基于DMFF-Net的地震隨機噪聲壓制新技術(shù)

鐘鐵， 陳云， 盧紹平， 董新桐， 李月， 楊寶俊

1 現(xiàn)代電力系統(tǒng)仿真控制與綠色電能新技術(shù)教育部重點實驗室， 吉林 132012 2 東北電力大學通信工程系， 吉林 132012 3 中山大學地球科學與工程學院， 廣州 510275 4 南方海洋科學與工程廣東省實驗室， 廣東珠海 519000 5 吉林大學儀器科學與電氣工程學院， 長春 130026 6 吉林大學通信工程學院， 長春 130012 7 吉林大學地球探測與信息技術(shù)學院， 長春 130026

0 引言

隨機噪聲是地震勘探中的一種常見噪聲干擾，主要包括風成噪聲、人文環(huán)境噪聲以及檢波器與接收面耦合不良引起的噪聲等(李光輝和李月, 2016; Dong et al., 2019b，2020).隨機噪聲在地震記錄中通常是“雜亂無章”的，并表現(xiàn)為非平穩(wěn)、非高斯、與有效信號存在頻譜混疊等一系列復(fù)雜特征(Zhong et al., 2015)，影響地震資料整體質(zhì)量與信噪比，且噪聲壓制難度較大(Yilmaz, 2001).此外，隨著易探易采資源的逐漸枯竭，需要對深層、薄層以及不規(guī)則地震中的非常規(guī)油氣進行開發(fā)利用，這對地震資料的質(zhì)量提出了更高的要求.因此，如何有效壓制隨機噪聲并完整恢復(fù)有效信號成為了勘探工業(yè)亟待解決的關(guān)鍵技術(shù)之一.

針對地震資料隨機噪聲抑制問題，國內(nèi)外學者進行了大量研究工作，提出的消噪方法大致可分為以下四類：第一類是經(jīng)典消噪方法，主要包括中值濾波(劉洋等, 2008)、維納濾波(Mendel, 1977)和F-X預(yù)測濾波(Bonar and Sacchi, 2013；石戰(zhàn)戰(zhàn)等, 2022)等數(shù)理方法.這類方法主要是利用有效信號和噪聲在時域物理特性以及頻率特征方面的差異，實現(xiàn)信號提取和噪聲壓制.但是上述方法普遍對噪聲平穩(wěn)性有先驗要求，同時面對復(fù)雜非平穩(wěn)噪聲時處理效果不佳(Zhong et al., 2021).第二類是時頻域濾波方法，主要包括帶通濾波、短時傅里葉變換(Liu et al., 2017)、時頻峰值濾波(林紅波等, 2011)等方法.時頻域濾波方法主要通過分析信號時頻特征，確定信號區(qū)域并選擇適合的濾波閾值，實現(xiàn)有效信號精細恢復(fù)和噪聲可靠壓制.然而，由于時頻域濾波方法難以實現(xiàn)混疊狀態(tài)下信號和噪聲的有效分離，在處理實際勘探資料時，無法有效恢復(fù)受到低頻混疊隨機噪聲影響的有效信號(董新桐等, 2021).第三類是基于多尺度分解的濾波方法，主要包括小波變換(Wavelet Transform, WT)(Mousavi et al., 2016)、曲波變換(袁艷華等, 2013)、shearlet變換(董新桐等, 2019)和seislet變換(Fomel and Liu, 2010)等.這類方法可以對分析信息進行稀疏分解，并對不同尺度信息設(shè)置合理閾值門限，實現(xiàn)噪聲有效抑制.但是上述方法的去噪結(jié)果嚴重依賴閾值函數(shù)的選取，面對復(fù)雜勘探記錄時，往往難以獲得最優(yōu)閾值參數(shù)，可能導(dǎo)致相關(guān)方法去噪能力退化(Dong et al., 2020).第四類是基于擴散濾波思想的消噪方法，例如自適應(yīng)分型守恒濾波(Zhong et al., 2021)、各向異性擴散濾波(Baddari et al., 2011)、自適應(yīng)變分各向異性擴散濾波(Zhou et al., 2016)等.擴散濾波方法主要通過構(gòu)建擴散濾波方程，設(shè)置濾波參數(shù)控制擴散項和反擴散項來平衡噪聲壓制和信號保持作用，在考慮信號保持情況下實現(xiàn)復(fù)雜噪聲的最大程度衰減，相關(guān)研究表明此類方法對低信噪比記錄處理能力有待提升(Bonar and Sacchi, 2012).其他一些代表性噪聲衰減方法包括經(jīng)驗?zāi)B(tài)分解(Empirical Mode Decomposition, EMD)(Bekara and Van Der Baan, 2009; 顏中輝等，2017)、奇異值分解(Singular Value Decomposition, SVD)(桑雨等, 2014；馬小軍和吳慶舉, 2020; 姜占東等, 2021)、字典學習(Chen et al., 2016；張良等, 2019；賀月等, 2021)等方法，雖然取得了一定的應(yīng)用，但是面對復(fù)雜勘探噪聲時，處理結(jié)果仍難以令人滿意.

近年來，卷積神經(jīng)網(wǎng)絡(luò)作為一種高性能有監(jiān)督的深度學習方法(Zhu et al., 2019; 呂堯等, 2020)，已經(jīng)在圖像去噪、特征學習、圖像分類、物體檢測等很多領(lǐng)域取得成功應(yīng)用(王鈺清等, 2019；孫小東等, 2020).一些經(jīng)典去噪網(wǎng)絡(luò)框架，例如前饋去噪卷積神經(jīng)網(wǎng)絡(luò)(Feed-Forward Denoising Convolutional Neural Networks, DnCNN)(Zhang et al., 2017; Zhao et al., 2019；高好天等, 2021)和U-Net(Ronneberger et al., 2015; Sun et al., 2020)已經(jīng)被引入到地震勘探資料隨機噪聲削減領(lǐng)域.針對低頻混疊隨機噪聲削減問題，本文提出了一種雙層多尺度特征融合去噪網(wǎng)絡(luò)(Double-layer Multi-scale Feature Fusion Denoising Network, DMFF-Net).具體來說，DMFF-Net采用雙層并行網(wǎng)絡(luò)結(jié)構(gòu)，上層為原始DnCNN網(wǎng)絡(luò)，下層為改進DnCNN網(wǎng)絡(luò).改進DnCNN網(wǎng)絡(luò)主要通過引入多分支模塊(Diverse Branch Block，DBB)替代傳統(tǒng)卷積操作，實現(xiàn)不同尺度、不同復(fù)雜度分支的信息融合，提升網(wǎng)絡(luò)特征的表達能力；此外，利用空洞卷積來擴大感受野，進而有效減小參數(shù)數(shù)量和計算復(fù)雜度.在此基礎(chǔ)上，利用跳躍連接操作將淺層信息與深層信息進行融合，提高淺層信息利用效率，保證弱信號處理能力和網(wǎng)絡(luò)恢復(fù)信息的魯棒性.同時，結(jié)合正演建模數(shù)據(jù)和實際勘探噪聲資料構(gòu)建了信號訓(xùn)練集和噪聲訓(xùn)練集，保證了去噪網(wǎng)絡(luò)訓(xùn)練效率.模擬和實際數(shù)據(jù)實驗結(jié)果均表明，本文提出方法可以有效提升勘探記錄信噪比，并能夠從復(fù)雜勘探資料中完整恢復(fù)出有效反射信息.

1 DMFF-Net去噪原理

1.1 DnCNN網(wǎng)絡(luò)結(jié)構(gòu)

DnCNN是由Zhang等(2017)提出的一種去噪網(wǎng)絡(luò).如圖1所示，DnCNN主要由卷積層Conv、批標準化層BN和激活函數(shù)ReLU組成.具體來說，DnCNN首先使用一個由3×3的卷積核和ReLU函數(shù)組成的卷積塊實現(xiàn)對處理記錄特征的初步提取.在此基礎(chǔ)上，引入BN模塊對輸入數(shù)據(jù)進行標準化處理，并結(jié)合卷積層和激活函數(shù)構(gòu)建新的卷積塊，實現(xiàn)對數(shù)據(jù)高維特征的分析獲取，最后通過一個1×1的卷積模塊對全局信息進行整合.這里，卷積層主要通過卷積運算提取數(shù)據(jù)隱含特征，如公式(1)所示：

c=ω*a+b,

(1)

圖1 DnCNN網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 The architecture of DnCNN

其中，a和c分別為卷積層的輸入和輸出，ω和b為權(quán)重和偏置.BN主要對給定模塊輸入進行歸一化處理，使其滿足均值為0方差為1，提升網(wǎng)絡(luò)收斂速度和性能，具體過程如公式(2)所示：

(2)

其中，B代表批標準化尺寸；p和q分別代表BN的輸入和輸出；η表示一個極小的常數(shù)；γ和β表示可學習的參數(shù).此外，激活函數(shù)ReLU是一種非線性函數(shù)，可以通過公式(3)表示：

f(x)=max(0,τ)，

(3)

其中，τ表示激活函數(shù)的輸入.在實際地震資料處理過程中，DnCNN網(wǎng)絡(luò)結(jié)構(gòu)相對單一，隨著深度增加，淺層信息得不到有效利用.在面對低信噪比記錄時，處理結(jié)果可能發(fā)生退化(董新桐等，2021).

1.2 DMFF-Net網(wǎng)絡(luò)結(jié)構(gòu)

為進一步提升地震資料處理能力，本文提出了一種DMFF-Net消噪網(wǎng)絡(luò)，其基本結(jié)構(gòu)如圖2所示.

具體來說，DMFF-Net采用雙層的網(wǎng)絡(luò)結(jié)構(gòu)，通過增加網(wǎng)絡(luò)的寬度來提高網(wǎng)絡(luò)的性能.其中，上層網(wǎng)絡(luò)采用原始DnCNN結(jié)構(gòu)，用于提取特征；下層網(wǎng)絡(luò)為結(jié)合空洞卷積和DBB模塊的改進DnCNN結(jié)構(gòu)，用以豐富特征空間并提升特征提取能力.網(wǎng)絡(luò)中使用的空洞卷積是一種改進的卷積結(jié)構(gòu)，它是通過在卷積核中填充0，從而改變卷積核的大小.具體來說，空洞數(shù)為r的空洞卷積實際上就是在卷積核中添加r-1個0.通?？斩淳矸e可以有效擴大網(wǎng)絡(luò)感受野，并提取分析數(shù)據(jù)的多尺度的信息.本文采用空洞數(shù)為2的3×3卷積核，其感受野與傳統(tǒng)5×5卷積核相當，即在保證分析精度的前提下有效減小了網(wǎng)絡(luò)的參數(shù)數(shù)量.同時，針對傳統(tǒng)卷積模塊提取特征單一問題，本文提出利用DBB模塊替代傳統(tǒng)卷積模塊，實現(xiàn)對輸入數(shù)據(jù)的多尺度分析.DBB模塊的結(jié)構(gòu)如圖3所示，其利用多尺度卷積和平均池化操作來增強單個卷積的表示能力，得到不同尺度的特征，最后進行融合，可以有效提升訓(xùn)練模型的性能水平.在此基礎(chǔ)上，構(gòu)建跳躍連接操作，利用Cat模塊將原始輸入與深層提取的特征進行融合，挖掘出更加精細的潛在特征，進一步增強去噪網(wǎng)絡(luò)的表達能力.最后，對子網(wǎng)絡(luò)特征按通道進行拼接融合，提取輸入數(shù)據(jù)更為全面的特征，切實提升壓制噪聲水平.

圖2 DMFF-Net網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 The architecture of DMFF-Net

圖3 多分支模塊結(jié)構(gòu)Fig.3 The architecture of diverse branch block

1.3 去噪原理及詳細流程

通常，實際勘探數(shù)據(jù)可以看作是純凈信號與加性噪聲的疊加結(jié)果，如公式(4)所示：

y=x+n，

(4)

其中，x代表純凈信號數(shù)據(jù)，n代表疊加的噪聲，y代表含噪數(shù)據(jù).通過殘差學習思想，可以構(gòu)建含噪數(shù)據(jù)y與疊加的噪聲n之間的非線性的映射關(guān)系，如公式(5)所示：

(5)

(6)

這里，利用公式(7)所示的損失函數(shù)實現(xiàn)網(wǎng)絡(luò)參數(shù)的優(yōu)化：

(7)

式中，ni=yi-xi表示噪聲訓(xùn)練數(shù)據(jù)，‖LDMFFNet(Θ)‖F(xiàn)為Frobenious范數(shù).通過優(yōu)化損失函數(shù)，可以調(diào)節(jié)網(wǎng)絡(luò)參數(shù)，實現(xiàn)最優(yōu)映射關(guān)系的獲取.

2 網(wǎng)絡(luò)訓(xùn)練及參數(shù)選取

2.1 訓(xùn)練集的構(gòu)建

訓(xùn)練集的完備性影響著有監(jiān)督深度學習網(wǎng)絡(luò)的學習效果和去噪結(jié)果準確性.DMFF-Net的訓(xùn)練集由信號集和噪聲集組成，利用大量高真實性訓(xùn)練數(shù)據(jù)滿足網(wǎng)絡(luò)訓(xùn)練及參數(shù)優(yōu)化要求.對于信號集而言，由于無法從實際地震記錄中提取純凈信號，本文采用正演建模的方式構(gòu)建信號訓(xùn)練集.具體來說，利用不同主頻率的雷克子波、零相位小波和混合相位小波來模擬地震記錄中的有效信號，建模公式如下：

雷克子波：

f(t)=A[1-2×(πf0(t-t0)2)]×e-(πf0(t-t0))2，

(8)

零相位子波：

(9)

混合相位子波：

(10)

其中，A表示振幅，t0表示初始時間，f0表示主頻，r1和r2分別用于調(diào)整零相位子波和混合相位子波的波形，具體建模參數(shù)如表1所示.通過正演建模方法獲得100幅模擬地震記錄，利用64×64的滑動窗函數(shù)對模擬記錄進行截取，隨機抽選得到8500個信號片，對信號片進行幅值歸一化后便得到信號訓(xùn)練集.

表1 正演建模參數(shù)Table 1 Forward modeling parameters

為了保證訓(xùn)練模型的消噪精度，利用先期從塔里木盆地測得的2000道(每道30000點)無人工震源激發(fā)情況下獲得的背景噪聲記錄來構(gòu)建噪聲訓(xùn)練集.類似地，利用64×64的滑動窗函數(shù)對噪聲記錄進行截取，幅值歸一化后得到8750個噪聲片，組構(gòu)得到噪聲訓(xùn)練集.為保證網(wǎng)絡(luò)的泛化性能，將信號片與噪聲片隨機匹配，保證訓(xùn)練樣本的多樣性.同時，為了貼近實際記錄性質(zhì)，將匹配的信號片和噪聲片疊加獲得不同信噪比的含噪數(shù)據(jù)，含噪數(shù)據(jù)信噪比范圍在-10～0 dB范圍內(nèi)隨機選取.典型信號片和噪聲片數(shù)據(jù)如圖4所示.

2.2 實驗平臺及網(wǎng)絡(luò)參數(shù)的選取

為了滿足去噪算法的計算需求，搭建實驗平臺用于網(wǎng)絡(luò)的訓(xùn)練和測試.實驗服務(wù)器配置為E5-2600 v4處理器、Windows 10(64位)操作系統(tǒng)、64GB內(nèi)存、雙NVIDA GeForce GTX 1080顯卡，利用Matlab2016實現(xiàn)去噪網(wǎng)絡(luò)的編譯.針對網(wǎng)絡(luò)訓(xùn)練模型，設(shè)置訓(xùn)練片大小為64×64，批大小為64，網(wǎng)絡(luò)的初始學習率設(shè)置為[10-3, 10-4]，訓(xùn)練周期設(shè)置為50.兩個網(wǎng)絡(luò)并行學習，整體來看網(wǎng)絡(luò)共有36層，利用Adam算法實現(xiàn)損失函數(shù)優(yōu)化(表2).

本文采用信噪比(Signal-to-Noise Ratio，SNR)和均方誤差(Mean Square Error，MSE)來衡量網(wǎng)絡(luò)的去噪能力，其定義式如下所示(Dong et al., 2019a)：

表2 網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)Table 2 Network structure parameters

(11)

(12)

其中，X表示純凈信號，Y′表示處理后的結(jié)果，M和N分別表示道數(shù)和采樣點數(shù).一般來說，SNR可以衡量去噪方法的消噪能力，MSE可以反映去噪方法的信號保持能力.

3 地震記錄處理與分析

3.1 模擬數(shù)據(jù)去噪結(jié)果對比

為了驗證DMFF-Net網(wǎng)絡(luò)壓制噪聲的性能，利用正演建模方法生成模擬純凈地震記錄，如圖5a所示.該模擬純凈地震記錄共有128道，每道由1024個采樣點組成，采樣頻率為500 Hz.為模擬實際勘探資料特征，利用不同速度模型構(gòu)建具有不同幾何特征的同相軸，同時生成包含斷軸在內(nèi)的復(fù)雜同相軸，用以客觀驗證消噪網(wǎng)絡(luò)的性能.圖5b為塔里木盆地獲取的實際噪聲記錄.觀察可知，該記錄中隨機噪聲記錄的主頻較低且無明顯相干噪聲存在.將模擬純凈地震記錄與實際隨機噪聲記錄進行疊加，得到了信噪比為-6 dB的模擬含噪記錄，如圖5c所示.由于強背景噪聲的影響，有效信號特征變得模糊且難于辨識.利用DMFF-Net網(wǎng)絡(luò)對模擬含噪記錄中噪聲進行壓制，恢復(fù)信號和濾除噪聲的結(jié)果分別如圖5d和圖5e所示.結(jié)果表明，DMFF-Net可有效壓制隨機噪聲，背景干凈，恢復(fù)的同相軸信息清晰且連續(xù)，與模擬純凈地震記錄極為相似；濾除噪聲與疊加噪聲也具有極其相近的波動特征，且濾除噪聲中并無明顯的信號殘留，驗證了本文提出方法在復(fù)雜噪聲抑制和信號保幅性方面的處理能力.同時，恢復(fù)信號信噪比可達到13.76 dB，這也證明了本文所提出去噪網(wǎng)絡(luò)的有效性.

圖4 信號訓(xùn)練集和噪聲訓(xùn)練集數(shù)據(jù)示例(a) 典型信號片數(shù)據(jù)； (b) 典型噪聲片數(shù)據(jù).Fig.4 Examples of signal and noise training data set(a) Signal data set samples; (b) Noise data set samples.

圖5 模擬數(shù)據(jù)去噪結(jié)果分析(a) 純凈信號記錄； (b) 實際噪聲數(shù)據(jù)； (c) 含噪記錄； (d) 去噪結(jié)果； (e) 濾除噪聲.Fig.5 Analysis of synthetic data denoising results(a) Pure signal record; (b) Field noise data; (c) Noisy record; (d) Denoising result; (e) Filtered noise.

此外，本文選用小波變換、帶通濾波器以及傳統(tǒng)DnCNN等方法同樣對圖5c所示的模擬含噪記錄進行處理，處理結(jié)果和濾除噪聲如圖6所示.這里，小波變換的基函數(shù)設(shè)置為db4小波，分解層數(shù)為15層，利用軟閾值函數(shù)實現(xiàn)噪聲衰減抑制；帶通濾波器的通帶范圍設(shè)置為15～40 Hz；傳統(tǒng)DnCNN網(wǎng)絡(luò)為17層網(wǎng)絡(luò)結(jié)構(gòu)(Zhao et al., 2019)，在同DMFF-Net網(wǎng)絡(luò)相同的訓(xùn)練集、實驗環(huán)境和網(wǎng)絡(luò)參數(shù)條件下進行訓(xùn)練和測試.對比分析不同消噪方法的處理結(jié)果：小波變換結(jié)果(圖6b)中絕大部分同相軸無法有效恢復(fù)，噪聲壓制不徹底，依舊嚴重破壞有效信號的連續(xù)性和可辨識性；帶通濾波器(圖6c)恢復(fù)的同相軸相對模糊，噪聲殘留嚴重，同時上述兩種傳統(tǒng)方法濾除的噪聲中均有明顯的有效信號殘留，這說明相關(guān)方法無法有效實現(xiàn)信噪分離，同時，在壓制噪聲的同時，對有效信號也會造成幅度損失.圖6d所示為DnCNN的處理結(jié)果，處理結(jié)果在噪聲衰減和信號恢復(fù)方面都要明顯優(yōu)于傳統(tǒng)方法，恢復(fù)的同相軸清晰，背景噪聲也能夠被很好地抑制，但是處理結(jié)果中存在明顯假軸和部分噪聲殘留.同時，濾除的噪聲中也存在部分有效信號的殘留.與之對比，DMFF-Net去噪結(jié)果(圖6e)同模擬純凈地震記錄具有更為相近的特征，噪聲壓制的更為徹底且無明顯假軸出現(xiàn)，背景更干凈，同相軸更加清晰，濾除的噪聲中無明顯有效信號殘留，處理結(jié)果的信噪比可達到13.76 dB，也要高于DnCNN的10.36 dB，這說明了本文提出方法在面對復(fù)雜噪聲時具有更為優(yōu)秀的處理能力，不僅能夠很好的壓制噪聲，同時還可以保證信號幅度不被破壞.

在此基礎(chǔ)上，比較了處理結(jié)果在頻譜特性方面的差異，如圖7所示.如圖7a所示的F-K譜結(jié)果表明模擬純凈記錄(左圖)和疊加的隨機噪聲(右圖)在頻率上存在明顯混疊，小波變換恢復(fù)信號的F-K譜(圖7b)同純凈信號的F-K譜存在較大差異，濾除噪聲的F-K譜圖中有效信號能量殘留明顯，帶通濾波器(圖7c)只能保留通帶內(nèi)有效信號，同時無法實現(xiàn)同頻噪聲的壓制，這都說明傳統(tǒng)方法在面對低頻混疊噪聲時處理能力有待提升.圖7d和圖7e分別為DnCNN和DMFF-Net的處理結(jié)果，結(jié)果中恢復(fù)信號與純凈信號具有相近的頻率特征，這也說明深度學習方法在面對復(fù)雜噪聲消減時的高效處理能力.同時DMFF-Net恢復(fù)信號的F-K譜較DnCNN結(jié)果更加清晰，濾除噪聲中無信號能量殘留，驗證了DMFF-Net具有更好的消噪能力，可實現(xiàn)低頻混疊復(fù)雜背景噪聲下有效信號的高質(zhì)量恢復(fù).

在此基礎(chǔ)上，對不同SNR含噪記錄進行處理，并比較不同處理方法在提升SNR和MSE方面的差異，結(jié)果如表3所示.觀察可知，DMFF-Net與對比方法相比具有更好的消噪性能，可以更為明顯地提升處理結(jié)果的SNR，并具有最小的MSE，反映了其在保幅能力方面的優(yōu)勢，驗證了DMFF-Net在處理復(fù)雜勘探噪聲衰減問題的有效性.與此同時，DMFF-Net同樣可以有效恢復(fù)低信噪比記錄中的有效信息，以-10 dB含噪記錄處理結(jié)果為例，DMFF-Net可提升SNR將近20 dB，而傳統(tǒng)DnCNN僅能提高17 dB左右，結(jié)果表明DMFF-Net可以在恢復(fù)信號的同時有效壓制實際低頻強隨機噪聲，在去噪能力方面具有明顯的優(yōu)勢.

表3 不同方法SNR及MSE分析比較Table 3 The comparisons for SNR and MSE for different attenuation methods

圖6 不同算法去噪結(jié)果(左圖)及濾除噪聲(右圖)比較(a) 含噪記錄及疊加噪聲; (b) 小波變換(2.44 dB); (c) 帶通濾波器(2.32 dB); (d) DnCNN (10.36 dB); (e) DMFF-Net (13.76 dB).Fig.6 Comparison of denoising results (left subplots) and filtered noise (right subplots) of different algorithms(a) Noisy record and added noise data; (b) WT (2.43 dB); (c) Band-pass filtering (2.32 dB); (d) DnCNN(10.36 dB); (e) DMFF-Net (13.76 dB).

圖7 不同方法去噪結(jié)果(左圖)及濾除噪聲(右圖)F-K譜對比分析(a) 純凈記錄及疊加噪聲; (b) 小波變換; (c) 帶通濾波器; (d) DnCNN; (e) DMFF-Net.Fig.7 Comparisons for the F-K spectra of denoising results (left subplots) and filtered noise (right subplots)(a) The pure record and added noise data; (b) WT; (c) Band-pass filtering; (d) DnCNN; (e) DMFF-Net.

圖8 實際地震數(shù)據(jù)處理結(jié)果比較(左圖)及濾除噪聲(右圖)(a) 實際共炮點記錄; (b) 小波變換; (c) 帶通濾波器; (d) DnCNN; (e) DMFF-Net.Fig.8 Comparison of denoising results (left subplots) and filtered noise (right subplots) of field seismic data(a) Field common shot records; (b) WT; (c) Band-pass filtering; (d) DnCNN; (e) DMFF-Net.

圖9 去噪結(jié)果局部放大比較(上圖：區(qū)域1，下圖：區(qū)域2)(a) 實際地震資料； (b) 小波變換; (c) 帶通濾波器; (d) DnCNN; (e) DMFF-Net.Fig.9 Comparisons of local enlargements (top subplots: results of area 1; bottom subplots: results of area 2)(a) Field seismic records; (b) WT; (c) Band-pass filtering; (d) DnCNN; (e) DMFF-Net.

圖10 相近采集環(huán)境實際記錄處理結(jié)果(左圖)及濾除噪聲(右圖)(a) 實際共炮點記錄； (b) 小波變換; (c) 帶通濾波器; (d) DnCNN; (e) DMFF-Net.Fig.10 Denoising results (left subplots) and filtered noise (right subplots) of the field record acquired in the similar environment(a) Field common shot records; (b) WT; (c) Band-pass filtering; (d) DnCNN; (e) DMFF-Net.

同時，對消噪網(wǎng)絡(luò)的網(wǎng)絡(luò)規(guī)模、參數(shù)數(shù)量、訓(xùn)練耗時和處理時間進行了分析，驗證消噪網(wǎng)絡(luò)在實際資料處理方面的可行性.如前所述，研究中使用的DnCNN網(wǎng)絡(luò)具有17層結(jié)構(gòu)，而為了獲取更好的消噪能力，本文提出的DMFF-Net網(wǎng)絡(luò)具有36層結(jié)構(gòu).參數(shù)數(shù)量和訓(xùn)練耗時結(jié)果表明：DnCNN和DMFF-Net的參數(shù)數(shù)量分別為737280和1634304，DnCNN的訓(xùn)練耗時為3.25 h，DMFF-Net的訓(xùn)練耗時為7.21 h.總體來看，DnCNN在計算開銷方面較DMFF-Net更具有優(yōu)勢，這也客觀的反映了二者在網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜程度方面的差異.但是，消噪網(wǎng)絡(luò)具有泛化性，訓(xùn)練后的去噪模型可以用來處理同一測區(qū)或性質(zhì)相近的實際勘探記錄，而無需針對每一幅記錄重復(fù)上述訓(xùn)練過程.從泛化性角度分析，DMFF-Net的訓(xùn)練耗時是可以接受的.此外，就勘探數(shù)據(jù)處理時間而言，以1024×640的勘探數(shù)據(jù)為例，DnCNN和DMFF-Net的處理時間分別為0.125 s和0.147 s，明顯優(yōu)于多數(shù)經(jīng)典的時頻濾波和變換域分析方法.綜上，去噪模型的泛化性和快速的資料處理速度使得DMFF-Net可以應(yīng)用于海量勘探資料處理實際問題.

3.2 實際勘探數(shù)據(jù)去噪結(jié)果對比

圖8a為塔里木地區(qū)實際勘測得到的共炮點記錄，該記錄共216道，每道記錄長2.5 s，采樣頻率為500 Hz.觀察可知，實際記錄中強隨機噪聲和面波干擾導(dǎo)致部分區(qū)域有效反射信息被湮沒，同時同相軸連續(xù)性較差，部分同相軸難以辨識.利用小波變換、帶通濾波器、DnCNN和DMFF-Net方法對該記錄進行處理，結(jié)果如圖8b—e所示.結(jié)果表明，小波變換(圖8b)在信號恢復(fù)和噪聲壓制方面處理結(jié)果不甚理想，只有部分中高頻噪聲被濾除，整體去噪結(jié)果中仍然有大量低頻噪聲存在；帶通濾波器(圖8c)可有效去除面波干擾，但是信號同頻噪聲無法有效抑制，噪聲殘留明顯.圖8d和圖8e分別為DnCNN和DMFF-Net處理結(jié)果，觀察可知較傳統(tǒng)方法，噪聲得到了更徹底的抑制，同時被面波等強干擾影響的反射同相軸信息也得到了恢復(fù)，結(jié)果中反射同相軸更加光滑連續(xù).相較而言，DMFF-Net處理結(jié)果要優(yōu)于傳統(tǒng)DnCNN網(wǎng)絡(luò)，以黑色方框圈示區(qū)域為例，DMFF-Net可以更加清晰的恢復(fù)出淺層同相軸信息，同時恢復(fù)的同相軸較DnCNN具有更好的連續(xù)性；此外，DnCNN濾除噪聲中存在一定的信號泄露，而DMFF-Net結(jié)果中無明顯的信號殘留.

在此基礎(chǔ)上，對方框區(qū)域進行局部放大，比較結(jié)果如圖9所示.結(jié)果表明，相較傳統(tǒng)方法DMFF-Net可以更好的實現(xiàn)信噪分離，面波等強相干干擾也可以得到有效抑制，獲得更好的去噪結(jié)果；相較DnCNN網(wǎng)絡(luò)，DMFF-Net恢復(fù)的信息更加清晰連續(xù)，同時可以重構(gòu)出一些DnCNN無法有效保留的反射信息，尤其是淺層的細節(jié)信息，這都驗證了提出方法具有更好的消噪性能和信號恢復(fù)能力.

為了驗證本文所提出的消噪網(wǎng)絡(luò)模型的泛化能力，選取了一幅同一測區(qū)不同測線接收的地震記錄(圖10a)進行處理，處理結(jié)果如圖10所示.圖10b和圖10c分別為小波變換和帶通濾波器的處理結(jié)果，結(jié)果表明傳統(tǒng)方法的處理結(jié)果仍然不甚理想，小波變換無法有效壓制低頻噪聲，同相軸依舊被噪聲嚴重破壞，面波等強干擾噪聲也無法被有效壓制.同時，帶通濾波器無法分離同頻干擾噪聲，有效反射信息恢復(fù)不佳.相較而言，DnCNN(圖10d)雖然可以有效壓制噪聲，但是重構(gòu)的同相軸信息在某些區(qū)域略顯無序，濾除噪聲中也有明顯的信號損失；DMFF-Net(圖10e)恢復(fù)的同相軸更加清晰規(guī)律，被面波影響的同相軸信息也得到了較好的恢復(fù)，這充分說明DMFF-Net訓(xùn)練得到的去噪模型具有較好的處理精度和泛化性能，能夠滿足海量地震資料對于通用去噪模型的需求.

4 結(jié)論

針對實際勘探記錄中低頻頻帶混疊隨機噪聲壓制問題，本文提出了一種雙層多尺度特征融合去噪網(wǎng)絡(luò)：DMFF-Net.該網(wǎng)絡(luò)是一種針對DnCNN網(wǎng)絡(luò)的改進方法，通過構(gòu)建雙層網(wǎng)絡(luò)結(jié)構(gòu)，融合不同網(wǎng)絡(luò)的預(yù)測結(jié)果，改善傳統(tǒng)DnCNN模型的去噪精度；同時引入DBB模塊替代傳統(tǒng)卷積操作實現(xiàn)不同分支信息有效融合，提升網(wǎng)絡(luò)特征學習能力；最后通過跳躍連接操作實現(xiàn)淺層信息和深層信息的融合，進一步提升復(fù)雜噪聲的壓制和微弱信號的恢復(fù)能力.在此基礎(chǔ)上，將DMFF-Net處理結(jié)果同小波變換、帶通濾波器和DnCNN網(wǎng)絡(luò)處理結(jié)果進行比較，結(jié)果表明DMFF-Net可有效壓制復(fù)雜低頻混疊背景噪聲，模擬記錄提高信噪比超過20 dB.此外，提出方法也表現(xiàn)出較對比方法更好的信號幅度保持能力，模擬和實際資料處理結(jié)果中均沒有明顯的信號泄露到濾除噪聲當中，驗證了DMFF-Net方法的有效性.最后，將訓(xùn)練模型應(yīng)用于相同測區(qū)不同測線獲得的實際地震勘探記錄，結(jié)果表明訓(xùn)練模型可實現(xiàn)對不同記錄中噪聲的有效壓制，驗證了DMFF-Net去噪模型具有一定的泛化性能，可用于相同類型復(fù)雜地震資料的處理.總體而言，本文提出的DMFF-Net網(wǎng)絡(luò)可實現(xiàn)復(fù)雜噪聲影響下勘探記錄高保真處理，有效壓制噪聲并準確重構(gòu)出反射信息.但是，當面對極低信噪比勘探記錄時，DMFF-Net的處理能力可能發(fā)生退化.同時，如何在保證處理精度和消噪能力的前提下，持續(xù)優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，切實減小計算開銷，還需進一步深入研究.盡管如此，DMFF-Net在復(fù)雜勘探資料處理領(lǐng)域具有一定的應(yīng)用前景，也可以為基于深度學習的地震資料處理技術(shù)研究提供一定的參考借鑒.