基于带残差模块的凸集投影网络的单分量与多分量地震数据插值

《Journal of Applied Geophysics》:Seismic data interpolation for single-component and multicomponent via a projection onto convex sets network with residual modules

【字体: 大 中 小 】 时间:2026年09月29日 来源:Journal of Applied Geophysics 2.6

编辑推荐:

   •我们通过引入残差模块增强了凸集投影网络的地震数据插值性能。•该网络在自监督模式下表现出强大的性能。•我们将该网络的应用扩展到多分量场景。引言在地震勘探的当前趋势中,地质复杂区域的烃类储层开发已成为研究和实际应用的重要方向。然而,地表条件的显著变化、复杂的作业环境以及此类地区

  

•我们通过引入残差模块增强了凸集投影网络的地震数据插值性能。•该网络在自监督模式下表现出强大的性能。•我们将该网络的应用扩展到多分量场景。引言在地震勘探的当前趋势中,地质复杂区域的烃类储层开发已成为研究和实际应用的重要方向。然而,地表条件的显著变化、复杂的作业环境以及此类地区仪器部署的困难,往往导致所采集的地震数据不完整。此外,采集过程中的设备故障以及深水环境中海底节点(OBN)系统的高成本等因素,也可能进一步导致数据不规则或采样稀疏。因此,需要插值来恢复和正则化地震数据,从而为后续成像等处理步骤提供可靠的基础。在地震数据处理和分析的框架下,一个基本假设是信号可以表示为线性基函数的叠加。基于这一理论框架,人们开发了各种技术来实现地震数据插值。当前的单分量地震数据插值方法主要包括:基于预测误差滤波器的方法(Spitz, 1991; Liu et al., 2018; Zheng et al., 2022)、基于降秩的方法(Ma, 2013; Gao et al., 2013; Niu et al., 2021),以及基于稀疏性促进的技术(Abma and Kabir, 2006; Gan et al., 2016)。在基于稀疏性促进的重建方法中,凸集投影(POCS)算法(Yang et al., 2012)因其简单性和有效性而被广泛采用。这些方法根据其实现特征的不同,依赖于不同的假设,例如地震数据的线性可预测性、完全采样数据在变换域中表示为低秩矩阵,或地震信号固有的稀疏性。在基于物理的插值方法类别中,平面波破坏(PWD)和动态时间规整(DTW)也得到了广泛研究。PWD方法通过利用地震信号满足的平面波方程估计局部斜率来重建数据(Fomel, 2002)。DTW方法采用动态规划来搜索最优对齐路径以考虑时间序列中的时间偏移,该方法已被应用于地震数据重建(Xu et al., 2024)。尽管这些方法具有明确的物理意义和数学可解释性,但其在实际应用中的推广往往需要仔细调整超参数,且计算效率相对较低,这限制了其更广泛的应用。此外,在复杂波场存在或线性信号建模假设不满足的情况下,这些方法的性能会下降,而这在复杂地表区域、构造复杂地区或前陆推覆带采集的数据中通常是这样的情况。同时,弹性波处理已成为高保真物理参数反演、高分辨率成像、非常规资源勘探和储层精细表征的关键技术(Vigh et al., 2024; Routh et al., 2025)。例如,弹性全波形反演可以联合恢复P波和S波速度以及密度;弹性偏移成像可以区分P波和转换S波,从而提高反射体的地质真实性;联合PS处理可以有效地区分流体类型和孔隙结构。因此,多分量数据都需要进行插值。多分量地震数据具有显式的矢量关系,可以使用四元数来表示。现有的多分量插值方法主要依赖于四元数表示及其频域公式,将单分量插值技术扩展到多分量场景(Bahia and Sacchi, 2019; Zhao et al., 2020; Li et al., 2023)。虽然基于四元数的方法在理论上提供了一种处理多分量插值的统一方式,但它们仍然具有传统基于物理的方法的缺点,包括需要大量经验参数调整和较高的计算开销。因此,在非线性信号建模理论仍处于发展阶段或不成熟阶段,利用人工智能设计单分量和多分量地震数据的非物理驱动插值方法可能提供一个有前景的替代方案。近年来,深度学习在图像处理领域展现了卓越的性能,并已被广泛应用于地震勘探任务,包括高分辨率处理、速度分析和地震反演(Zhang et al., 2023; Yuan et al., 2025; Li et al., 2025)。在地震数据插值方面,深度学习同样展现了巨大的潜力。先前的研究表明,深度神经网络可以通过不同的网络架构直接学习欠采样和完全采样地震数据之间的非线性映射,从而实现地震数据插值(Oliveira et al., 2018; Wang et al., 2020; Chai et al., 2020)。同时,将深度学习方法与传统的物理约束或模型驱动方法相结合,已成为地震数据重建的一个重要研究方向。一项相关的尝试是将训练于自然图像的去噪卷积神经网络(CNN)引入POCS框架,其中CNN作为地震数据插值的去噪模块(Zhang et al., 2020)。其他研究通过拟合预测误差滤波器与欠采样数据之间的关系、学习低频和高频分量之间的映射,或整合多个变换域的信息来进行插值(Fang et al., 2021; Mo and Wang, 2022; Liu et al., 2022; Mo et al., 2023; Abedi et al., 2024)。这些方法利用了神经网络的非线性映射能力。此外,一些方法提供了更直观的网络结构和一定程度的可解释性。例如,POCS-Net用神经网络替代传统POCS方法中的稀疏变换算子,并将原始的迭代重建过程展开为级联连接的网络架构(Chen et al., 2023; Wu et al., 2024)。在此基础上,Wang等(2026)基于深度展开网络,通过整合时-空域和小波域的信息来进行重建,从而充分利用地震信号的多尺度特性。混合低秩和基于神经网络的方法提供了另一种直观的方案。通过将基于降秩的重建来恢复结构信息与基于CNN的特征提取来恢复局部细节相结合,可以对高缺失率的数据集实现改进的重建质量(Gao et al., 2025)。然而,该方法也在一定程度上依赖于迭代低秩操作。最近,基于马尔可夫过程构建的扩散模型也在地震数据插值中引起了广泛关注,并展现了令人前景的重建性能(Cheng et al., 2025; Wang et al., 2025)。然而,其推理过程通常涉及多步生成,导致计算成本相对较高。由于生成野外地震数据的完整标注代价高昂,且可用的标注样本数量有限,无监督或自监督地震数据插值已成为一个值得进一步研究的重要问题。基于深度图像先验的方法通常以随机噪声作为网络输入,并使用不完整的观测数据作为重建的监督(Ulyanov et al., 2018; Park et al., 2020)。这些方法主要依赖于网络架构本身嵌入的隐式先验,而其重建性能通常对迭代次数敏感,需要适当的停止准则或迭代次数。其他自监督方法通常将不完整的观测或二次欠采样数据作为伪标签,通过最小化欠采样输入上的预测与这些伪标签之间的均方误差来实现训练(Liu et al., 2021; Larsen Greiner et al., 2022; Fang et al., 2023a; Fang et al., 2023b; Chen et al., 2025)。其中一些方法进一步引入了额外的约束,例如对重建数据的全变分正则化,在许多情况下,数据保真项作为监督的主要来源。Chen等(2024)也将POCS-Net架构扩展到自监督学习模式。物理信息神经网络将机器学习与物理方程相结合,通过将平面波分解方程作为物理约束纳入,也被应用于具有有限观测的地震数据插值(Brandolin et al., 2024)。然而,由于平面波近似的局限性,这类方法可能不足以处理具有反倾角或局部倾角方向冲突的地震事件。总体而言,由于上述自监督策略不依赖于完整数据进行监督,其有效性在很大程度上取决于神经网络的表示能力及其与地震数据插值任务的兼容性。除传统的二维和三维插值外,五维地震数据插值最近已成为一个重要的研究方向,因为它纳入了额外的维度依赖性,以更好地利用地震数据的多维相干性(Fang et al., 2023a; Fang et al., 2023b; Liu et al., 2024)。虽然五维插值在重建精度方面具有明显优势,但其应用仍受到大量计算和硬件需求的限制。此外,一些研究将地震数据插值作为多任务学习框架的一个组成部分进行了探索(Cheng et al., 2024)。然而,成功开发多任务模型仍然具有挑战性。样本-标签准备、模型泛化、内存消耗和训练时间等因素对模型训练和实际应用施加了相当大的约束。在多分量插值方面,Brandolin等(2026)将其基于物理信息神经网络的方法扩展到多分量地震数据,提高了效率。然而,基于深度学习的多分量地震数据插值方法仍然有限,凸显了进一步方法学和算法发展的迫切需求。先前的研究表明,基于深度学习的单分量地震数据插值并不局限于纯粹的黑盒训练方法,而是越来越融入物理模型,这可以增强可解释性和泛化能力。沿着这一方向,POCS-Net提供了一个展开框架,将传统POCS的迭代重建机制与神经网络的表示能力相结合。基于此框架,我们进行了进一步的研究。本研究显式地建模了插值过程中未被充分重建的数据分量,并将其与展开网络的中间插值结果相结合,以形成更完整的地震数据表示,从而开发了一个性能增强的网络架构(POCS-Net+)。该增强架构的详细信息将在以下章节中介绍。数据实验表明,我们的方法在特征捕获方面优于传统POCS-Net。此外,我们将该网络架构扩展到多分量地震数据插值任务中,充分利用了深度学习框架固有的多通道建模灵活性。通过实现跨多分量的参数共享和协同特征学习,我们的方法实现了高效插值,为多分量地震数据重建提供了一条可行的途径。各章节片段POCS方法原理在不存在噪声的情况下,观测到的地震数据可以表示为d_obs = Md,其中d_obs表示具有缺失地震道数的观测数据,d表示需要恢复的完整数据。M是采样矩阵。地震数据插值的目的是恢复缺失的数据。这构成了一个不适定反问题。解决此问题的一种常见方法是在变换域中引入地震数据的稀疏性假设作为正则化约束。实例地震数据插值的质量通过信噪比(S/N)、结构相似性指数(SSIM)和平均绝对误差(MAE)来评估。S/N表示为S/N = 10log??(||d||2_F / ||d - d_int||2_F),其中d表示完整数据,d_int表示插值数据。较高的S/N表示更好的插值性能。SSIM表示为SSIM(d, d_int) = (2μ_d·μ_d_int + C?)(2σ_dd_int + C?) / ((μ_d2 + μ_d_int2 + C?)(σ_d2 + σ_d_int2 + C?)),其中μ和σ分别表示数据的均值和方差,而C?和C?是用于稳定除法的常数。讨论所提出方法的动机在于,展开网络可能在插值过程中无法完全恢复某些数据分量。为了解决这一问题,这些未被充分重建的分量被显式地建模并纳入,以提高地震数据表示的完整性。与POCS-Net相比,所提出的方法可以有效提高插值性能。为了分析h_k在建模过程中提供的信息,我们随机选择了……结论本研究进一步扩展了POCS-Net框架。通过建模中间插值结果中仍然未被充分恢复的数据分量,并将其与这些结果相结合形成残差模块,所提出的方法增强了网络对地震数据的表示能力。实验结果表明,带有残差模块的POCS-Net在自监督模式下实现了与……相当甚至更优的插值性能。CRediT作者贡献声明Zheng Shujun:撰写——初稿,可视化,验证,方法论,调查,形式化分析,概念化。Yuan Sanyi:撰写——审阅与编辑,监督,资金获取,形式化分析。Xu Yanwu:撰写——审阅与编辑,可视化。

杨浩:撰写——审阅与编辑,数据整理。

利益冲突声明:作者声明不存在已知的竞争性经济利益或个人关系,这些因素可能对本研究结果产生影响。

致谢:本研究得到国家自然科学基金委员会的资助(项目批准号:U25D9025 和 42174152)。

郑书军 | 袁三义 | 徐燕武 | 杨浩
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号