集數(shù)據(jù)快速轉(zhuǎn)換到初至?xí)r間的方法。應(yīng)用結(jié)果表明，該方法初至拾取率和效率均高于某商業(yè)軟件，易于工業(yè)化生產(chǎn)，具有良好的發(fā)展前景。