基于时频联合深度学习的地震数据重建

作     者：张岩 刘小秋 李杰 董宏丽 Zhang Yan;Liu Xiaoqiu;Li Jie;Dong Hongli

作者机构：东北石油大学计算机与信息技术学院黑龙江大庆163000 东北石油大学人工智能能源研究学院黑龙江大庆163000 黑龙江省网络化与智能控制重点实验室黑龙江大庆163000 

出 版 物：《吉林大学学报（地球科学版）》 (Journal of Jilin University：Earth Science Edition)

年 卷 期：2023年第53卷第1期

页      面：283-296页

核心收录：

学科分类：081801[工学-矿产普查与勘探] 08[工学] 0818[工学-地质资源与地质工程] 

基　　金：国家自然科学基金项目(U21A2019 61873058) 

主　　题：地震数据规则化 卷积神经网络 时频联合 深度学习 傅里叶变换 

摘      要：地质条件和采集环境等因素的影响往往导致在地质勘探过程中无法获取完备的地震数据,对后续地质解释工作造成影响。随着计算机硬件的发展及基于卷积神经网络的地震数据处理方法的应用,越来越多的深度学习方法应用于地震数据规则化,当前此类方法通常局限在时域范围内处理数据,导致重建数据过于平滑,纹理细节信息缺失。本文提出一种联合时频域特征的卷积神经网络模型,通过在地震数据的时域和傅里叶域上进行联合约束,学习地震数据在时域和傅里叶域的多维度分布特征,重建欠采样地震数据,修正联合损失函数的权重,调整卷积神经网络学习的注意力;采用多级可调节的残差块构建卷积神经网络中间层,提高特征提取能力,根据任务的需要调节残差块数量,平衡网络的精度与效率。实验结果表明,本文提出的方法与双三次插值、基于块匹配的3D协同滤波、深超分辨率网络、增强深度学习超分辨率重建网络等方法对比,具有更好的细节保持效果和鲁棒性。