摘要： 高質(zhì)量的野外高密度三維地震勘探資料是后續(xù)資料處理和解釋的基礎(chǔ)，然而傳統(tǒng)的手動或半自動評估地震記錄質(zhì)量的方式已不能滿足高密度三維地震勘探的效率要求，也無法確定地震記錄的噪聲來源。文中利用深度學習技術(shù)，輔以余弦相似度算法，實現(xiàn)自動對地震記錄的質(zhì)量進行單道分類評估，分別為正常道、強震源干擾道、工業(yè)電干擾道、儀器相關(guān)問題道（檢波器與大地耦合不良、空道）、弱干擾道以及并道反道共6 類。訓練好的卷積神經(jīng)網(wǎng)絡在3 秒以內(nèi)完成單炮地震記錄（超過8000 道）的質(zhì)量評估，與人工篩選的分類相比精度達到了86%，評價結(jié)果客觀，適用于海量地震采集現(xiàn)場的質(zhì)量監(jiān)控。文中方法不僅可以快速確定不同噪聲類型或儀器問題的地震記錄位置，提高地震施工效率和質(zhì)量，還為地震資料品質(zhì)的分級分區(qū)綜合評估提供了重要的研判依據(jù)。

關(guān)鍵詞： 地震采集，深度學習，質(zhì)量控制，單道分類

中圖分類號：P631 文獻標識碼：A DOI：10. 13810/j. cnki. issn. 1000-7210. 20240120

0 引言

地震勘探在地質(zhì)勘測領(lǐng)域扮演著至關(guān)重要的角色，它不僅是了解地球內(nèi)部結(jié)構(gòu)的強大工具，還為資源勘探和災害預警提供了寶貴數(shù)據(jù)[1-2]。然而，隨著勘探工作的日益復雜化，特別是數(shù)據(jù)量的迅速增加和勘探環(huán)境的多樣性，傳統(tǒng)的手動或半自動評估地震記錄質(zhì)量的方式顯然已不能滿足要求，嚴重制約了野外施工進展及科學研究的發(fā)展。隨著高精度、高密度三維地震勘探技術(shù)的出現(xiàn)以及地震采集設(shè)備的不斷升級，地震資料現(xiàn)場實時質(zhì)控技術(shù)陸續(xù)問世[3-6]，同時多個軟件被研發(fā)出來[7-8]。這些進展徹底改變了依靠監(jiān)視記錄和部分資料抽檢進行人工定性監(jiān)控的模式。

近年來，隨著三維區(qū)塊部署的單炮數(shù)據(jù)量達到數(shù)百兆字節(jié)，并且相鄰兩炮激發(fā)的時差已縮短至半分鐘（對于井炮）甚至僅有數(shù)秒（對于可控震源），傳統(tǒng)的定性質(zhì)控模式很難有效監(jiān)控如此海量的地震資料，現(xiàn)有的定量化監(jiān)控技術(shù)和評價軟件也面臨著巨大挑戰(zhàn)。傳統(tǒng)的質(zhì)量控制方法通過對地震儀器狀態(tài)、TB 時差、激發(fā)與接收設(shè)備及觀測系統(tǒng)等各種性能指標進行限定，實現(xiàn)對整個施工環(huán)節(jié)的全面監(jiān)控[9-11]。這類確定性評價模型雖然專注于施工因素的監(jiān)控，但卻不能充分反映地表、地質(zhì)、環(huán)境以及偶然因素對地震資料的影響，因此并不適用于對單炮記錄品質(zhì)的評判。地震波形記錄反映了儀器的性能，同時也受到地質(zhì)環(huán)境和噪聲環(huán)境的綜合影響。因此，徐雷良等[11]基于主成分分析和隨機森林方法，快速評估了單炮地震波形記錄的質(zhì)量，滿足了海量地震數(shù)據(jù)采集現(xiàn)場質(zhì)控的需求。

在許多情況下，需要快速識別和定位地震記錄中的噪聲來源，比如判斷哪些單道記錄附近存在強干擾源，或者哪些檢波器與大地耦合不良，以及哪些檢波器存在問題。及時定位這些噪聲的來源有助于迅速提高地震施工效率和資料質(zhì)量。然而，目前的質(zhì)量控制方法和單炮質(zhì)量控制模型無法詳細評估每道地震記錄的狀態(tài)，并定位噪聲的來源。此外，快速預測不正常道的詳細統(tǒng)計結(jié)果與空間分布，可以為地震資料品質(zhì)的全面綜合評估提供可靠的數(shù)據(jù)支撐和研判依據(jù)。因此，發(fā)展新的評估地震記錄質(zhì)量的分類評估模型對于海量的三維地震勘探施工和數(shù)據(jù)處理至關(guān)重要。

通常來說，地震記錄的非正常道記錄主要由外界噪聲和設(shè)備故障導致。這里的噪聲是指與地震信號無關(guān)的各種干擾，包括來自地表、設(shè)備或環(huán)境的人造和自然噪聲。噪聲干擾可能由機械振動、風、水流、交通等因素引起，這些干擾會混入地震記錄，降低數(shù)據(jù)質(zhì)量。地震儀器可能存在故障或損壞，比如記錄器故障、電纜損壞等，導致記錄到的地震數(shù)據(jù)不準確或不完整。另外，地震觀測條件和環(huán)境，比如地形地貌、天氣條件、地下水位等，也會對地震數(shù)據(jù)的采集和質(zhì)量產(chǎn)生影響。這些因素導致了野外地震資料質(zhì)量參差不齊，正常道中穿插了不同類型的問題道，比如強震源干擾道、工業(yè)電干擾道、脈沖干擾道、反道和并道等。

面對海量地球物理數(shù)據(jù)的處理與解釋，深度學習（Deep Learning， DL）方法提供了新的思路[12-15]，例如地震資料的去噪[16]、反演[17-18]以及數(shù)據(jù)處理[19-22]等方面。深度學習方法完全依賴數(shù)據(jù)驅(qū)動，不受物理模型限制，一旦模型訓練完成，便可快速建立起觀測數(shù)據(jù)到預測參數(shù)的映射關(guān)系。因此，基于深度學習的地球物理數(shù)據(jù)處理技術(shù)具有極高的效率，能夠為實時數(shù)據(jù)處理和反演成像提供新手段[12，23]。此外，相較于傳統(tǒng)方法，深度學習方法能夠更加靈活地處理多分量、多類別數(shù)據(jù)的輸入，減少了預測模型對儀器參數(shù)和環(huán)境信息的依賴，實現(xiàn)了多尺度信息（ 包括地震、地質(zhì)、儀器信息等）的綜合輸入和預測。

本文旨在充分利用深度學習技術(shù)中的卷積神經(jīng)網(wǎng)絡框架（Convolutional Neural Networks， CNN），自動對地震記錄的質(zhì)量進行單道分類評估，主要包括：儀器異常（大地與檢波器耦合不良、空道）、外界噪聲干擾、反道、并道等。其中并道是指多個檢波器排列過近導致波形幾乎一樣的地震記錄道，通常發(fā)生于測線兩端。盡管部分儀器狀態(tài)異?？梢酝ㄟ^傳統(tǒng)質(zhì)量控制方法識別出來[10]，然而，不同類型問題道的產(chǎn)生機理各異，且分類繁多，難以區(qū)分不同類別之間的信號，例如弱干擾道和正常道在時間域和頻率域特征上具有較好的一致性。同時，部分類別的樣本數(shù)量可能極少，無法滿足深度學習從海量樣本中學習特征的要求。針對這一系列挑戰(zhàn)，本文將常見的單道地震記錄簡化為六類進行快速預測，分別為正常道、強震源干擾道、工業(yè)電干擾道、儀器問題道、弱干擾道以及并道反道。針對不同的問題特征，采集地震記錄時可以采用不同處理策略進行識別。通過本文方法，勘探人員可以快速確定噪聲來源，及時做出應對策略，提升地震勘探數(shù)據(jù)的質(zhì)量和可信度，同時詳細的非正常道統(tǒng)計結(jié)果也可以為地震資料品質(zhì)的綜合評價提供重要的數(shù)據(jù)支撐，減少質(zhì)量評估的主觀性，為地震勘探工作后續(xù)的資料處理和解釋提供了堅實的基礎(chǔ)。