基于卷积神经网络的陆地地震记录中的地面滚动波分离

地面滚动波是陆地地震数据中常见的相干噪声。这种拉姆齐型表面波通常具有低频、低迁移速度和大幅值，因此遮蔽了地震shot gather中的反射事件。常用技术侧重于变换域（如$f-k$域、小波域或曲线切比值域）中地面滚动波与反射波之间的差异。这些方法使用一系列固定原子或基函数，将时空域中的数据转换为变换域，以分离不同波形，因此 tend to suffer from the complexity for a delicate design of the parameters of the transform domain filter. 为解决这些问题，提出了一种新方法，利用基于卷积神经网络（CNN）的模型来分离地面滚动波和反射波，自动学习地面滚动波和反射波的特征。 在所提出的方法中，将受地面滚动波污染的低通滤波后的地震数据作为CNN的输入，然后同时输出地面滚动波分量和反射分量的低频部分。 在训练过程中应用判别损失和相似性损失，以增强对训练标签的相似性以及两个输出之间的差异。 在合成数据和真实数据上进行实验，表明CNN基于的方法能够有效地分离地面滚动波与反射波，并且在一定程度上具有良好的泛化能力。