初至波的同步自动拾取与人工拾取精化

初至拾取是处理微地震数据以用于地球物理和资源勘探的关键步骤。深度学习的最新进展推动了自动识别初至波方法的发展。然而，地震数据采集的复杂性以及对详细的、专家驱动的标注的需求，常常导致人工标注数据集中出现异常值和潜在的标注错误。这些问题可能对神经网络的训练产生负面影响，因此需要能够有效处理异常值或错误标注数据的算法。我们引入了同步拾取与精化（SPR）算法，旨在处理受异常样本甚至噪声标签困扰的数据集。与传统方法将人工拾取视为真实值不同，我们的方法将真实的初至视为一个包含初至标注先验的概率模型中的隐变量。SPR 旨在揭示这一变量，从而在整个数据集中实现动态调整并提高准确性。该策略减轻了人工标签中异常值或不准确性的影响。在公开数据上的站点内拾取实验和跨站点泛化实验证实了我们的方法在识别初至方面的性能及其跨不同站点的泛化能力。此外，我们对噪声信号和噪声标签的研究强调了 SPR 对这两种噪声的鲁棒性及其精炼未对齐人工标注的能力。而且，SPR 的灵活性，即不局限于任何单一网络架构，增强了其跨各种基于深度学习的拾取方法的适应性。SPR 专注于从可能包含异常值或部分不准确性的数据中学习，为自动初至拾取中的一些主要障碍提供了稳健的解决方案。