一文告诉你地震降噪发展历程——最后详细介绍深度学习应用

熬过低谷，花期就不远了。

地震勘探是寻找油气藏的重要技术。地震勘探过程，由于地震波信号本身的复杂性,在接收和处理地震波信号的各个阶段都可能引入噪声。

这其中最麻烦的就是随机噪声。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频速度，它通常与信号混合在数据的各个部分，增加了信号识别的难度。

一路走来，国内外各类科学家进行了艰苦地努力，地震降噪历程可以粗略分为5个部分。

01 基于沿炮检距方向的地震数据叠加

这类方法比较简单粗暴，就是通过不同的放炮记录的同一个工区的地震剖面进行叠加。叠加的目的是压制干扰,提高地震数据的信噪比。

水平叠加是最基本的处理方法，利用动校正后的剩余时差压制多次波和其它规则的干扰波，还可以利用多道叠加统计效应压制随机干扰。

但是水平叠加处理只有在地层倾角较小时才能有良好效果。因为当反射界面倾斜时，道集中各道同层反射信号并不是来自同一个反射点，而是反射点沿着反射界面上倾角方向上的离散，当然结果就有问题了。所以对于叠前数据降噪效果较差。

02 基于预测滤波

由于信号表现为连续的反射事件，这些事件的可预测性可以用来构造滤波器来实现信号和噪声的分离。

主要方法包括：FXDECON、维纳滤波、 t-x，f-x，f-k滤波等等。

频率滤波可以很好的压制面波等规则的干扰波，f-k滤波可以去掉折射波、直达波等干扰。但是对于情况复杂的随机噪声，就无能为力了。

03 基于变换域滤波或信号重建

这些方法根据有效信号与干扰噪声在变换域中的特征差异，设计合适的阈值从而抑制噪声成分。

经典的算法包括：傅里叶变换、频率波数域滤波、小波变换、 曲波变换、dreamlet变换、、seislet变换、Random 变换和奇异值分解等。

不过，当数据特征变得复杂以及面对海量数据处理问题时， 这种人工控制阈值参数的方法会存在去噪性能和效率方面的不足。

04 基于矩阵降秩的稀疏表示

假设理想的无噪声地震资料可以构造成低秩矩阵，附加随机噪声会提高矩阵的秩。比如将原始地震数据转换为稀疏域，以便更好地分离信号和噪声。因此，随机噪声的去除可以看作是一个低秩矩阵逼近问题。

其中一个重要的算法就是字典学习，它通过构造一个具有自适应学习能力的过完备字典，对含噪数据稀疏分解，求解最优稀疏表达式，实现信号与噪声的分离。

这类算法在某些特定的工区效果非常好，处理大规模数据的能力也比较强，但是泛化性比较差，需要人工干预比较多。

05 现在最新的方法是深度学习

一般来说，深度学习可以通过结合低层特征来构造抽象的高层表示，从而发现复杂数据的隐藏特征。

这里面用的最多的就是卷积神经网络（CNN）。这是一种多层学习算法，它可以模拟人脑的工作机制，构造一个神经网络来分析复杂的数据，例如地震数据集，它有其独特的特点，可以看作是包含丰富波形信息的多个时间序列的集合。

CNN是怎样应用到降噪的呢？基于CNN，通过加深学习网络的深度，实现局部到全局信号特征的提取。比如基于卷积神经网络和随机梯度下降法可以实现对地震随机噪声、线性噪声以及多次波的压制。

当然，最开始深度学习都是基于监督学习的，这里需要人工标注标签数据。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。

一方面，如果只利用训练合成数据得到的特征对真实数据进行去噪处理，则训练集和测试集的数据不匹配，因此测试集无法完全继承这些特征。另外，盲目、广泛地选择合成地震数据作为训练样本，会增加训练工作的冗余度。另一方面，如果用传统方法的去噪结果作为标签来训练网络，则网络重建的去噪结果很难大大超过原始标签的结果。

最近10年间，出现了一种新的算法：自监督学习。它的最主要的特征就是标签数据不用人工标注，而是从训练数据中获取。这种方法的优点是，我们总能从原始的噪声数据中快速地建立一个可用的输入数据集来训练神经网络。

自监督学习中最重要的一个实现就是自编码器神经网络。它的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。

06 未来的研究方向

未来，智能化、自动化的深度学习肯定是大家翘首以盼想要达到的目标。自监督学习无疑具有极大的潜力。

不过现在谈自监督学习全面应用还为时尚早。主要还是其效果相比监督学习较差。

以后能否通过改进算法超越监督学习呢？我们拭目以待。

如果喜欢请点赞，或关注我交流。