針對傳統(tǒng)去噪方法難以有效處理復(fù)雜隨機噪聲問題，筆者綜述了地震資料智能去噪方法，涵蓋基于統(tǒng)計的機器學(xué)習(xí)方法如支持向量機、主成分分析、獨立成分分析，以及基于神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方法，包括卷積神經(jīng)網(wǎng)絡(luò)、U-Net 神經(jīng)網(wǎng)絡(luò)、自編碼器、生成式對抗網(wǎng)絡(luò)、遞歸神經(jīng)網(wǎng)絡(luò)、Transformer、強化學(xué)習(xí)等。分析了各方法原理、應(yīng)用及優(yōu)缺點，傳統(tǒng)機器學(xué)習(xí)方法處理特定噪聲有優(yōu)勢，但依賴人工特征工程；深度學(xué)習(xí)方法去噪能力強，但存在過擬合、對復(fù)雜地質(zhì)數(shù)據(jù)適應(yīng)性差等問題，未來去噪技術(shù)將向智能化、高效化發(fā)展，以應(yīng)對復(fù)雜噪聲環(huán)境和地質(zhì)條件。研究戰(zhàn)果可為地震資料去噪技術(shù)發(fā)展提供參考，有助于提高地震數(shù)據(jù)處理質(zhì)量與勘探精度。

文章來源：《智能礦山》2026年第2期“學(xué)術(shù)園地”欄目

第一作者：侯禹華，碩士研究生，主要從事基于深度學(xué)習(xí)方法的煤礦地震勘探隨機噪聲壓制的相關(guān)研究工作。 E-mail：1786948201@qq.com

作者單位：煤炭科學(xué)研究總院；琿春礦業(yè)（集團）有限責(zé)任公司；中煤科工開采研究院有限公司

引用格式：侯禹華，朱維，魏俊學(xué)，等. 地震資料智能去噪方法綜述 [J]. 智能礦山，2026，7（2）：67-78.

點擊文末左下角閱讀原文，免費下載閱讀pdf全文

關(guān)注微信公眾號，了解更多礦山智能化建設(shè)進展

煤炭開采離不開地震勘探技術(shù)，通過了解煤層的賦存狀態(tài)，包括煤層的埋深、厚度、層數(shù)以及煤層頂?shù)装宓膸r性等情況，合理規(guī)劃煤礦開采方案。現(xiàn)代地震資料處理的基本技術(shù)分別為反褶積、疊加和偏移。壓制隨機噪聲是地震資料處理的必要步驟，直接影響勘探成像質(zhì)量，對最終剖面解釋分析產(chǎn)生影響。然而，真實的地震記錄因惡劣的采集環(huán)境受到干擾而產(chǎn)生大量隨機噪聲，嚴(yán)重影響了地震數(shù)據(jù)的精確解釋和后續(xù)處理。因此，去噪技術(shù)成為地震勘探流程中重要環(huán)節(jié)。有效壓制地震數(shù)據(jù)中的隨機噪聲，從低信噪比地震數(shù)據(jù)中提取出微弱有效信號，減少噪聲對成像結(jié)果的干擾與影響，增強地質(zhì)信息的分辨能力。

常用的去噪方法包括時間域方法（如中值濾波、各向異性濾波、多項式擬合等）與變換域方法（頻率域、小波變換、曲波變換、字典學(xué)習(xí)等）。在實際應(yīng)用中，傳統(tǒng)地震去噪方法基于地震數(shù)據(jù)的特性（如可預(yù)測性、稀疏性等）將噪聲與有效信號分離。然而隨機噪聲具有無規(guī)律、不可預(yù)測的特點，頻率和幅度分布復(fù)雜多樣，導(dǎo)致時間域和頻率域方法只能分離部分隨機噪聲（如高頻隨機噪聲等）。特別是在信號和噪聲特征重疊的情況下，時間域或頻率域的濾波方法容易失效，無法完全去除噪聲，還可能損傷有效信號中的關(guān)鍵信息。傳統(tǒng)噪聲壓制方法受模型假設(shè)與參數(shù)設(shè)置等因素限制，在地震記錄數(shù)據(jù)中有效信號的恢復(fù)方面存在精細(xì)度不足的問題。

隨著機器學(xué)習(xí)在圖像去噪領(lǐng)域的發(fā)展，基于機器學(xué)習(xí)的地震信號隨機噪聲壓制方法，逐漸成為一種新興且強大的地震去噪工具。機器學(xué)習(xí)模型通過大量地震資料進行學(xué)習(xí)訓(xùn)練，自動識別和捕捉數(shù)據(jù)中的復(fù)雜模式，有效減少隨機噪聲對信號質(zhì)量的影響。該方法能夠處理更加復(fù)雜、非線性的噪聲特性，在大規(guī)模數(shù)據(jù)集上實現(xiàn)自動化的信號去噪處理，成為地震資料處理領(lǐng)域中重要的研究方向。

基于統(tǒng)計的機器學(xué)習(xí)方法研究現(xiàn)狀

大數(shù)據(jù)技術(shù)提升了海量數(shù)據(jù)處理效能。機器學(xué)習(xí)技術(shù)為攻克地震數(shù)據(jù)噪聲壓制提供了新的思路與方法，在擁有一定先驗知識的前提下，機器學(xué)習(xí)有效降低了人工干預(yù)程度，在實際應(yīng)用中展現(xiàn)出更高的便捷性。針對地震數(shù)據(jù)隨機噪聲壓制的難題，研究人員陸續(xù)推出了支持向量機（SVM）方法、主成分分析法（PCA）、獨立成分分析法（ICA）等方法，確立了以數(shù)據(jù)為驅(qū)動處理地震資料的發(fā)展方向。

1.1 支持向量機（SVM）

支持向量機（SVM）是一種有監(jiān)督的機器學(xué)習(xí)算法，通過在特征空間構(gòu)建超平面，以實現(xiàn)將不同類別的數(shù)據(jù)點完全分隔開來。在地震去噪中，SVM被用于回歸問題，將地震信號中的有效信號設(shè)定為需要擬合的目標(biāo)函數(shù)，通過選擇合適的核函數(shù)與調(diào)整參數(shù)，將噪聲與真實信號分離，達(dá)到去噪的目的。鑒于傳統(tǒng)基于統(tǒng)計學(xué)理論的去噪方法受到訓(xùn)練樣本數(shù)量的限制，提出了一種基于支持向量機回歸的大地電磁測探數(shù)據(jù)小樣本去噪方法，初步證明其在勘探數(shù)據(jù)噪聲壓制的有效性；Ricker子波核函數(shù)用于地震資料中強隨機噪聲壓制問題，相比于傳統(tǒng)的基于徑向基核函數(shù)的支持向量回歸與褶積濾波方法，基于Ricker子波核函數(shù)的SVM信噪比更高（圖1），證明了SVM在地震資料噪聲壓制問題中的學(xué)習(xí)能力以及泛化能力。

圖1 不同方法去噪結(jié)果

由于SVM對于非平穩(wěn)、非高斯、非線性與低頻特點的強隨機噪聲無法很好地抑制，導(dǎo)致地震數(shù)據(jù)信噪比依然較低，為此提出了一種基于改進的PSO-SVM噪聲抑制新框架，通過對地震數(shù)據(jù)的特征向量建立PSO-SVM模型進行特征分類，識別地震發(fā)生位置，最后采用全變分（TGV）濾波器進行噪聲壓制處理，進一步增強去噪效果，提高地震數(shù)據(jù)信噪比。

1.2 主成分分析（PCA）

主成分分析（PCA）借助線性變換，把原始的多個相關(guān)變量轉(zhuǎn)變?yōu)橐唤M彼此相互獨立的綜合變量，即主成分。作為一種用于地震資料隨機噪聲衰減的有效工具，PCA在地震數(shù)據(jù)處理中廣泛應(yīng)用，鑒于PCA分析對異常值缺乏穩(wěn)健性的特性，提出一種在頻率-空間域（F-X）中消除壓制隨機噪聲的穩(wěn)健主成分分析法（RPCA），該方法通過采用范數(shù)約束合理地估計稀疏噪聲，基于軟閾值處理一階梯度迭代開展噪聲壓制工作。RPCA有效解決了地震數(shù)據(jù)異常值及噪聲信號混疊問題，進一步提高了地震數(shù)據(jù)信噪比。

基于四維快匹配協(xié)同濾波（BM4D）的算法作為一種優(yōu)秀的去噪方法，能夠較好地保留信號細(xì)節(jié)，提高地震數(shù)據(jù)信噪比，然而由于該算法需要預(yù)先估算地震數(shù)據(jù)的噪聲標(biāo)準(zhǔn)差，該方法存在一定的應(yīng)用局限性，聯(lián)合PCA與BM4D的三維地震信號去噪算法，通過PCA對地震信號進行噪聲估計，再將估計結(jié)果用于BM4D去噪，展示了PCA法對噪聲估計的高效性與準(zhǔn)確性，有效證明了PCA與其他去噪方法結(jié)合的潛力與多樣性。

基于K-SVD字典學(xué)習(xí)與PCA法相結(jié)合的主成分字典學(xué)習(xí)算法，通過采用PCA分解誤差項，并使用第一主成分作為字典原子更新，相比于原K-SVD算法有效提高了地震數(shù)據(jù)信噪比，更好地保護了有效信號。

1.3 獨立成分分析（ICA）

獨立成分分析（ICA）作為一種基于統(tǒng)計假設(shè)的數(shù)據(jù)分析方法，通過尋找信號的非高斯性最大線性組合實現(xiàn)信號與噪聲分離。將ICA方法引入勘探地震信號處理中，在線性混合的觀測地震信號中分離出原始的源信號（圖2），證明了ICA方法在地震道記錄中有效信號與隨機干擾分離的有效性與應(yīng)用前景。

圖2 獨立分量變換去噪效果對比

隨機噪聲具有非高斯信號的特點，基于最小互信息的快速ICA方法實現(xiàn)地震數(shù)據(jù)去噪，通過尋找輸出量之間的互信息最小化，達(dá)到獨立混疊信號分離的目的，進一步證明了ICA方法從混合地震信號中分離出獨立的原始有效信號分量與隨機噪聲的有效性與可行性。由于ICA法采用相鄰道處理，可能造成有效信號破壞等問題，提出了ICA聯(lián)合地震速度和加速度信號去噪方法。通過選取速度、加速度信號進行ICA分析分離隨機噪聲（圖3），再將分離后的有效信號和噪聲作為卡爾曼濾波的先驗信息得到最終的去噪結(jié)果，有效提高了信號的時間分辨率與事件連續(xù)性。

圖3 ICA去噪前后對比結(jié)果

基于統(tǒng)計的機器學(xué)習(xí)方法是地震資料處理的重要研究方向，SVM通過核函數(shù)與參數(shù)調(diào)整實現(xiàn)信號與噪聲的分離；PCA通過線性變換將原始多變量轉(zhuǎn)化為相互獨立的主成分，實現(xiàn)對數(shù)據(jù)的降維與特征提取，達(dá)到分離噪聲的目的；ICA通過尋找信號非高斯性最大的線性組合，進而提取噪聲。與傳統(tǒng)的濾波方法相比，機器學(xué)習(xí)方法在噪聲壓制表現(xiàn)良好，尤其在處理具有一定統(tǒng)計規(guī)律的噪聲時效果較為明顯。然而傳統(tǒng)機器學(xué)習(xí)方法對人工特征工程的依賴程度較高，需要專業(yè)的地震資料處理知識和經(jīng)驗來設(shè)計有效的特征，在面對復(fù)雜多變的地震資料時，其泛化能力存在一定的欠缺。

地震隨機噪聲壓制的深度學(xué)習(xí)方法研究現(xiàn)狀

近年來，地震勘探領(lǐng)域也在逐步向超深層、復(fù)雜構(gòu)造、巖性勘探以及非常規(guī)資源的方向邁進，數(shù)據(jù)量激增而且對地震數(shù)據(jù)的信噪比和保真度提出了更高要求。深度學(xué)習(xí)在具備先驗信息的情況下，可減少參數(shù)調(diào)節(jié)需求，使其在實際應(yīng)用中更加簡便。LeNet卷積網(wǎng)絡(luò)在學(xué)術(shù)界和工業(yè)界受到廣泛關(guān)注。針對地震資料去噪的問題，研究人員提出了卷積神經(jīng)網(wǎng)絡(luò)、自動編碼器、生成式對抗網(wǎng)絡(luò)、遞歸神經(jīng)網(wǎng)絡(luò)等。

2.1 卷積神經(jīng)網(wǎng)絡(luò)（CNN）

卷積神經(jīng)網(wǎng)絡(luò)是一種深度學(xué)習(xí)模型，具有監(jiān)督學(xué)習(xí)與無監(jiān)督學(xué)習(xí)等訓(xùn)練方式。監(jiān)督學(xué)習(xí)使用標(biāo)記的數(shù)據(jù)訓(xùn)練模型，標(biāo)記數(shù)據(jù)是指每個數(shù)據(jù)樣本都有1個已知的輸出或者目標(biāo)值與之對應(yīng)。模型通過學(xué)習(xí)輸入數(shù)據(jù)和對應(yīng)的標(biāo)記之間的關(guān)系來進行訓(xùn)練。而無監(jiān)督學(xué)習(xí)使用未標(biāo)記的數(shù)據(jù)進行訓(xùn)練。數(shù)據(jù)集中只有輸入數(shù)據(jù)，沒有給定的目標(biāo)值或者類別標(biāo)簽。

基于監(jiān)督學(xué)習(xí)的CNN應(yīng)用于地震資料隨機噪聲衰減領(lǐng)域。CNN具有局部連接、權(quán)值共享和池化操作的獨特操作，減小了參數(shù)使用量，提高了網(wǎng)絡(luò)運算效率，在復(fù)雜信號環(huán)境下的自適應(yīng)學(xué)習(xí)能力已被廣泛證明。與傳統(tǒng)去噪方法不同，CNN能夠從數(shù)據(jù)中自動提取多尺度特征處理不同類型噪聲，CNN工作流程（圖4）包括以下步驟。

圖4 CNN工作流程

（1）使用短時傅里葉變換（STFT）將含噪數(shù)據(jù)轉(zhuǎn)換到時頻域。

（2）時頻系數(shù)的實部和虛部作為神經(jīng)網(wǎng)絡(luò)的輸入。

（3）神經(jīng)網(wǎng)絡(luò)根據(jù)輸入數(shù)據(jù)生成信號和噪聲的2個掩碼。

（4—5）將相關(guān)掩碼應(yīng)用于含噪信號系數(shù)，以估計地震信號和噪聲的時頻系數(shù)。

（6）使用逆短時傅里葉變換得到時域中的去噪信號和噪聲。

針對地震數(shù)據(jù)隨機噪聲的壓制問題，構(gòu)建的CNN以含噪地震數(shù)據(jù)作為輸入，由多個卷積層提取并處理地震數(shù)據(jù)。通過與傳統(tǒng)噪聲壓制方法小波變換、雙樹復(fù)小波變換、曲波變換對比，結(jié)果表明（圖5）CNN能有效壓制隨機噪聲，且與常規(guī)去噪算法相比具有更強的去噪能力。

圖5 疊前海上地震數(shù)據(jù)的不同去噪算法結(jié)果對比

針對傳統(tǒng)CNN容易過擬合的問題，首先在圖像去噪領(lǐng)域提出了DnCNN，通過采用對輸入數(shù)據(jù)和隱藏單元輸出進行擾動，促使網(wǎng)絡(luò)學(xué)習(xí)到樣本數(shù)據(jù)更好的特征表示，減少過擬合問題。為了在CNN的基礎(chǔ)上進一步壓制地震隨機噪聲、提高地震數(shù)據(jù)的信噪比，有研究人員將DnCNN用于地震隨機噪聲衰減，該方法在隨機噪聲的衰減中，訓(xùn)練集通過人工添加噪聲生成，并且使用圖形處理單元（GPU）進行深度學(xué)習(xí)降噪的運行時間與傳統(tǒng)的反褶積方法處于同一量級。然而，DnCNN仍存在地震資料的波形失真問題。

基于約束卷積的方法抑制圖像內(nèi)容并增強地理特征，DnCNN深層網(wǎng)絡(luò)提供更有效的低維特征。引用基于殘差學(xué)習(xí)和批歸一化的去噪算法實現(xiàn)盲去噪，提高噪聲壓制性能。由于DnCNN對沙漠地區(qū)的惡劣采集環(huán)境與復(fù)雜地質(zhì)地表條件收集的復(fù)雜地震數(shù)據(jù)去噪效果差的問題。多分支去噪神經(jīng)網(wǎng)絡(luò)，與傳統(tǒng)的DnCNN相比，DBBCNN將不同尺度、不同復(fù)雜度的分支結(jié)合在一起，豐富了特征空間，并且采用長路徑操作融合全局特征和局部特征，提升了網(wǎng)絡(luò)針對弱信號的特征表達(dá)能力（圖6），DBBCNN可以更好地壓制隨機噪聲，去噪地震數(shù)據(jù)的信噪比較高。

圖6 模擬數(shù)據(jù)DBBCNN去噪示意

大多數(shù)卷積神經(jīng)網(wǎng)絡(luò)在壓制地震隨機噪聲時采用監(jiān)督學(xué)習(xí)的方法，要求構(gòu)建大量的無噪聲和含噪聲數(shù)據(jù)作為訓(xùn)練集。然而，由于在地震勘探領(lǐng)域中無噪聲地質(zhì)資料獲取難度較大，限制了監(jiān)督學(xué)習(xí)方法的去噪效果，進而影響了模型的泛化能力。而無監(jiān)督學(xué)習(xí)無需人工標(biāo)注數(shù)據(jù)的特點，可以節(jié)省大量人力時間和成本。無監(jiān)督學(xué)習(xí)的重要能力為揭示地震資料的潛在結(jié)構(gòu)，利于研究人員發(fā)現(xiàn)不同類型的信號與噪聲，進而達(dá)到壓制隨機噪聲的目的。

為了解決監(jiān)督學(xué)習(xí)中真實地震資料目標(biāo)信號難以獲取的問題，采用新型的無監(jiān)督學(xué)習(xí)方法，用于壓制地震隨機噪聲（圖7）。通過使用原始含噪數(shù)據(jù)中構(gòu)建的訓(xùn)練集作為輸入，設(shè)計了依賴含噪輸入來學(xué)習(xí)隱藏特征的魯棒深度神經(jīng)網(wǎng)絡(luò)，該方法試驗結(jié)果表明具有較高的有效性與魯棒性。

圖7 無監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)架構(gòu)

基于改進的迭代軟閾值算法（ISTA）的網(wǎng)絡(luò)，減少了經(jīng)驗選擇閾值帶來的不確定性，將字典和編碼設(shè)置為可訓(xùn)練參數(shù)，并設(shè)計了帶有平滑懲罰的損失函數(shù)，確保網(wǎng)絡(luò)能夠以無監(jiān)督的方式進行訓(xùn)練，該方法噪聲壓制效果要優(yōu)于傳統(tǒng)卷積網(wǎng)絡(luò)算法。

2.2 U-net神經(jīng)網(wǎng)絡(luò)

U-Net目前已經(jīng)成為地震隨機噪聲壓制的主流方法之一。U-Net網(wǎng)絡(luò)（圖8）的左邊部分（編碼器）主要用于提取圖像的特征，通過一系列的卷積層和池化層來逐步降低圖像的分辨率增加特征通道數(shù)；在網(wǎng)絡(luò)的右邊，解碼器用于將低分辨率的特征圖逐步恢復(fù)到原始圖像的分辨率大小，以得到分割結(jié)果。通過上采樣操作（如轉(zhuǎn)置卷積）和與編碼器中對應(yīng)層的特征圖進行拼接，輸出去噪地震數(shù)據(jù)（與輸入圖像尺寸相同）。

圖8 U-Net網(wǎng)絡(luò)結(jié)構(gòu)示意

在U-Net結(jié)構(gòu)的基礎(chǔ)上，提出了一種基于數(shù)據(jù)生成和增廣的地震數(shù)據(jù)CNN去噪框架Ｕ型網(wǎng)絡(luò)。該方法對于合成的無噪地震數(shù)據(jù)添加不同方差的高斯噪聲，增廣后構(gòu)成訓(xùn)練集，實現(xiàn)基于小樣本的CNN訓(xùn)練；對于實際地震數(shù)據(jù)，則是提出一種直接從無標(biāo)簽實際有噪數(shù)據(jù)生成標(biāo)簽數(shù)據(jù)集的方法。在實際數(shù)據(jù)試驗結(jié)果表明，相較于F-X反褶積、BM3D和自適應(yīng)頻域濾波算法，更好地壓制隨機噪聲和保護有效信號。該方法實際地震數(shù)據(jù)去噪效果對比（圖9），自適應(yīng)頻域濾波算法去除的噪聲中含有較多的有效信號殘余，而U-Net算法在去除噪聲的同時幾乎不損失有效信號，對信號的保幅效果更好。

圖9 某地實際地震數(shù)據(jù)去噪效果對比

不同于傳統(tǒng)的U-Net網(wǎng)絡(luò)，基于U-Net的網(wǎng)絡(luò)基礎(chǔ)上，創(chuàng)新性地在編碼器部分添加了Dropout防止網(wǎng)絡(luò)過擬合，同時將網(wǎng)絡(luò)輸出設(shè)置為殘差數(shù)據(jù)，提高了學(xué)習(xí)效率，并且將余弦相似度指數(shù)作為損失函數(shù)，可更好地保持去噪地震數(shù)據(jù)同相軸的橫向連續(xù)性，在壓制噪聲的同時，更準(zhǔn)確地恢復(fù)地震事件。

2.3 自編碼器

自編碼器是一種屬于無監(jiān)督學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)算法，利用反向傳播方法對無標(biāo)簽的輸入數(shù)據(jù)進行重構(gòu)（圖10）。該模型結(jié)構(gòu)包含2部分：編碼與解碼。編碼負(fù)責(zé)將輸入數(shù)據(jù)映射為潛在空間的特征表達(dá)，解碼負(fù)責(zé)將特征表達(dá)解碼為與原始輸入數(shù)據(jù)相近的輸出數(shù)據(jù)。雖然同時具有編碼器與解碼器的結(jié)構(gòu)，不同于U-Net神經(jīng)網(wǎng)絡(luò)，自編碼器的主要目的是學(xué)習(xí)數(shù)據(jù)的潛在表示，其重點在于對數(shù)據(jù)進行壓縮與特征提取，而U-Net網(wǎng)絡(luò)專門用于圖像分割任務(wù)，目的在于將圖像中的不同區(qū)域進行精確劃分，為每個像素分配類別標(biāo)簽。同時U-Net中存在著密集的跳躍鏈接，以達(dá)到恢復(fù)圖像細(xì)節(jié)信息的目的。

圖10 自編碼器工作

將深度去噪自編碼器方法應(yīng)用在地震數(shù)據(jù)去噪中，使用有監(jiān)督的預(yù)訓(xùn)練模式與遷移學(xué)習(xí)方法，可驗證自編碼器在地震隨機噪聲壓制能力，解決傳統(tǒng)神經(jīng)網(wǎng)絡(luò)去噪方法獲得標(biāo)簽數(shù)據(jù)困難的問題。在自編碼器的結(jié)構(gòu)基礎(chǔ)上，提出一種基于卷積降噪自編碼器的無監(jiān)督地震數(shù)據(jù)去噪算法，通過對原始輸入地震數(shù)據(jù)進行隨機破壞，將破壞后的地震數(shù)據(jù)進行編碼、解碼操作，據(jù)此消除隨機噪聲并恢復(fù)地震數(shù)據(jù)的細(xì)節(jié)信息。針對隨機噪聲難以去除的問題，通過增加網(wǎng)絡(luò)層數(shù)與引入跳躍連接的方法，相比于傳統(tǒng)的噪聲壓制方法與神經(jīng)網(wǎng)絡(luò)法，自編碼器可有效增強自編碼器對于隨機噪聲壓制效果與地震信號的恢復(fù)（圖11）。

圖11 不同去噪方法對比

針對傳統(tǒng)地震噪聲壓制方法存在的泛化能力不足、實際噪聲數(shù)據(jù)稀缺等問題，通過有效利用少量無噪聲實際數(shù)據(jù)原則構(gòu)建，將注意力機制的自編碼器與InceptionV4卷積模塊結(jié)合（圖12），有效壓制絕大部分隨機噪聲，相比于DnCNN神經(jīng)網(wǎng)絡(luò)，該方法進一步地保護了有效信號結(jié)構(gòu)（圖13）。

圖12 自編碼器網(wǎng)絡(luò)結(jié)構(gòu)

圖13 川西龍門山前復(fù)雜構(gòu)造帶實際地震數(shù)據(jù)去噪對比

2.4 生成式對抗網(wǎng)絡(luò)（GAN）

生成式對抗網(wǎng)絡(luò)（GAN）主要由生成器（Generator）和判別器（Discriminator）2部分組成。生成器負(fù)責(zé)生成數(shù)據(jù)，接收1個隨機噪聲向量作為輸入，通過神經(jīng)網(wǎng)絡(luò)的變換，輸出1個與真實數(shù)據(jù)類似的生成數(shù)據(jù)。判別器的任務(wù)是判斷輸入的數(shù)據(jù)是來自真實數(shù)據(jù)分布還是生成器生成的假數(shù)據(jù)。在訓(xùn)練過程中，生成器努力生成更逼真的數(shù)據(jù)以欺騙判別器，而判別器則盡力區(qū)分真實數(shù)據(jù)和生成數(shù)據(jù)，兩者相互對抗、不斷優(yōu)化（圖14）。

圖14 GAN網(wǎng)絡(luò)工作流程

沙漠地區(qū)噪聲強度大、所獲取的沙漠地震記錄信噪比極低，傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)在恢復(fù)地震數(shù)據(jù)的過程中會嚴(yán)重?fù)p傷部分有效信號，針對這一問題，將GAN網(wǎng)絡(luò)應(yīng)用于沙漠地震噪聲壓制中，通過生成器、去噪器（RED-Net架構(gòu)）用于壓制噪聲并提高記錄的信噪比，而判別器則用于引導(dǎo)生成器、去噪器恢復(fù)信號結(jié)構(gòu)。生成器、去噪器和判別器通過博弈相互提升性能。對于地震去噪問題，將其視為圖像-圖像的轉(zhuǎn)換問題，把含有多種噪聲的原始地震圖像轉(zhuǎn)換為無噪聲的類反射圖像。該模型采用pix2pix GAN的架構(gòu)，采用U-Net為生成器、馬爾科夫判別器（Patch GAN），其中U-net生成器架構(gòu)結(jié)合下采樣和上采樣路徑及跳躍連接，能有效避免過擬合，在小數(shù)據(jù)集上表現(xiàn)良好，且無需大量標(biāo)注樣本，還能保持圖像的低級信息，Patch GAN作為判別器，能有效區(qū)分高頻反射事件和多種噪聲，確保低頻結(jié)構(gòu)不受干擾，從網(wǎng)絡(luò)架構(gòu)層面為去噪效果提供保障，然而該模型仍存在訓(xùn)練過程復(fù)雜且成本較高的問題。針對卷積神經(jīng)網(wǎng)絡(luò)中使用、作為損失函數(shù)為指標(biāo)的網(wǎng)絡(luò)模型容易出現(xiàn)過渡平滑效應(yīng)與產(chǎn)生虛假同相軸以及虛高的峰值信噪比（PSNR）與結(jié)構(gòu)相似性（SSIM）值的問題，提出一種基于Swin-Transformer與GAN結(jié)合的ST-GAN神經(jīng)網(wǎng)絡(luò)，通過Swin-Transformer作為生成對抗網(wǎng)絡(luò)中的生成網(wǎng)絡(luò)對地震數(shù)據(jù)去噪，判別網(wǎng)絡(luò)基于卷積神經(jīng)網(wǎng)絡(luò)。引入Transformer的全局注意力機制，有效提取地震數(shù)據(jù)的全局特征，避免因過度平滑效應(yīng)產(chǎn)生的同相軸假象。但ST-GAN神經(jīng)網(wǎng)絡(luò)在局部區(qū)域依然會損失部分有效信號（圖15），為不同方法去噪圖，ST-GAN網(wǎng)絡(luò)模型能夠在有效壓制噪聲的同時擁有更加優(yōu)異的細(xì)節(jié)恢復(fù)和保持能力，在局部區(qū)域依然包含較少的地震數(shù)據(jù)信號。

圖15 不同方法去噪后的殘差剖面

2.5 遞歸神經(jīng)網(wǎng)絡(luò)（RNN）

遞歸神經(jīng)網(wǎng)絡(luò)（RNN）是一種特殊類型的深度神經(jīng)網(wǎng)絡(luò)，擅長處理序列數(shù)據(jù)（即具有時間或空間依賴性）的問題。通過建立一個循環(huán)結(jié)構(gòu)，使得模型能夠逐步捕捉輸入序列中的模式和關(guān)系。RNN主要用于處理序列數(shù)據(jù)，其最大的特點就是神經(jīng)元在某時刻的輸出可以作為輸入再次輸入到神經(jīng)元，串聯(lián)網(wǎng)絡(luò)結(jié)構(gòu)非常適合于時間序列數(shù)據(jù)，可以保持?jǐn)?shù)據(jù)中的依賴關(guān)系。在地震勘探領(lǐng)域，地震信號通常是時序數(shù)據(jù)，具有低頻率、非線性特征以及噪聲干擾等復(fù)雜特點，RNN能夠通過其循環(huán)結(jié)構(gòu)，逐步建模信號中的復(fù)雜模式，并自動識別噪聲的特性。

語音音頻分離的雙路徑循環(huán)神經(jīng)網(wǎng)絡(luò)（DPRNN）。DPRNN將長序列輸入分割成較小的塊，并在每個操作中使輸入長度與原始序列長度之平方根成正比，其模型規(guī)模相較于傳統(tǒng)的CNN減少了1個數(shù)量級。將DPRNN應(yīng)用于地震源分離以達(dá)到去除噪聲的目的，該模型主要由4個部分組成（圖16），編碼器將順序輸入轉(zhuǎn)換為N維（N為通道數(shù)），分離器將混合信號分離成單獨的軌道，掩碼估計模塊創(chuàng)建（S，N）維的遮擋掩碼（S為源的數(shù)量），解碼器將受限的N維表示轉(zhuǎn)換回時間序列的輸出。不同于傳統(tǒng)噪聲壓制模型，DPRNN同時適用于余震分析、環(huán)境噪聲層析成像等地震學(xué)領(lǐng)域，展示了其巨大的發(fā)展?jié)摿Α?/span>

圖16 DPRNN工作流程示意

長短時神經(jīng)網(wǎng)絡(luò)（LSTM）作為一種改進的RNN，通過引入門控機制解決了梯度消失問題。傳統(tǒng)RNN在處理這些長期信息時容易受到梯度消失問題影響，LSTM通過門控機制，能夠有效地保留和利用長期記憶，更好地識別地震信號中的有用特征。在LSTM的基礎(chǔ)上構(gòu)建了基于自適應(yīng)增強策略來提升LSTM的微震信號降噪方法，增強了對應(yīng)非平穩(wěn)信號的適應(yīng)性。然而LSTM引入過多參數(shù)參與門控機制，使其容易出現(xiàn)過擬合現(xiàn)象，且過于復(fù)雜的門控機制增加了模型的設(shè)計難度與訓(xùn)練時間，其通用性難以適應(yīng)復(fù)雜的地震數(shù)據(jù)。

利用神經(jīng)網(wǎng)絡(luò)壓制地震隨機噪聲已成為目前地震資料去噪的研究熱點，提出了新的網(wǎng)絡(luò)模型、優(yōu)化算法、學(xué)習(xí)策略以及數(shù)據(jù)集制作方式。CNN、DnCNN和U-Net都是利用卷積操作提取特征，根本區(qū)別在于網(wǎng)絡(luò)結(jié)構(gòu)不同。DnCNN在CNN的基礎(chǔ)上引入BN和殘差學(xué)習(xí)策略，加快了網(wǎng)絡(luò)的收斂速度；U-Net在CNN的基礎(chǔ)上增加了編碼和解碼步驟，分別通過池化層或下采樣和轉(zhuǎn)置卷積或上采樣實現(xiàn)，能夠提取更高維度的復(fù)雜特征。自編碼器通過學(xué)習(xí)數(shù)據(jù)的潛在表示，實現(xiàn)了無標(biāo)簽噪聲壓制。

在合成地震數(shù)據(jù)和實測地震數(shù)據(jù)上的試驗表明，與傳統(tǒng)方法相比，深度學(xué)習(xí)模型的噪聲壓制效果較好，弱信號恢復(fù)效果更為出色。神經(jīng)網(wǎng)絡(luò)缺乏對目標(biāo)內(nèi)容的語義理解，并且依賴于對數(shù)據(jù)分布的先驗假設(shè)，導(dǎo)致在壓制地震隨機噪聲時具有一定的盲目性。因此，不同的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對地震隨機噪聲的壓制效果不同。同時神經(jīng)網(wǎng)絡(luò)的性能與訓(xùn)練數(shù)據(jù)的泛化性密切相關(guān)，用于訓(xùn)練網(wǎng)絡(luò)的數(shù)據(jù)集因人而異，難以評價網(wǎng)絡(luò)性能。

地震資料去噪前沿方法

傳統(tǒng)深度學(xué)習(xí)方法（如卷積神經(jīng)網(wǎng)絡(luò)、生成對抗網(wǎng)絡(luò)等）通過局部特征提取與非線性映射，提升了隨機噪聲壓制的精度，基于 CNN 的 MCD-DCNN 模型實現(xiàn)了多尺度噪聲評估，GAN 框架結(jié)合 BiLSTM 網(wǎng)絡(luò)優(yōu)化了缺失數(shù)據(jù)補全。此類方法受限于卷積操作的局部感知特性，難以捕捉地震信號的長距離依賴關(guān)系，且在海量數(shù)據(jù)中對復(fù)雜噪聲的動態(tài)適應(yīng)性不足。隨著 Transformer 架構(gòu)的引入，地震去噪技術(shù)迎來范式革新。其自注意力機制突破了局部視野，能夠全局建模地震波的時空關(guān)聯(lián)。

針對深度學(xué)習(xí)動態(tài)適應(yīng)性不足的問題，強化學(xué)習(xí)通過如擴散模型的噪聲分布估計、生成對抗網(wǎng)絡(luò)的動態(tài)特征學(xué)習(xí)等進一步增強了模型對非平穩(wěn)噪聲的魯棒性。

前沿方法繼承了傳統(tǒng)深度學(xué)習(xí)的數(shù)據(jù)驅(qū)動優(yōu)勢，更通過全局特征融合、自監(jiān)督學(xué)習(xí)及算力優(yōu)化，破解了復(fù)雜噪聲場景下的信號保真難題，為地震監(jiān)測、勘探成像等領(lǐng)域提供了更具潛力的智能處理方案。

Transformer作為深度學(xué)習(xí)領(lǐng)域的一種新興技術(shù)，其在機器翻譯、文本生成、問答系統(tǒng)、文本摘要、情感分析等自然語言領(lǐng)域都有廣泛的應(yīng)用。在地震數(shù)據(jù)去噪過程中，可將二維地震資料類比為圖像進行處理，引入Transformer進行分類、目標(biāo)檢測等任務(wù)。

Transformer的核心創(chuàng)新點在于允許模型處理序列數(shù)據(jù)時能夠動態(tài)地關(guān)注輸入序列的不同部分，更好地捕捉長序列中的依賴關(guān)系。由于地震信號中包含了地下地質(zhì)結(jié)構(gòu)信息與各種噪聲，Transformer 的注意力機制能夠自動聚焦于地震信號中的關(guān)鍵特征，有效過濾噪聲等無關(guān)信息干擾，更為精準(zhǔn)地提取出與地下地質(zhì)結(jié)構(gòu)相關(guān)的有效信號特征。

Transformer 具有很強的自適應(yīng)能力，根據(jù)輸入數(shù)據(jù)的特點自動調(diào)整對不同噪聲的抑制方式。通過結(jié)合CNN 的局部建模能力和Transformer的全局建模能力，設(shè)計了一種基于可伸縮型注意力機制的神經(jīng)網(wǎng)絡(luò)地震數(shù)據(jù)去噪方法，相較于Unet和DnCNN，具有更好的噪聲壓制與保留地震數(shù)據(jù)有效信息的能力（圖17），證明了Transformer在地震資料噪聲壓制領(lǐng)域的有效性以及未來的發(fā)展?jié)摿Α?/span>

圖17 某地真實地震數(shù)據(jù)去噪效果對比

針對地震數(shù)據(jù)去噪問題，提出了一種融合梯度預(yù)測和無參注意力的高效Transformer模型（ETGP）。通過在通道間計算注意力來表示全局信息，緩解了傳統(tǒng)多頭注意力復(fù)雜度過高的問題，并且同時考慮空間和通道維度計算注意力權(quán)重，而不向網(wǎng)絡(luò)增加參數(shù)，結(jié)果表明Transformer不僅能更有效地壓制隨機噪聲，并且在弱信號保留和同相軸連續(xù)性方面具有顯著優(yōu)勢。

3.1 強化學(xué)習(xí)

在地震數(shù)據(jù)處理領(lǐng)域，強化學(xué)習(xí)（ RL）作為一種通過動態(tài)試錯與獎勵機制優(yōu)化決策的智能方法，為復(fù)雜噪聲環(huán)境下的地震信號去噪提供了創(chuàng)新解決方案。核心優(yōu)勢在于自適應(yīng)策略優(yōu)化，能夠根據(jù)地震數(shù)據(jù)的非平穩(wěn)特性（如噪聲強度變化、信號形態(tài)多樣性）動態(tài)調(diào)整去噪策略，突破了傳統(tǒng)固定參數(shù)方法的固有處理方案。

基于強化學(xué)習(xí)的地震去噪模型（RLSD）結(jié)合地震數(shù)據(jù)的非平穩(wěn)特性設(shè)計出一種動態(tài)濾波策略。引入?yún)^(qū)域自適應(yīng)加權(quán)獎勵函數(shù)，量化信號保真度與噪聲壓制的平衡，并通過課程學(xué)習(xí)從平穩(wěn)數(shù)據(jù)到非平穩(wěn)數(shù)據(jù)逐步訓(xùn)練，提升模型對復(fù)雜地質(zhì)場景的適應(yīng)性。RLSD 模型能夠根據(jù)信號結(jié)構(gòu)（如大傾角、快速變化事件）和噪聲強度動態(tài)調(diào)整去噪策略（圖18），顯著優(yōu)于傳統(tǒng)濾波方法及固定參數(shù)的深度學(xué)習(xí)模型，尤其在保留非平穩(wěn)信號細(xì)節(jié)和抑制隨機噪聲方面表現(xiàn)突出，首次論證了強化學(xué)習(xí)在地震資料去噪領(lǐng)域的可行性以及未來發(fā)展?jié)摿Α?/span>

圖18 真實地震數(shù)據(jù)去噪效果對比

總 結(jié)

（1）地震資料去噪技術(shù)正從傳統(tǒng)機器學(xué)習(xí)向深度學(xué)習(xí)演進。盡管深度學(xué)習(xí)在處理海量數(shù)據(jù)及提升信噪比方面優(yōu)勢顯著，但純數(shù)據(jù)驅(qū)動模式仍受限于對物理機制理解的不足，且在面對不同工區(qū)（如油田與煤田）的數(shù)據(jù)差異時，存在泛化能力弱、易過擬合及有效信號受損等瓶頸。

（2）提出了“物理機制與智能算法深度融合”的技術(shù)路徑。通過在注意力機制中嵌入波動方程作為歸納偏置，以及利用強化學(xué)習(xí)結(jié)合巖石物理模型動態(tài)優(yōu)化反演參數(shù)，突破了單一數(shù)據(jù)驅(qū)動模型的黑盒限制。這種融合策略在高效壓制隨機噪聲的同時，有效保留了繞射波等反映地質(zhì)特征的關(guān)鍵信號，解決了模型對波場傳播特性建模不足的難題。

（3）智能去噪的核心目標(biāo)在于尋求地質(zhì)解釋可信度與工程計算效率的最優(yōu)平衡。通過引入網(wǎng)絡(luò)輕量化設(shè)計與多模態(tài)數(shù)據(jù)整合方案，顯著提升了模型在復(fù)雜噪聲環(huán)境下的運行速度與適應(yīng)性，為實際勘探工程提供了兼具精度與解釋性的技術(shù)支撐。

（4）未來模型將向“物理感知型自適應(yīng)系統(tǒng)”方向發(fā)展。重點在于研發(fā)能夠自動適應(yīng)復(fù)雜地質(zhì)條件與噪聲環(huán)境的智能架構(gòu)，深化多模態(tài)信息融合，最終實現(xiàn)從單純的“噪聲壓制”向高保真的“目標(biāo)成像”跨越，為精細(xì)化地震勘探提供更有力的保障。

編輯丨李莎

審核丨趙瑞

煤炭科學(xué)研究總院期刊中心擁有科技期刊21種。其中，SCI收錄1種，Ei收錄5種、CSCD收錄6種、Scopus收錄8種、中文核心期刊9種、中國科技核心期刊11種、中國科技期刊卓越行動計劃入選期刊4種，是煤炭行業(yè)最重要的科技窗口與學(xué)術(shù)交流陣地，也是行業(yè)最大最權(quán)威的期刊集群。

期刊簡介

《智能礦山》（月刊，CN 10-1709/TN，ISSN 2096-9139）是由中國煤炭科工集團有限公司主管、煤炭科學(xué)研究總院有限公司主辦的聚焦礦山智能化領(lǐng)域產(chǎn)學(xué)研用新進展的綜合性技術(shù)刊物。

主編：王國法院士

刊載欄目：企業(yè)/團隊/人物專訪政策解讀視角·觀點智能示范礦井對話革新·改造學(xué)術(shù)園地、專題報道等。

投稿網(wǎng)址：www.chinamai.org.cn（期刊中心-作者投稿）

?? 征稿函詳見鏈接： 征稿┃《智能礦山》面向廣大讀者征稿，歡迎投稿

期刊成果：創(chuàng)刊5年來，策劃出版了“中國煤科煤礦智能化成果”“陜煤集團智能化建設(shè)成果”“聚焦煤炭工業(yè)‘十四五’高質(zhì)量發(fā)展”等特刊/專題30多期。主辦“煤礦智能化重大進展發(fā)布會”“煤炭清潔高效利用先進成果發(fā)布會”“《智能礦山》理事、特約編輯年會暨智能化建設(shè)論壇”“智能礦山零距離”“礦山智能化建設(shè)運維與技術(shù)創(chuàng)新高新研修班”等活動20余次。組建了理事會、特約編輯團隊、卓越人物等千余人產(chǎn)學(xué)研用高端協(xié)同辦刊團隊，打造了“刊-網(wǎng)-號-群-庫”全覆蓋的1+N全媒體傳播平臺，全方位發(fā)布礦山智能化領(lǐng)域新技術(shù)、新產(chǎn)品、新經(jīng)驗。

?? 具體詳見鏈接：《智能礦山》創(chuàng)刊5周年回顧

聯(lián)系人：李編輯 010-87986441

郵發(fā)代號：82-476

?? 期刊訂閱詳見鏈接：歡迎訂閱┃《智能礦山》雜志2026年訂閱開始了！

往期薦讀

• 行業(yè)聚焦┃煤炭無人化開采數(shù)智技術(shù)研討會暨成果發(fā)布會成功舉辦

• 行業(yè)聚焦┃2025年礦山智能化建設(shè)運維與技術(shù)創(chuàng)新高級研修班成功在威海舉辦

• 行業(yè)聚焦┃2025智慧礦山技術(shù)創(chuàng)新與產(chǎn)業(yè)發(fā)展論壇（新疆）成功召開

• 行業(yè)聚焦┃2024年煤炭清潔高效利用智能化成果發(fā)布暨選煤廠智能化建設(shè)論壇順利召開

• 征稿┃《智能礦山》面向廣大讀者征稿，歡迎投稿

• 歡迎訂閱┃《智能礦山》雜志2026年訂閱開始了！

• 行業(yè)聚焦┃2024年煤礦智能化重大進展發(fā)布會成功召開

• 《智能礦山》創(chuàng)刊5周年回顧

• 王國法院士煤礦智能化觀點集錦

• 新書訂閱 ┃《中國煤礦智能化發(fā)展報告（2024年）》（王國法，劉峰 主編）

• 訂閱┃探秘太陽石的奧秘 呈現(xiàn)煤的真身：太陽石系列科普叢書重磅發(fā)售

往期特刊

中國煤科特刊

陜煤集團特刊

神東專欄

重大進展特刊

露天礦特刊

理事、特約編輯特刊

紅柳林煤礦特刊

創(chuàng)新技術(shù)特刊

創(chuàng)刊號

版權(quán)聲明

本刊對已出版文章持有電子版、網(wǎng)絡(luò)版及進行網(wǎng)絡(luò)技術(shù)交流和與各網(wǎng)絡(luò)數(shù)據(jù)庫合作的權(quán)利，稿酬一次性付清，版權(quán)歸本刊與作者共同所有，如不同意，請在投稿時聲明。

---

聲明：本文系轉(zhuǎn)載自互聯(lián)網(wǎng)，請讀者僅作參考，并自行核實相關(guān)內(nèi)容。若對該稿件內(nèi)容有任何疑問或質(zhì)疑，請立即與鐵甲網(wǎng)聯(lián)系，本網(wǎng)將迅速給您回應(yīng)并做處理，再次感謝您的閱讀與關(guān)注。