韓建光,王卿,許媛,劉志偉

1)中國地質(zhì)科學(xué)院,北京,100037;2)北京信息科技大學(xué),北京,100101

內(nèi)容提要：基于深度學(xué)習(xí)的地震數(shù)據(jù)噪聲壓制方法是當(dāng)前地震數(shù)據(jù)去噪處理的重要方向。深度學(xué)習(xí)方法突破了傳統(tǒng)濾波處理的局限,在對常規(guī)地震數(shù)據(jù)的噪聲壓制中表現(xiàn)出效率高、信噪分離效果好的特點(diǎn)。但針對深部弱有效反射數(shù)據(jù),當(dāng)前的深度學(xué)習(xí)方法特征提取能力有限,難以取得較好的去噪效果。筆者等結(jié)合深反射地震數(shù)據(jù)特點(diǎn),針對當(dāng)前深度學(xué)習(xí)噪聲壓制方法在特征提取及對數(shù)據(jù)集依賴上的局限,提出了基于注意力循環(huán)生成對抗網(wǎng)絡(luò)(Attention Cycle-Consistent Generative Adversarial Networks,A-CGAN)的深反射地震數(shù)據(jù)隨機(jī)噪聲壓制方法。借助循環(huán)一致生成對抗網(wǎng)絡(luò)(Cycle-Consistent Generative Adversarial Networks,Cycle-GAN)的域映射思想,降低對數(shù)據(jù)集的要求。為了構(gòu)建適用于深反射地震數(shù)據(jù)的去噪網(wǎng)絡(luò),從3個(gè)方面對Cycle-GAN進(jìn)行改進(jìn):在Cycle-GAN的生成器(去噪器)中加入殘差結(jié)構(gòu)和注意力機(jī)制,用于加深網(wǎng)絡(luò)深度和提高其特征提取能力;在Cycle-GAN的鑒別器中使用塊判決,提高鑒別精度和準(zhǔn)確度;在損失函數(shù)部分加入感知一致性損失函數(shù),提升網(wǎng)絡(luò)模型恢復(fù)紋理細(xì)節(jié)信息的能力。通過合成地震數(shù)據(jù)和實(shí)際深反射地震數(shù)據(jù)測試,驗(yàn)證了優(yōu)化算法的有效性,體現(xiàn)了良好的應(yīng)用價(jià)值。

深反射地震數(shù)據(jù)精細(xì)處理是深反射地震探測取得成功的關(guān)鍵(王文光等,2021;譚曉淼等,2021)。對于深反射地震深層數(shù)據(jù),探測目的層深度大,數(shù)據(jù)觀測接收排列長度跨度廣,觀測方法的特殊性和探測區(qū)域地質(zhì)條件的復(fù)雜性,造成深層有效反射信號弱,受噪聲干擾嚴(yán)重,成像效果差,制約對深部構(gòu)造形態(tài)的認(rèn)識。因此研究有效的噪聲壓制方法,最大限度地去除噪聲,保護(hù)有效信號,提升資料信噪比,實(shí)現(xiàn)深層微弱反射信號的清晰成像,對深部地震勘探至關(guān)重要。深反射地震數(shù)據(jù)傳統(tǒng)的噪聲壓制方法主要包括異常振幅噪聲衰減、局部異常振幅衰減、徑向預(yù)測濾波噪音衰減、相干噪音衰減、地震子波反褶積處理、隨機(jī)噪音衰減等(朱小三等,2013;徐泰然等,2017;谷丙洛等,2020;楊順等,2023)。這些方法都有其自身適用的范圍,在對深反射地震數(shù)據(jù)處理過程中需要根據(jù)噪聲具體特征,利用不同域中有效信號的特點(diǎn)及其與其他信號之間的差異,合理且有針對性地選擇和應(yīng)用去噪方法,對處理人員要求高并且處理效率較低。面對深部低頻隨機(jī)噪聲與低頻有效信號嚴(yán)重重疊的情況,傳統(tǒng)去噪方法通常難以取得較好的去噪效果(邢濤等,2023)。

近年來,隨著計(jì)算機(jī)硬件的飛速發(fā)展,深度學(xué)習(xí)在圖像去噪領(lǐng)域取得了巨大的成功(Vasudevan and Jesse, 2019; Tian Chunwei et al., 2020; Xia Haiying et al., 2020)。深度學(xué)習(xí)方法具有自主學(xué)習(xí)、快速提取特征、精準(zhǔn)擬合復(fù)雜非線性映射等優(yōu)點(diǎn)。深反射地震數(shù)據(jù)中的有效信號具有較強(qiáng)的紋理特征,可以被視為一種更加復(fù)雜的含噪圖像,因此可以使用深度學(xué)習(xí)方法智能化完成噪聲壓制和有效信號恢復(fù)的任務(wù),相較于傳統(tǒng)方法,深度學(xué)習(xí)方法對數(shù)據(jù)處理經(jīng)驗(yàn)依賴程度低,對深反射地震數(shù)據(jù)處理更加智能和高效。研究深反射地震數(shù)據(jù)隨機(jī)噪聲的智能壓制方法,對于地震深部探測具有重要的理論意義和應(yīng)用價(jià)值。

基于卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)的方法在噪聲壓制方面效果最好,取得了優(yōu)于傳統(tǒng)方法的新突破。羅仁澤等(2020)提出了一種U型卷積神經(jīng)網(wǎng)絡(luò)用于地震資料隨機(jī)噪聲壓制,通過對疊后地震數(shù)據(jù)處理并與傳統(tǒng)小波等去噪方法比較,證明了深度學(xué)習(xí)方法的高效性及可行性;Jin Yuchen等(2018)和Wang Feng等(2019)使用合成數(shù)據(jù)驗(yàn)證了卷積神經(jīng)網(wǎng)絡(luò)的去噪性能;韓衛(wèi)雪等(2018)、李海山等(2020)、Yang Liuqing等(2020)將殘差卷積用于地震數(shù)據(jù)去噪,通過模擬數(shù)據(jù)測試和實(shí)際資料應(yīng)用證明了深度學(xué)習(xí)方法的有效性;Zhao Yuxing等(2019)和Dong Xintong等(2020)針對沙漠地震數(shù)據(jù)受低頻噪聲干擾嚴(yán)重的問題,說明了傳統(tǒng)去噪方法的局限,并將卷積神經(jīng)網(wǎng)絡(luò)用于沙漠地震數(shù)據(jù)去噪,證明了卷積神經(jīng)網(wǎng)絡(luò)在沙漠地震數(shù)據(jù)去噪領(lǐng)域的巨大潛力。上述研究驗(yàn)證了深度學(xué)習(xí)網(wǎng)絡(luò)在地震數(shù)據(jù)噪聲壓制領(lǐng)域的可行性。然而,在深反射地震去噪處理領(lǐng)域,基于人工智能去噪方法的研究和應(yīng)用還處于起步階段,如何利用人工智能方法對弱有效信號、強(qiáng)噪聲干擾的深反射地震數(shù)據(jù)進(jìn)行隨機(jī)噪聲的壓制是亟需解決的技術(shù)難題。此外,CNN方法均基于監(jiān)督學(xué)習(xí),需要構(gòu)建大量含標(biāo)簽的成對數(shù)據(jù),而實(shí)際地震數(shù)據(jù)雖然體量大,但由于復(fù)雜噪聲的干擾無法獲得用作標(biāo)簽的干凈數(shù)據(jù),若使用其他方法的去噪結(jié)果作為標(biāo)簽,最終的去噪效果能否超出標(biāo)簽效果令人懷疑,同時(shí)基于CNN去噪方法的優(yōu)化過程通常是最小化去噪數(shù)據(jù)與理論純凈數(shù)據(jù)之間的均方誤差(Mean Square Error,MSE),而MSE衡量結(jié)構(gòu)完整性的能力非常有限,缺乏對數(shù)據(jù)分布尤其是結(jié)構(gòu)特征的描述(Zhang kai et al., 2017)。

為了克服CNN去噪的不足和局限,生成對抗網(wǎng)絡(luò)(Generative Adversarial Networks,GAN)開始被研究和應(yīng)用。Alwon(2018)通過構(gòu)建適當(dāng)?shù)纳善骱团袆e器,對生成對抗網(wǎng)絡(luò)在地震數(shù)據(jù)處理方面的可行性進(jìn)行了初步研究。Wang Hongzhou等(2021)、Ma Haitao等(2022)將屬性編碼與GAN結(jié)合用于沙漠地震數(shù)據(jù)噪聲壓制,通過引入新的損失來約束有效反射的恢復(fù)和地震噪聲的衰減。然而,當(dāng)前基于GAN的去噪方法研究主要針對淺部強(qiáng)反射信號數(shù)據(jù),針對深反射弱地震數(shù)據(jù)的去噪方法還處于空白。

針對這些問題,筆者等通過改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)和損失函數(shù),提升對深反射地震數(shù)據(jù)隨機(jī)噪聲的壓制效果。以循環(huán)一致成對抗網(wǎng)絡(luò)(Cycle-GAN)為基礎(chǔ),提出一種基于注意力循環(huán)生成對抗網(wǎng)絡(luò)的深反射地震數(shù)據(jù)隨機(jī)噪聲壓制方法(Attention Cycle-Consistent Generative Adversarial Networks, A-CGAN)。針對數(shù)據(jù)集要求高的問題,A-CGAN借助Cycle-GAN的域映射思想,無需成對數(shù)據(jù)即可自動(dòng)訓(xùn)練網(wǎng)絡(luò),完成從含噪域地震數(shù)據(jù)到無噪域地震數(shù)據(jù)的映射,實(shí)現(xiàn)以無監(jiān)督形式訓(xùn)練網(wǎng)絡(luò)。為了進(jìn)一步加強(qiáng)網(wǎng)絡(luò)的去噪精度,通過加入感知一致性損失函數(shù),提升去噪數(shù)據(jù)的恢復(fù)精度和細(xì)節(jié)信息,合成地震數(shù)據(jù)和實(shí)際數(shù)據(jù)測試驗(yàn)證了該方法的有效性。

1 A-CGAN網(wǎng)絡(luò)結(jié)構(gòu)和去噪原理

生成對抗網(wǎng)絡(luò)(GAN)是受博弈論中零和博弈思想啟發(fā)構(gòu)建的一種網(wǎng)絡(luò),它由生成器和鑒別器兩部分組成(Ledig et al., 2016)。其中,生成器的目標(biāo)是盡可能地生成可以騙過鑒別器的“真實(shí)”數(shù)據(jù),而鑒別器的目標(biāo)是最大限度地鑒別出接收到的數(shù)據(jù)是真實(shí)數(shù)據(jù)還是生成器生成的結(jié)果,二者相互對抗直至達(dá)到納什平衡。原始生成對抗網(wǎng)絡(luò)用于去噪任務(wù)時(shí)仍然需要構(gòu)建成對數(shù)據(jù),無法滿足降低數(shù)據(jù)集要求這一目標(biāo),基于注意力循環(huán)生成對抗網(wǎng)絡(luò)的深反射地震數(shù)據(jù)隨機(jī)噪聲壓制方法(A-CGAN),借助Cycle-GAN的域轉(zhuǎn)換思想,在非成對數(shù)據(jù)集上訓(xùn)練出有效的去噪網(wǎng)絡(luò)。

1.1 A-CGAN網(wǎng)絡(luò)結(jié)構(gòu)

圖1所示為A-CGAN的網(wǎng)絡(luò)結(jié)構(gòu)圖,其中Gx→y和Gy→x表示注意力生成器(去噪器),Dx和Dy表示鑒別器。從整體結(jié)構(gòu)圖中可以看出,整個(gè)網(wǎng)絡(luò)訓(xùn)練成熟之后,使含噪數(shù)據(jù)映射為無噪數(shù)據(jù)的Gy→x即為所需的注意力去噪器。A-CGAN包括兩個(gè)部分,其中y→y′部分中,首先將純凈地震數(shù)據(jù)送入鑒別器Dx,讓鑒別器學(xué)習(xí)純凈地震數(shù)據(jù)的概率分布,然后將模擬合成的含噪地震數(shù)據(jù)y輸入去噪器Gy→x中,去噪器經(jīng)過處理后得到去噪后的深反射地震數(shù)據(jù)x′,接著將得到的去噪結(jié)果送入鑒別器Dx,判定真?zhèn)?最后為了防止y域中的所有數(shù)據(jù)均映射為x域中的同一數(shù)據(jù),使用循環(huán)一致性損失和感知一致性損失進(jìn)行約束,至此完成了從含噪域(y域)至純凈域(x域)的映射;x→x′部分與y→y′同理,首先將含噪地震數(shù)據(jù)送入鑒別器Dy,讓鑒別器學(xué)習(xí)含噪地震數(shù)據(jù)的概率分布,然后使用Dy對生成的含噪地震數(shù)據(jù)y′進(jìn)行鑒別,最后為保證數(shù)據(jù)一致性,使用循環(huán)一致性損失和感知一致性損失進(jìn)行約束。在去噪器和鑒別器的對抗過程中,去噪器和鑒別器的能力均不斷增強(qiáng),當(dāng)鑒別器訓(xùn)練至無法鑒別數(shù)據(jù)輸入并且整個(gè)網(wǎng)絡(luò)達(dá)到動(dòng)態(tài)平衡時(shí),此時(shí)的注意力去噪器即為所需的去噪網(wǎng)絡(luò)。

圖1 A-CGAN網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.1 A-CGAN network structure diagram

A-CGAN的注意力去噪器是一個(gè)結(jié)合了注意力機(jī)制和Res-Net的神經(jīng)網(wǎng)絡(luò)。Res-Net可以通過網(wǎng)絡(luò)訓(xùn)練建立復(fù)雜的映射關(guān)系,有效解決隨網(wǎng)絡(luò)深度增加網(wǎng)絡(luò)退化的問題。注意力機(jī)制可以輔助網(wǎng)絡(luò)捕捉關(guān)鍵信息,提高特征提取能力,更好地恢復(fù)深反射地震數(shù)據(jù)中的微弱有效信號。圖2為注意力去噪器的網(wǎng)絡(luò)結(jié)構(gòu),使用64個(gè)3×3卷積核對輸入數(shù)據(jù)進(jìn)行特征提取,經(jīng)過批標(biāo)準(zhǔn)化(BN)、ReLu激活函數(shù)、下采樣,進(jìn)入由9個(gè)殘差塊組成的Res-Net網(wǎng)絡(luò),通過注意力機(jī)制SENet提升關(guān)鍵特征權(quán)重后經(jīng)過上采樣,之后仍采用3×3的卷積核進(jìn)行卷積處理,最后經(jīng)過Tanh激活函數(shù),輸出與輸入數(shù)據(jù)尺寸相同的數(shù)據(jù)。

圖2 A-CGAN注意力去噪器結(jié)構(gòu)圖Fig.2 Structure diagram of A-CGAN attention noise eliminator

普通GAN的鑒別器最后的鑒別輸出通常為一個(gè)標(biāo)量,該數(shù)值是數(shù)據(jù)整體的加權(quán)值無法體現(xiàn)出數(shù)據(jù)局部特征,對于精度要求高的任務(wù)效果不佳。A-CGAN使用塊判別的思想,使得輸出結(jié)果為一個(gè)矩陣,矩陣中的每一個(gè)元素代表輸入數(shù)據(jù)某一部分的鑒別結(jié)果,因此具有更高的分辨率和準(zhǔn)確性。圖3為使用塊判決思想的A-CGAN鑒別器結(jié)構(gòu)圖。使用不同層深,卷積核大小均為3×3的卷積層對輸入數(shù)據(jù)進(jìn)行處理,每次卷積處理后都需要經(jīng)過批標(biāo)準(zhǔn)化(BN)、ReLu激活函數(shù)處理,最終輸出32×32的矩陣,該矩陣的每個(gè)元素值代表輸入數(shù)據(jù)某部分為真實(shí)數(shù)據(jù)的概率。

圖3 A-CGAN鑒別器結(jié)構(gòu)圖Fig.3 A-CGAN discriminator structure diagram

1.2 A-CGAN去噪原理

含噪深反射地震數(shù)據(jù)y可以表示為:

y=x+n

(1)

其中,x表示純凈地震數(shù)據(jù),n表示深反射噪聲數(shù)據(jù)。A-CGAN通過損失函數(shù)約束訓(xùn)練過程,引導(dǎo)訓(xùn)練逐步向期待的方向進(jìn)行。與原始Cycle-GAN不同的是A-CGAN的損失函數(shù)由循環(huán)一致性損失、感知一致性損失、對抗損失三部分構(gòu)成。下面分別介紹三部分損失對整個(gè)網(wǎng)絡(luò)訓(xùn)練的作用。

(1) 循環(huán)一致性損失。該損失是Cycle-GAN中原有的,它使用L1正則化計(jì)算原始輸入與循環(huán)生成輸出之間的逐像素平均誤差,結(jié)合A-CGAN結(jié)構(gòu)圖,其表示為:

Lcycle(Gx→y,Gy→x)=

(2)

(2) 感知一致性損失。為了更好地恢復(fù)紋理細(xì)節(jié)信息,使用感知一致性損失改善生成數(shù)據(jù)的質(zhì)量。該損失可以讓網(wǎng)絡(luò)關(guān)注更加抽象的高層次信息,從而在重建過程中更加真實(shí)。感知一致性損失函數(shù)采用Johnson等人的思想(Johnson et al., 2016),將原始數(shù)據(jù)和循環(huán)生成的數(shù)據(jù)經(jīng)過預(yù)訓(xùn)練好的VGG-16網(wǎng)絡(luò),然后提取經(jīng)過該網(wǎng)絡(luò)5層池化層的特征圖。感知一致性損失定義為:

Lperceptual(Gx→y,Gy→x)=

(3)

(3) 對抗損失。對抗損失通過競爭的方式訓(xùn)練注意力去噪器和鑒別器,使得雙方在對抗過程中去噪器產(chǎn)生更接近源域的數(shù)據(jù)。原始Cycle-GAN的對抗損失使用交叉熵?fù)p失約束對抗過程,這可能會導(dǎo)致梯度消失(Yeung et al., 2022)。因此為了更好訓(xùn)練鑒別器,A-CGAN使用最小二乘損失替換交叉熵?fù)p失,用于解決訓(xùn)練過程中梯度消失的問題。其定義如下:

Ladversarial(Gx→y,Gy→x,Dx,Dy)=

(4)

最后,A-CGAN的總體損失函數(shù)可以表示為:

Ltotal(Gx→y,Gy→x,Dx,Dy)=λ×Lcycle(Gx→y,Gy→x)

+β×Lperceptual(Gx→y,Gy→x)+

Ladversarial(Gx→y,Gy→x,Dx,Dy)

(5)

整個(gè)模型的總體優(yōu)化目標(biāo)可以表示為:

(6)

上式表征一個(gè)最大最小優(yōu)化問題,arg min max表示最大最小目標(biāo)函數(shù),優(yōu)化終止于相對于去噪器的最小值和相對于鑒別器的最大值的鞍點(diǎn)。利用總損失函數(shù)模型不斷約束優(yōu)化,使得去噪器生成的地震數(shù)據(jù)最終不斷趨近真實(shí)無噪音數(shù)據(jù)。當(dāng)整個(gè)網(wǎng)絡(luò)模型達(dá)到動(dòng)態(tài)平衡,損失函數(shù)下降并逐漸趨于穩(wěn)定后,此時(shí)的Gy→x即為所需的去噪器。A-CGAN的訓(xùn)練不需要構(gòu)建一一對應(yīng)的成對數(shù)據(jù)集,只需要純凈地震數(shù)據(jù)(圖4a)和含噪地震數(shù)據(jù)(圖4b)兩個(gè)域的數(shù)據(jù)即進(jìn)行網(wǎng)絡(luò)訓(xùn)練。合成含噪地震數(shù)據(jù)與純凈地震數(shù)據(jù)構(gòu)建數(shù)據(jù)集時(shí)打亂二者順序,不需要一一對應(yīng),故可以在含噪地震數(shù)據(jù)中加入實(shí)際深反射含噪數(shù)據(jù)。模型訓(xùn)練仍采用數(shù)據(jù)塊的形式,塊大小同樣為50×50。

圖4 部分非配對地震數(shù)據(jù)訓(xùn)練集:(a)純凈地震數(shù)據(jù)塊;(b)含噪地震數(shù)據(jù)塊Fig.4 Partial unpaired seismic data training set: (a) pure seismic data block; (b) noisy seismic data block

2 實(shí)驗(yàn)測試與分析

2.1 合成地震數(shù)據(jù)處理結(jié)果分析與對比

利用有限差分正演模擬方法(朱廣輝等,2020)合成純凈的地震數(shù)據(jù),并將其與未參與訓(xùn)練的噪聲數(shù)據(jù)疊加合成含噪地震數(shù)據(jù),用于注意力去噪網(wǎng)絡(luò)測試。圖5a為采用雷克子波合成的純凈地震數(shù)據(jù),圖5b為真實(shí)深反射地震隨機(jī)噪聲,圖5c為疊加真實(shí)地震噪聲后的含噪地震數(shù)據(jù),該含噪地震數(shù)據(jù)的信噪比為-10.147dB,RMSE為1.384。

圖5 合成地震數(shù)據(jù): (a)純凈地震數(shù)據(jù);(b)噪聲地震數(shù)據(jù);(c)合成含噪地震數(shù)據(jù)Fig.5 Synthetic seismic data: (a) pure seismic data; (b) noisy seismic data; (c) synthesis of noisy seismic data

使用A-CGAN中的注意力去噪器、Cycle-GAN去噪模塊、小波變換、帶通濾波器分別處理圖5c中的合成含噪地震數(shù)據(jù),4種方法的去噪結(jié)果如圖6a—d所示。從圖中可以看出,A-CGAN可以有效壓制噪聲且較好地恢復(fù)了有效信號的同相軸,Cycle-GAN雖然可以在一定程度上壓制噪聲,但是有效信號同相軸清晰度較差,處理效果不如本文改進(jìn)的方法。與深度學(xué)習(xí)方法相反,傳統(tǒng)方法的去噪結(jié)果中仍然存在大量的噪聲,有效信號同相軸仍然淹沒在噪聲中。其中,小波變換的去噪結(jié)果(圖6c)中雖然可以看出有效信號的基本走向但是仍殘留有較多的背景噪聲,帶通濾波器的去噪結(jié)果 (圖6d)中,處理效果較差甚至出現(xiàn)虛假地震反射(如圖中黃框部分)。

圖6 合成地震數(shù)據(jù)去噪結(jié)果對比 與去噪結(jié)果殘差圖:(a) A-CGAN去噪結(jié)果;(b) Cycle-GAN去噪結(jié)果;(c) 小波去噪結(jié)果;(d) 帶通濾波器去噪結(jié)果;(e) A-CGAN去噪殘差;(f) Cycle-GAN去噪殘差;(g) 小波去噪殘差;(h) 帶通濾波器去噪殘差Fig.6 Comparison of denoising results of synthetic seismic data and residual diagram of denoising results: (a) A-CGAN denoising results; (b) Cycle-GAN denoising results; (c) wavelet denoising results; (d) denoising result of bandpass filter; (e) A-CGAN denoising residual; (f) Cycle-GAN denoising residual; (g) wavelet denoising residuals; (h) band pass filter denoising residual

下面給出4種去噪結(jié)果的殘差圖,用于對比4種方法對有效信號的保護(hù)能力(圖6e—g),可以看出A-CGAN對應(yīng)的殘差圖最接近純噪聲數(shù)據(jù),其余3種方法的殘差圖中都不同程度地帶有有效信號同相軸,說明Cycle-GAN、小波變換、帶通濾波器3種方法在壓制深反射地震噪聲的同時(shí)也濾除了部分有效信號。

2.2 頻域分析

圖7a—f顯示了純凈地震數(shù)據(jù)、含噪地震數(shù)據(jù)和四種方法去噪結(jié)果的F—K譜圖。從圖7a和圖7b中可以看到,有效信號和深反射地震噪聲在0～30 Hz之間混疊嚴(yán)重。從圖7c—f中可以看到,A-CGAN的去噪結(jié)果F—K譜圖最接近純凈地震數(shù)據(jù)F—K的譜圖,說明本文提出的深反射地震數(shù)據(jù)去噪網(wǎng)絡(luò)可以在共享頻帶里實(shí)現(xiàn)有效信號和深反射地震噪聲的有效分離,進(jìn)而壓制深反射地震隨機(jī)噪聲并恢復(fù)弱有效信號的結(jié)構(gòu)。圖7d中可以看出Cycle-GAN可以壓制多數(shù)隨機(jī)噪聲,但是在頻譜混疊嚴(yán)重的部分信噪分離能力不足(如紅框部分)。傳統(tǒng)壓制方法小波變換(圖7e)和帶通濾波(圖7f)的F—K譜圖中包含大量隨機(jī)噪聲成分,且共享頻帶的有效信號和隨機(jī)噪聲沒有實(shí)現(xiàn)有效分離。綜上所述,傳統(tǒng)方法無法在噪聲壓制和有效信號恢復(fù)之間達(dá)到好的平衡,而未改進(jìn)的Cycle-GAN由于特征提取能力有限,共享頻帶信噪分離能力較弱。

圖7 去噪結(jié)果F—K譜圖:(a) 純凈地震數(shù)據(jù)F—K譜圖;(b) 含噪地震數(shù)據(jù)F—K譜圖;(c) A-CGAN去噪結(jié)果F—K譜圖;(d) Cycle-GAN去噪結(jié)果F—K譜圖;(e) 小波變換殘差數(shù)據(jù)F—K譜圖;(f) 帶通濾波器殘差數(shù)據(jù)F—K譜圖Fig.7 F—K spectra of denoising results: (a) F—K spectra of pure seismic data; (b) F—K spectra of noisy seismic data; (c) F—K spectra of A-CGAN denoising results; (d) F—K spectra of Cycle-GAN denoising results; (e) wavelet transform residual data F—K spectrum; (f) F—K spectrum of band-pass filter residual data

下面對純噪聲地震數(shù)據(jù)和殘差噪聲數(shù)據(jù)進(jìn)行頻域分析。圖8a—e中展示了純凈噪聲數(shù)據(jù)和4種去噪殘差的F—K譜圖。從圖中可以看到A-CGAN的殘差F—K譜圖與純噪聲地震數(shù)據(jù)的F—K譜圖最為接近,僅有很少的有效信號殘留,說明A-CGAN在壓制隨機(jī)噪聲的同時(shí)對有效信號的能量衰減影響最小,能夠有效保護(hù)有效信號幅度。Cycle-GAN、小波變換、帶通濾波的殘差F—K譜圖中均不同程度的存在有效信號能量殘留,尤其是傳統(tǒng)方法小波變換和帶通濾波,殘留大量的有效信號成分,說明Cycle-GAN和傳統(tǒng)方法在壓制隨機(jī)噪聲的同時(shí)均衰減了有效信號能量。

圖8 殘差噪聲F—K譜圖:(a) 純凈噪聲F—K譜圖;(b) A-CGAN殘差F—K譜圖;(c) Cycle-GAN殘差F—K譜圖;(d) 小波去噪殘差F—K譜圖;(e) 帶通濾波去噪殘差F—K譜圖Fig.8 Residual noise F—K spectrum: (a) pure noise F—K spectrum; (b) A-CGAN residual F—K spectra; (c) Cycle-GAN residual F—K spectrum; (d) wavelet denoising residual F—K spectrum; (e) Band pass filter denoising residual F—K spectrum

3 實(shí)際地震數(shù)據(jù)去噪應(yīng)用

為了驗(yàn)證A-CGAN的實(shí)際應(yīng)用效果,使用A-CGAN的注意力去噪器、Cycle-GAN去噪器、小波變換、帶通濾波器處理實(shí)際深反射地震數(shù)據(jù)。由于在實(shí)際深反射地震勘探過程中噪聲一直存在,純凈地震記錄無法獲得,相應(yīng)的SNR、RMSE也無法計(jì)算。因此對于實(shí)際深反射地震數(shù)據(jù),通過觀察去噪結(jié)果中同相軸的連續(xù)性判斷去噪結(jié)果的優(yōu)劣。圖9顯示了某區(qū)的深反射地震數(shù)據(jù),從圖中可以看出有效信號受到大量隨噪聲的干擾,同相軸連續(xù)性差,有的完全淹沒在噪聲中難以識別。分別使用A-CGAN注意力去噪器、Cycyle-GAN去噪器、小波變換、帶通濾波器處理實(shí)際深反射地震數(shù)據(jù),四種方法的去噪結(jié)果如圖11a—d所示。從圖10中可以看出,圖10a經(jīng)過A-CGAN處理后的深反射地震數(shù)據(jù)整體背景變得較為清晰,去噪效果提升明顯,對隨機(jī)噪音污染壓制的更加徹底,隱藏在隨機(jī)背景噪聲中的有效信號突出顯現(xiàn),地震數(shù)據(jù)同相軸更加清晰,能量更集中(如圖中箭頭所示);從圖10b可以看到Cycle-GAN有一定的弱信號恢復(fù)能力,但同相軸連續(xù)性比A-CGAN差;圖10c中小波變換濾波對隨機(jī)噪聲的處理效果不佳,去噪后的深反射地震數(shù)據(jù)中仍存在大量的隨機(jī)噪聲,且對弱有效信號的保幅性差,導(dǎo)致去噪后的記錄同相軸連續(xù)性仍然很差;圖10d中帶通濾波器去噪結(jié)果中同樣存在大量背景噪聲,無法較好地恢復(fù)弱有效信號同相軸的連續(xù)性。

圖9 實(shí)際含噪深反射地震數(shù)據(jù)Fig.9 Actual deep reflection seismic data with noise

4 結(jié)論

針對有監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)通常需要構(gòu)建成對數(shù)據(jù),對數(shù)據(jù)集要求高的問題,筆者等基于Cycle-GAN域映射思想降低網(wǎng)絡(luò)訓(xùn)練對數(shù)據(jù)集的要求。通過改進(jìn)Cycle-GAN網(wǎng)絡(luò)結(jié)構(gòu)和損失函數(shù)訓(xùn)練出適用于深反射地震數(shù)據(jù)隨機(jī)噪聲壓制的神經(jīng)網(wǎng)絡(luò)。筆者等提出的主要改進(jìn)包括:在Cycle-GAN的生成器中加入注意力機(jī)制提升生成器特征提取能力;在Cycle-GAN鑒別器中使用塊判別思想提升其鑒別能力;在損失函數(shù)中加入感知一致性損失,促進(jìn)紋理細(xì)節(jié)的恢復(fù)。最后,通過在合成深反射地震數(shù)據(jù)和實(shí)際深反射地震數(shù)據(jù)上對網(wǎng)絡(luò)效果進(jìn)行測試,從時(shí)域去噪結(jié)果、去噪后的殘差圖、頻域去噪結(jié)果、頻域殘差圖等多個(gè)方面對A-CGAN進(jìn)行綜合評估。無論對于合成地震數(shù)據(jù)還是實(shí)際地震數(shù)據(jù),筆者等提出的方法都取得了優(yōu)于未改進(jìn)去噪方法和傳統(tǒng)去噪方法的效果。

當(dāng)前的去噪效果雖然比未改進(jìn)方法、小波變換、帶通濾波等方法有較大的提升,但是在其他領(lǐng)域的去噪方法中,經(jīng)常會在網(wǎng)絡(luò)中加入多尺度結(jié)構(gòu)用于加深網(wǎng)絡(luò)層數(shù)、改變網(wǎng)絡(luò)參數(shù)以提升網(wǎng)絡(luò)的泛化能力和去噪效果。在后續(xù)的研究中,將進(jìn)一步嘗試在深反射地震數(shù)據(jù)去噪網(wǎng)絡(luò)中加入多尺度變換結(jié)構(gòu),試驗(yàn)其與深反射地震數(shù)據(jù)的匹配度,提升去噪效果。