虽然不富甲天下，你却拥有无数个艳阳天。
01 为什么研究地震随机噪声很重要
压制地震随机噪声，是地震勘探领域中一个重要的难题。
相干噪声通常具有一定的形状，当找到固定的主频，就可以使用滤波技术较好的去除。
与相干噪声不同，地震剖面中的随机噪声没有固定的主频和视速度，它通常与信号混合在数据的各个部分，甚至影响微弱信号的识别，增加了信号识别的难度。
许多地震过程，如果不消除噪音，如地质解释和速度分析，可能会被破坏地层微弱的信号。
02 为什么自编码深度学习很适合研究地震信号
以下是一个典型的自编码网络结构：
自编码网络的主要结构由编码器和解码器两部分组成。编码器将输入的高维数据映射为低维数据，获得数据的稀疏表达。解码器利用数据的稀疏表达进行数据的重构。
自编码器作为典型的表示学习算法，具有数据特征提取的天然优势， 相比于目前地震去噪领域较为常用的 DnCNN 和 U-Net 网络结构，卷积自编码器引入了数据特征的稀疏表达， 可以将冗余的原始地震数据压缩表达为稀疏的仅保留有效信号的地震数据，从而滤除地震记录中的随机噪声。
在有监督学习中，训练标签的选择是非常关键的，因为它关系到学习特征的可靠性。虽然这种监督策略在给定无噪声数据的情况下能有效地抑制合成数据的随机噪声，但在实际数据处理中存在问题。实际地震数据中没有相应的无噪数据，无法得到真实的训练标签。
自编码网络作为一种自监督学习，无需标签数据，直接从训练数据学习有效特征信息，所以具有很大的优越性。
03 研究思路1——使用仿真数据进行实验
到底自编码效果如何？当然是有定量的结果最能说明问题。
1 制作训练集
首先，把干净的仿真数据增加随机噪声。像这样：
2．抽样含噪信号。
为了保证处理的效率，一般不会把整个地震信号进行处理，而是将地震信号进行抽样划分为小补丁，再分别进行处理。
3.对补丁进行深度学习。
这部分前面已经讲了很多了。
参考的网络参数包括：补丁小块尺寸为40*40，补丁数量10000个以上，卷积核4*4,编码和解码各3层，卷积层结构为48-32-16-16-32-48-1，滑动步长为4，
4.是结果验证。
验证结果的方法很多，主要包括：
（1）去噪效果对比
这是最直观的对比方法。除了自己提出的方法，常常用滤波、变换域等方法降噪来作为对比的方法，包括：FXDECON、MSSA、DRR、Wavelet等。比如这样的效果：
从去除的噪声中可以看出，小波和FXDEC可以在消除噪声的同时削弱有用信号的分量。使用作者提出方法去除的噪声剖面中没有能量泄漏，因此这种方法不会损坏有用的信号。
（2）去噪结果的量化对比
这种方法，通过计算SNR的数值，直观的对比量化数字。比如像下面这样：
对于每种方法，数据的噪声级越大，去噪结果的信噪比越低。可以看出在不同的噪声水平下，该方法的去噪结果比其他两种方法都有更高的信噪比，证明了该方法具有显著的去噪性能。
（3）噪声数据、干净数据和去噪数据的平均振幅谱对比
这种方法用主要就是对比哪种方法去噪数据的平均振幅谱最接近于干净信号的平均振幅谱。就像这样：
从图上可以看出：FXDEC去噪后的数据在102hz以上的振幅值为0，这意味着FXDEC去除了有用的信号和噪声。在100hz以上的范围内，小波可以在不削弱有用信号的情况下去除噪声。然而，在28-100hz范围内，小波很难恢复原始振幅。作者提出方法得到的去噪数据的平均振幅谱最接近于干净信号的平均振幅谱。
03 研究思路2——使用真实数据进行实验
与仿真数据相比，在真实环境中采集的数据更能反映实际的处理效果。但是有个最大的问题，就是没有办法得到清晰的数据，也就无法进行量化分析。
所以真实数据的去噪实验主要以定性分析为主。
前面的数据集生成、深度学习和仿真实验都是一样的。再来看看处理效果的对比实验。
（1）去噪效果对比
这个方法基本上和仿真实验是一样的。
首先找到一个含噪的信号，像这样的：
然后经过训练学习，参数和前面仿真实验是一样的。效果就像这样：
（2）计算局部相似图
这个方法通过显示去噪结果与去除噪声之间的局部相似性来评估信号泄漏的程度，那么一些高相似性异常的区域就表明去噪后的结果在相应的位置有信号泄漏。
就像这样的对比图：
从上图可以看出，与fxtec和MSSA相比，作者提出的方法具有更小的信号泄漏，说明该方法能够充分地保留信号并有效地衰减噪声。
（3）展示深度学习的过程
有时候，为了说明深度学习的过程，作者也会展示学习过程中的效果图，就像这样：
上图就显示了深度学习提取的64个特征，每个特征被重新排列成一个40×40的二维矩阵。很明显，提取的特征对应于地震图像的不同结构特征。
04 小结
上面说了N多思路，都是在写SCI中常用的方法。深度学习的效果到底好不好，还是要用实验来说话，要么用定性的效果图、要么用定量的数据。
相信大家看过一遍之后，能够对深度学习降噪的研究方法找到感觉了。
如果觉得好请点赞，或关注我交流。