丘陵地带地震资料随机噪声压制新技术:高阶加权阈值函数的Shearlet变换

随着山地和丘陵地震勘探环境的复杂化,传统的消噪方法已经难以有效地压制地震记录中的随机噪声.Shearlet变换是一种新的多尺度多方向的时频分析方法,具有良好的稀疏表示特性,并且在每个尺度进行方向分解,非常适合用于地震信号随机噪声的压制.但是传统的Shearlet变换去噪方法采用的是硬阈值,在抑制随机噪声的同时也消除了很多有效信号,使得去噪之后的地震资料出现虚假的同相轴,为了解决这一问题我们提出高阶加权阈值函数.高阶加权阈值函数不但整体上连续性较好,而且克服了硬阈值函数存在剧烈的变化的缺点以及软阈值在处理较大Shearlet系数总存在恒定偏差的问题,同时保留了传统的软硬阈值函数的优点.实验结果表明这种基于高阶加权阈值函数的Shearlet变换去噪的方法,可以有效的消除模拟地震信号和实际丘陵地带地震信号中的随机噪声,同时很好的保留有效信号的幅度.

     

三参数小波变换自适应阈值压制地震数据高频随机噪声

在有效压制高频随机噪声的基础上, 最大限度保留有效信号一直是地震数据降噪处理中的难点.小波变换阈值降噪因其优秀的降噪效果和较高的计算效率受到地球物理学家们的青睐.在小波变换阈值降噪中, 小波基、阈值函数以及阈值是影响降噪效果的3个关键因素.针对这3个关键因素开展相关研究: (1)采用更加适合地震信号分解的三参数小波作为母小波, 可以更好进行信噪分离; (2)采用改进的阈值函数克服传统硬、软阈值函数的不足, 基于改进阈值函数得到的降噪地震数据不仅波形光滑、连续, 而且基本保持原始信号的特征, 综合了硬阈值和软阈值函数的优点; (3)针对统一阈值过扼杀有效信号这一缺点, 提出自适应阈值, 自适应阈值不单以能量为标准进行有效信号和噪声的识别, 还考虑有效信号小波系数的相关性, 避免有效信号被当成噪声舍弃.最后通过模型试算和实际地震数据验证所提方法的有效性和实用性.     

金属矿山地地区地震勘探随机噪声的波动方程模拟

消减随机噪声是目前陆地地震勘探数据处理的关键问题之一,分析随机噪声的产生机制及特征是对其进行有效压制的先决条件.本文针对中国南方山地金属矿区的勘探环境,根据随机噪声中包含的自然噪声和人文噪声的发声机理分别确定其噪声源函数,以波动方程作为噪声传播模型对山地地区随机噪声进行建模,将随机噪声作为一个综合波场,并且与实际噪声记录进行比较.随机噪声记录作为时空域的二维随机过程,分别对模拟噪声和实际噪声记录的时间域波形(振动图)特征包括频谱、功率谱密度,相空间轨迹图,统计量特征(能量分布,累积分布,均值,方差,峰度,偏度),和空间域波形(波剖面)特征包括波数谱和统计量特征进行比较,对比结果显示在时空域模拟噪声和实际噪声都有基本相同的性质,证明了本文对随机噪声模拟方法的可行性,为进一步研究随机噪声时空域传播特性以及噪声消除奠定理论基础.     

自适应非局部均值地震随机噪声压制(英文)

非局部均值滤波是一种基于图像信息冗余的去噪方法,其认为图像自身的有效结构具有一定的重复性,而随机噪声则不具备这一特点,通过利用图像本身的自相似性来达到压制随机噪声的目的,是一种全局的去噪方法。本文把这一思想引入地震数据随机噪声压制中,针对传统非局部均值滤波计算量过大的问题,文章采用分块非局部均值的方式来减少计算量;针对滤波参数选取会影响非局部均值滤波效果的问题,提出一种简单的自适应滤波参数地震数据分块非局部均值算法。模型和实际数据处理结果表明:相对于传统的去噪算法(如f-x反褶积),该方法在压制随机噪声的同时对有效信号保护地更好,具有更高的保真度,更有利于后续的处理和解释工作。     

基于Context模型的Shearlet变换地面微地震随机噪声压制

地面微地震监测采集到的微地震信号通常能量微弱,信噪比低,如何提高微震数据的信噪比是数据处理的难题.Shearlet变换是一种新型的多尺度几何分析方法,具有敏感的方向性和较强的稀疏表示特性,能起到很好的随机噪声压制效果.由于地面微震数据的有效信号大多被淹没在噪声中,基于传统阈值的Shearlet变换（the traditional threshold-based Shearlet transform TST）只考虑到尺度或方向的阈值,在去噪过程中会过度扼制有效信号系数,造成有效信号能量损失.因而,本文建立Context模型,得到基于Context模型的Shearlet变换（the Context-model-based Shearlet transform CMST）方法,改进传统Shearlet阈值方法的不足.我们通过所建立的Context模型将能量相近的各方向系数划分为同一组,并分组估计阈值,分别处理各部分系数,达到微弱同相轴有效恢复的目的.通过TST及CMST的模拟实验与实际地面微震记录处理结果对比可知,本文方法在低信噪比条件下比对比方法更加有效地恢复地面微震数据的微弱信号,随机噪声压制效果明显,在-10 dB条件下,提升信噪比18.3741 dB.

     

基于深度卷积神经网络的地震数据随机噪声压制

本文以提高地震数据的成像质量为目标,提出一种智能的卷积神经网络降噪框架,从带有噪声的地震数据中自适应地学习地震信号。为了加速网络训练和避免训练时出现梯度消失现象,我们在网络中加入残差学习和批标准化的方法,并采用了ReLU激活函数和Adam优化算法优化网络。此外,Marmousi和F3数据集被用来对网络进行训练和测试,经过充分训练的网络不仅能在学习中保留地震数据特征,而且能去除随机噪声。首先充分地训练网络,从中提取出随机噪声,并保留学习到的地震数据特征,之后通过重建地震数据估算测试集中的波形特征。合成记录和实际数据的处理结果显示了深度卷积神经网络在随机噪声压制任务中的潜力,并通过实验验证表明了深度卷积神经网络框架有很好的去噪效果。      

基于方向可控滤波的地震勘探随机噪声压制

针对地震勘探随机噪声的压制,本文应用拉伸厄米特高斯函数设计出方向可控滤波器.根据时空域上随机噪声的无方向性与有效信号的有向性的区别,通过局部数字特征,对数据进行选择后重组信号.方向选择性的增加,使得滤波过程能与不同方向的轴进行匹配,噪声被压制的同时保持信号的幅度;方向可调性,使得计算效率提高,且所需存储空间减少.仿真实验表明,采用此方法,信号保幅性和去噪效果均比传统的小波算法以及Curvelet变换好,在-5 db信噪比下,本文方法保幅度为92.99%,信噪比提升221.774%,在实际地震信号处理中有明显的抑制噪声、保持有用信号的效果.     

基于DMFF-Net的地震随机噪声压制新技术

地震勘探是油气和矿产资源开发领域使用最为广泛的物探方法之一.由于采集条件的限制,地震记录中通常混杂有大量的随机噪声,导致勘探资料普遍信噪比(Signal-to-Noise Ratio,SNR)较低,这严重影响有效信号辨识的精度,为后续反演、解释等工作带来巨大挑战.此外,地震勘探随机噪声通常具有非平稳、非高斯和与信号存在频带混叠等复杂特性,导致传统方法在处理复杂勘探记录时,消噪性能可能发生退化.针对复杂勘探随机噪声消减问题,本文提出了一种新型的双层多尺度特征融合去噪网络(Double-layer Multi-scale Feature Fusion Denoising Network,DMFF-Net).该网络具有多尺度网络结构,利用多分支模块提取勘探数据不同尺度和不同分支的潜在特征,提升网络对于勘探记录复杂特征的学习能力.同时,采用跳跃连接实现浅层和深层信息的融合,提升网络对微弱信号的恢复能力.模拟和实际资料处理结果表明,相较传统地震勘探资料消噪方法而言,DMFF-Net可以更加有效地压制随机噪声,完整恢复有效信号,显著提升地震资料信噪比,在信号保幅性和微弱信号恢复能力方面更具优势.

     

基于CEEMDAN和SWT的地震信号随机噪声压制

完备集合经验模态分解(CEEMD)通过添加正负成对辅助噪声可较好的解决集合经验模态分解(EEMD)中信号被噪声污染的问题,但CEEMD方法分解后的单个本征模态函数(IMF)分量中仍存在部分随机噪声信息.通过转变辅助噪声形式和分解流程提出自适应噪声完备集合经验模态分解(CEEMDAN)方法,该方法在较少集总次数和筛选迭代次数的情况下,即可实现优良的信噪分离功能,大大缩减处理耗时,具备分解精度高、具有完备性的特征.同时,针对传统经验模态分解(EMD)类方法去噪时直接舍弃第1～2阶高频IMF分量,导致其内高波数有效能量损失的问题,通过计算相邻IMF分量互信息熵获取高频噪声和低频有效信号的最优能量分界,对分界点前的各阶IMF分量进行同步压缩小波变换(SWT)处理,分离有效高频信息,最后与低频IMF分量重构达到噪声压制的目的.合成及实际地震资料处理结果表明,本文联合多步骤地震随机噪声压制策略具有较好的去噪效果和能量保持能力,在运算耗时指标上优于传统的EMD噪声辅助类方法.     

基于SW统计量的自适应时频峰值滤波压制地震勘探随机噪声研究

由于金属矿区地震记录中随机噪声性质复杂且信噪比低,常规降噪方法难以达到预期的滤波效果.时频峰值滤波(TFPF)方法是实现低信噪比地震勘探记录中随机噪声压制的有效方法,但其在复杂地震勘探随机噪声下时窗参数优化问题仍难以解决.本文充分利用地震勘探噪声的统计特性,结合Shapiro-Wilk(SW)统计量辨识地震勘探记录中的微弱有效信号,提出基于SW统计量的自适应时频峰值滤波降噪方法(S-TFPF).在S-TFPF方案中,对于有效信号集中区,S-TFPF方法根据信号频率特征,选择有利于信号保持的较短时窗长度;对于噪声集中区,按噪声方差自适应增加时窗长度,增强随机噪声压制能力.S-TFPF应用于合成记录和共炮点记录的滤波结果表明,与传统时频峰值滤波方法相比,S-TFPF方法可以有效抑制低信噪比地震勘探记录中的随机噪声,更好地恢复出同相轴.     

地震随机噪声压缩感知迭代压制方法

复杂地表和复杂介质条件下,随机噪声往往严重影响着复杂地震信号的信噪比,同时深层地球物理目标探查中弱地震信号总是被随机噪声所掩盖,如何有效地压制随机噪声干扰、恢复有效地震信号仍然是高精度地震勘探中的关键问题.压缩感知理论突破了奈奎斯特采样定理的限制,利用有效地震信号的可压缩性和稀疏性,提供了从不可压缩随机噪声中进行有效信号分离的数据原理.本文系统分析压缩感知框架下地震随机噪声压制的稀疏优化反问题,提出了基于迭代软阈值算法的"采集-重建-修复"方案对该问题进行求解.在实现高度稀疏表征的基础上进行地震数据的压缩感知随机观测,通过迭代反演对有效地震信号进行重构,有效提高复杂地震数据的信噪比,同时,当求解稀疏优化问题时,如果出现正则化项引起重构信号衰减现象,可以匹配除偏对衰减的有效信号进行修复.通过与工业标准f-x预测滤波方法进行比较,理论模型和实际数据处理的结果表明,压缩感知迭代噪声压制方法对复杂地震数据中的随机噪声有较好的压制效果,可以有效恢复出被较强非平稳随机噪声干扰的时空变同相轴信息.     

基于EWT和Meyer自适应阈值的微震降噪

露天矿采场边坡的微震信号具有振幅弱、噪声多、信噪比低的特征,基于经验小波变换(EWT)及Meyer自适应阈值提出分频降噪方法.首先,针对微震信号的频谱特征,设计一种频谱分割策略,将信号和噪声分解为不同的模态;其次,分析模态的频谱和能量,采用Meyer阈值函数自适应降噪,提高有效信号振幅;最后,借助阈值函数处理包含较少有用信号的模态,重构微震信号以保持其连续性,结果表明,降噪后微震信号信噪比(SNR)高、有效信息多,噪声少;通过多种方法对比,并用信噪比与均方根误差(RMSE)对本次降噪效果进行评价,本文方法较好的保留了微震信号有效信息,降噪效果显著.     

基于卷积神经网络的井中分布式光纤传感器地震数据随机噪声压制新技术

分布式光纤传感器(distributed fiber-optical acoustic sensor,DAS)是一种快速发展的具有巨大应用前景的地震勘探检波器技术.实际DAS地震资料往往会受到大量强能量随机噪声的干扰,通常表现为低信噪比(signal-to-noise ratio,SNR).这一现象给接下来的成像、反演以及解释带来了巨大的困难,因此如何压制DAS地震资料中的随机噪声并提高其SNR成为一个有待解决的技术问题.卷积神经网络(convolutional neural network,CNN)已经被证明是一种有效的噪声压制工具.通常情况下,CNN需要一个理论纯净地震数据集来优化网络,这极大地限制了CNN在DAS地震资料处理中的应用.在本文中,我们采用正演模拟的方法来构建理论纯净DAS地震数据集,通过正演模型的参数多样化增强数据集的真实性,从而获得适合DAS地震资料随机噪声压制的CNN去噪模型.此外,在网络结构方面,我们利用泄漏线性整流单元作为CNN的激活函数增强训练后模型对微弱有效信号的恢复能力;在训练过程中,通过能量比矩阵调节噪声片和有效信号片之间的SNR,增强CNN去噪模型对于不同SNR的DAS地震数据的适应性.模拟和实际实验均表明本文提出的这种正演模型驱动的卷积神经网络(forward-model-actuation convolutional neural network,FMA-CNN)能够有效地压制DAS随机噪声同时完整地恢复有效信号.