StorSeismic：地震处理深度学习的新范式

地震数据上的机器学习任务通常是顺序且独立地训练的，尽管它们利用了数据的相同特征（即几何特征）。我们提出 StorSeismic，作为地震数据处理的框架，由神经网络预训练和微调流程组成。具体地，我们利用神经网络作为预处理模型，为特定数据集的任何下游任务存储地震数据特征。预训练后，所得模型随后可通过微调流程，利用有限的额外训练执行任务。BERT（Bidirectional Encoder Representations from Transformer，基于 Transformer 的双向编码器表示）作为 Transformer 模型的一种形式，常在自然语言处理（NLP）中且近来在视觉任务中使用，为该框架提供了最优平台。BERT 的注意力机制应用于炮集内道序列，能够捕获并存储地震数据的关键几何特征。我们在自监督步骤中对现场数据和合成生成的数据预训练 StorSeismic。然后，我们使用带标签的合成数据以监督方式微调预训练网络，执行各种地震处理任务，如去噪、速度估计、初至拾取和 NMO。最后，微调模型用于对现场数据获得满意的推断结果。