《Artificial Intelligence in Geosciences》:SeisReconNO: Leveraging a U–Net-Enhanced Fourier neural operator for 3D seismic reconstruction
编辑推荐:
三维地震数据中的缺失道是由接收器故障、采集限制以及地质或环境约束等因素导致的常见问题。这些间隙会阻碍精确解释和进一步处理。尽管近几十年来已发展出众多模型驱动方法,但它们在处理具有复杂地质结构的数据以及高缺失比例时往往存在困难。为克服这些局限性,研究人员提出了U
三维地震数据中的缺失道是由接收器故障、采集限制以及地质或环境约束等因素导致的常见问题。这些间隙会阻碍精确解释和进一步处理。尽管近几十年来已发展出众多模型驱动方法,但它们在处理具有复杂地质结构的数据以及高缺失比例时往往存在困难。为克服这些局限性,研究人员提出了U-Net增强傅里叶神经算子(U-Net-enhanced Fourier Neural Operator, UFNO),即SeisReconNO,一种三维地震重建框架,旨在实现不同缺失场景下的网格无关(mesh-invariant)地震重建。SeisReconNO模型综合利用谱表示与空间表示来学习广义重建算子。研究人员使用包含三种关键缺失数据模式(随机缺失、道集缺失和规则缺失)的野外三维地震数据体对模型进行训练。实验结果表明,SeisReconNO在不同缺失比例下均具有优异的重建能力。此外,该模型对不同分辨率的未观测数据表现出强泛化能力,证实了其作为现实世界应用中地震数据增强的鲁棒且适应性工具的潜力。
在地震数据采集过程中,由于设备故障、环境限制或地下结构复杂性,不完整道记录问题频繁出现。这一问题在三维乃至更高维度地震勘探中尤为突出,缺失道会降低地下成像保真度,并对后续处理和解释流程造成阻碍。尽管近几十年来已发展出众多地震插值方法,但现有方法仍面临显著局限:模型驱动方法在处理复杂地质结构或高缺失比例数据时效果不佳,且主要面向二维应用,在处理高维地震数据时效率受限;数据驱动方法虽然展现出强大的非线性映射能力,但大多数深度学习模型存在泛化能力差的问题,仅能处理与训练集相同尺寸的输入,限制了其在实际野外应用中的可扩展性。此外,缺失道破坏了由波动方程控制的全局相干波场模式,而非仅造成局部信息缺口,这要求重建方法必须能够有效捕捉长距离相干性和多尺度地质特征。在此背景下,研究人员提出了基于U-Net增强傅里叶神经算子(UFNO)的SeisReconNO框架,旨在开发一种分辨率无关的三维地震重建算子,以实现跨不同缺失场景、不同分辨率数据体的网格无关重建。该论文发表于《Artificial Intelligence in Geosciences》。
研究人员采用的技术方法核心包括:基于UFNO的混合架构设计,该架构结合傅里叶神经算子(FNO)的全局谱表示能力与U-Net的多尺度空间特征提取能力;从F3数据体(SEG Wiki)和Moomba数据体(SARIG)提取的750个128×128×128训练样本,涵盖随机缺失(10%–95%)、道集缺失(10%–95%)和规则缺失(36%–90%)三种模式;质量控制的预处理流程,包括空白区域去除、混合归一化(min–max归一化后接z-score标准化)及高斯随机噪声添加;以及基于均方误差(MSE)、结构相似性指数(SSIM)、峰值信噪比(PSNR)和局部相似性(LS)的综合定量评估体系。
在随机缺失实验中,研究人员评估了SeisReconNO对沿 inline 或 crossline 方向随机缺失道的重建性能。通过F3数据体128×128×128子体的70%随机缺失实验表明,SeisReconNO能够恢复结构连续性并保持精细尺度细节,而U-Net基准方法在地质复杂区域出现明显模糊。差值体显示SeisReconNO的残差更小且分布更均匀,局部相似性图进一步证实其优势。在10%至90%不同缺失比例的定量比较中,SeisReconNO在10%–50%缺失比例范围内 consistently 优于U-Net,在极端90%缺失比例下仍保持较强鲁棒性。
在道集缺失实验中,研究人员评估了模型对模拟采集噪声或不规则道丢弃模式的响应。针对65%道集缺失的F3数据体实验显示,SeisReconNO成功恢复了结构几何形态和波形相干性,包括精细特征;而U-Net虽然恢复了宏观结构,但存在显著空间模糊,尤其在高振幅异常区域。差值图表明SeisReconNO产生更低且更均匀分布的残差。在10%–90%不同缺失比例的定量评估中,SeisReconNO在所有情况下均优于U-Net,在低缺失比例时优势更为明显。
在规则缺失实验中,研究人员采用选定步长规则缺失地震道,模拟采集设备故障、环境遮挡或不可达区域造成的采集丢失。针对5×5步长规则缺失(即仅保留每5道中的1道)的F3数据体实验表明,尽管两种方法均能重建不完整数据体,但SeisReconNO在有效信号保持方面表现更优,局部相似性立方证实其在缺失道区域具有更高的与真实数据相关性。采用正方形步长(2×2至5×5)和矩形步长(2×5、5×2)的实验均表明,SeisReconNO在所有指标和缺失比例下均优于U-Net基准。
在泛化能力验证部分,研究人员首先在Kerry数据体(128×128×128,未参与训练)上评估模型对未见数据体的适应性。8×5规则缺失实验显示,虽然两种模型在训练域外数据上表现均有所下降,但SeisReconNO显著优于U-Net,后者倾向于记忆训练域特定的非线性映射,而SeisReconNO学习了更具泛化性的重建算子。定量指标(PSNR、SSIM、MSE)和1D振幅谱比较均印证了SeisReconNO的优越性。其次,在Viking Graben Line 12预堆叠数据(共中心点,CMP)的60%道集缺失实验中,尽管训练数据均为堆叠后数据,SeisReconNO仍展现出强泛化能力,有效恢复了反射层几何形态和连续性,尤其是中部结构特征显著区域。模型将MSE从0.602降至0.058,PSNR从14.481 dB提升至24.619 dB,SSIM从0.622提升至0.875,但需注意在空白区域产生了部分伪影。
在分辨率无关性验证部分,研究人员开展了64×64×64低分辨率实验和256×256×256高分辨率实验。Kerry数据体64
3子体70%道集缺失实验表明,SeisReconNO成功重建了缺失道,MSE从0.919降至0.107,PSNR从13.211 dB提升至22.539 dB,SSIM从0.366提升至0.940。F3数据体256
3子体80%道集缺失实验(CPU推理)表明,模型不仅以高保真度插值了地震结构,还产生了轻微的去噪效果,PSNR达到27.133 dB,SSIM达到0.922。然而,在矩形网格或高于256
3分辨率时性能开始下降。
在讨论与局限性部分,研究人员指出SeisReconNO的局限性包括:在大面积连续缺失区域重建效果显著下降;高缺失比例条件下模型倾向于邻域像素插值,可能平滑小尺度地质结构;当前版本主要针对堆叠后数据,尽管对预堆叠数据表现良好,但仍有优化空间。关于分辨率无关性的理论分析表明,原始FNO通过在函数空间学习算子实现严格的网格无关性,而引入U-Net分支后以牺牲严格分辨不变性为代价换取高频和网格依赖特征的捕捉,故该特性应理解为经验性质而非理论保证。未来工作方向包括:采用各向异性谱截断以适配地震数据不同维度的采样率差异;以及专门基于完整预堆叠数据集训练模型。
研究结论部分指出:本研究提出了SeisReconNO,一种基于FNO与UFNO集成架构的新型三维地震数据重建框架。该混合设计使模型能够有效捕捉频域全局特征和空间局部结构,为地震数据体中缺失道的重建提供了强大机制。所提出的网络被设计为分辨率无关算子,能够在统一模型内处理多种缺失数据类型(道集缺失、随机缺失和规则缺失)。通过多个真实野外数据集上的广泛数值实验,表明SeisReconNO模型即使在缺失比例高达90%的严重数据丢失条件下仍可实现高质量重建。重要的是,该模型还表现出强泛化能力,能够成功插值未见数据体,并适应不同采集几何和分辨率而无需重新训练。基于FNO架构的分辨率无关性显著增强了其在实际地震处理工作流中的适用性,因为输入尺寸和采集参数常常变化。这种灵活性与其强重建性能相结合,使SeisReconNO成为增强堆叠前后地震数据及预处理的有前景工具。