用于圆形噪声数据消除的深度CNN模型
计算机视觉与模式识别
2024-08-06 v1 地球物理
摘要
在探地地球物理学领域，地震振动是获取地震数据的常用地震源，通常称为振动噪声。"圆形效应"是振动噪声数据处理中常见的问题，由于振动器的有限频率带宽导致此问题，严重影响一级拾取性能。本文提出了一种用于振动噪声数据的新型消圆模型，采用深度卷积神经网络（CNN）。在该模型中，我们采用端到端训练策略直接获得消圆后的数据，并使用跳跃连接改善模型训练过程并保留振动噪声数据的细节。对于实际的振动噪声消圆任务，我们从实际振动噪声数据合成训练数据和相应标签，并用于训练深度CNN模型。在合成数据和实际振动噪声数据上进行实验。实验结果表明，深度CNN模型能够有效消除圆形效应并扩展振动噪声数据的频带宽度。对于消圆后的振动噪声数据，STA/LTA比方法的一级拾取也显示出改进。
引用
@article{arxiv.2408.01831,
title = {A Deep CNN Model for Ringing Effect Attenuation of Vibroseis Data},
author = {Zhuang Jia and Wenkai Lu},
journal= {arXiv preprint arXiv:2408.01831},
year = {2024}
}