Volumetric Supervised Contrastive Learning for Seismic Semantic Segmentation
Georgia Institute of Technology(佐治亚理工学院)
在地震解释中,获得各种岩石结构的像素级标记可能是耗时且昂贵的。因此,通常存在大量未标记的数据,这些数据未被使用,这仅仅是因为传统的深度学习方法依赖于对完全标记的卷的访问。为了纠正这个问题,已经提出了使用自监督方法的对比学习方法,以便从未标记的数据中学习有用的表示。然而,传统的对比学习方法是基于来自自然图像域的假设,其不利用地震背景。为了将这一背景下的对比学习,我们提出了一种新的积极对选择策略的基础上的位置切片内的地震体积。我们表明,从我们的方法学习表示优于最先进的对比学习方法的状态中的语义分割任务。
2022-06-16 cs.CV physics.geo-ph
The potential of self-supervised networks for random noise suppression in seismic data
KAUST(阿卜杜拉国王科技大学)
噪声抑制是任何地震处理工作流程中必不可少的步骤。这种噪声的一部分,特别是在陆地数据集中,表现为随机噪声。近年来,神经网络已成功地用于以监督的方式对地震资料进行去噪。然而,监督学习总是伴随着通常无法实现的要求,即具有用于训练的噪声-干净数据对。使用盲点网络,我们将去噪任务重新定义为一个自我监督的过程,其中网络使用周围的噪声样本来估计中心样本的无噪声值。基于噪声在样本之间统计独立的假设,网络由于其随机性而难以预测样本的噪声分量,而信号分量由于其时空相干性而被准确预测。合成的例子说明,盲点网络被证明是一个有效的去噪的地震资料污染的随机噪声与最小的损害信号,因此,提供改进的图像域和下线的任务,如反演。最后,建议的方法应用于现场数据和结果进行了比较,两种常用的随机去噪技术:FX-反卷积和Curvelet变换。通过证明盲点网络是随机噪声的有效抑制器,我们相信这只是在地震应用中利用自监督学习的开始。
2021-09-15 cs.LG physics.geo-ph
Efficient depth extrapolation of waves in elastic isotropic media
提出一种基于伪微分算子分解全弹性波动方程的高效计算方法,用于任意各向同性弹性介质中地震波的外推,可显著降低弹性建模成本。
2012-06-04 cs.NA math-ph math.AP
An Efficient Self-supervised Seismic Data Reconstruction Method Based on Self-Consistency Learning
The Key Laboratory of Earth Exploration & Information Techniques of Ministry Education(教育部地球探测与信息处理重点实验室);School of Geophysics, Chengdu University of Technology(成都理工大学地球物理学院);Chengdu University of Technology(成都理工大学)
本研究提出一种无需额外数据集的自监督自一致性学习方法,通过设计损失函数优化轻量级网络,实现高质量的地震数据重建,适用于大规模复杂勘探任务。
2026-03-06 cs.CV cs.LG eess.IV
An effective self-supervised learning method for various seismic noise attenuation
针对地震监督去噪依赖干净标签、合成数据训练模型在野外数据性能骤降的问题,提出含预热与迭代数据精炼两阶段的自监督去噪策略,在多种噪声场景下野外数据去噪效果显著优于传统监督方法。
2023-11-03 physics.geo-ph
FaultSSL: Seismic Fault Detection via Semi-supervised learning
本文提出 FaultSSL 半监督地震断层检测框架,通过 mean teacher 结合少量二维标签及 PNC、PTC 代理任务利用大量未标注现场数据,显著提升复杂勘探区域的检测连续性、清晰度与泛化能力。
2023-09-14 physics.geo-ph
Incorporating wave physical priors into diffusion models: A novel approach to seismic resolution enhancement
King Abdullah University of Science and Technology(阿卜杜拉国王科技大学);School of Petroleum, China University of Petroleum-Beijing at Karamay(中国石油大学(北京)克拉玛依校区石油学院);School of Geography and Tourism, Zhengzhou Normal University(郑州师范学院地理与旅游学院)
提出物理引导的自监督扩散模型(PG-SSDM),通过自监督训练、地震卷积模型硬约束和不确定性量化,无需配对高分辨率标签即可提升地震数据分辨率。
2026-06-17 physics.geo-ph
Direct Estimation of Porosity from Seismic Data using Rock and Wave Physics Informed Neural Networks (RW-PINN)
Stanford University(斯坦福大学)
本文提出岩石与波动物理信息神经网络RW-PINN,在无井或少量井条件下直接从地震道估计孔隙度,通过弱监督和加权损失函数缓解非唯一性问题,预测结果符合岩石物理与沉积规律。
2022-09-30 cs.LG physics.geo-ph
Encoder-Inverter Framework for Seismic Acoustic Impedance Inversion
Chengdu University of Technology(成都理工大学);School of Geophysics(地球物理学院)
本文提出了一种编码器-反向器框架,通过将地震迹映射到高维线性特征空间,提升地震声阻抗反演的准确性和鲁棒性。
2025-11-22 physics.geo-ph
Transfer learning for self-supervised, blind-spot seismic denoising
KAUST(阿卜杜拉国王科技大学)
地震资料中的噪声来自许多源并且不断地演变。使用有监督的深度学习程序对地震数据集进行去噪通常会导致性能不佳:这是由于缺乏无噪声的现场数据作为训练目标,以及合成数据集和现场数据集之间的特征差异很大。自我监督的盲点网络通常通过直接在原始的噪声数据上进行训练来克服这些限制。然而,这种网络通常依赖于随机噪声假设,即使存在最小相关噪声,其去噪能力也会迅速下降。从盲点扩展到盲罩可以有效地抑制特定方向上的相干噪声,但不能适应噪声不断变化的特性。为了抢占网络预测信号的能力,并减少其学习噪声属性的机会,我们提出了一个初始的,监督训练的网络在一个简单生成的合成数据集之前,微调在一个自我监督的方式对感兴趣的领域数据集。考虑到峰值信噪比的变化,以及减少的噪声量和观察到的信号泄漏,我们说明了使用监督基础训练的权重初始化自监督网络的明显好处。这进一步得到了现场数据集测试的支持,其中微调网络在信号保留和降噪之间取得了最佳平衡。最后,使用不切实际的、简单生成的合成数据集进行监督基础训练包括许多好处:仅举几例:需要最少的先验地质知识,大大降低了数据集生成的计算成本,以及如果记录条件发生变化,则降低了重新训练网络的要求。
2022-09-25 cs.LG physics.geo-ph
Acoustic Impedance Prediction Using an Attention-Based Dual-Branch Double-Inversion Network
针对单分支半监督阻抗反演难以提取高频弱信号且受地震子波不确定性限制的问题,提出融合注意力、双分支双重反演与自适应子波拟合正演算子的 ADDIN-I,并在合成及实际数据中验证其优越性能。
2024-08-05 physics.geo-ph
Deploying Self-Supervised Learning for Real Seismic Data Denoising
COPPE Federal University of Rio de Janeiro(里约热内卢联邦大学Coppe分校);CENPES, Petrobras(石油公司CENPES)
本文评估了NaC方法在真实地震数据去噪中的性能,发现合成白高斯噪声不足,需考虑实际噪声特性,自监督微调提升SSL性能。
2026-05-11 cs.AI cs.CV cs.LG
SeisCoDE: 3D Seismic Interpretation Foundation Model with Contrastive Self-Distillation Learning
针对地震解释依赖人工、数据稀缺的问题,提出融合地震信号处理与属性分析的三维自监督预训练框架SeisCoDE,通过对比自蒸馏学习无标注表征,泛化性优于传统监督UNet,为地震解释基础模型应用提供新路径。
2025-06-17 physics.geo-ph
Structure Label Prediction Using Similarity-Based Retrieval and Weakly-Supervised Label Mapping
最近,人们对各种监督机器学习技术产生了极大的兴趣,这些技术可以帮助减少人工解释工作流程所消耗的时间和精力。然而,大多数成功的监督式机器学习算法都需要大量带注释的训练数据。为大地震体获得这些标记是一项非常耗时和费力的任务。我们解决这个问题,提出了一个弱监督的方法来预测各种地震结构的标签。通过让解释器为每一类地下结构选择非常少量的示例图像,我们使用一种新的基于相似性的检索技术来提取数千个包含来自地震体的类似地下结构的图像。通过假设相似的图像属于同一个类,我们为这些图像获得了数千个图像级标签;我们在结果部分验证了这一假设。然后,我们引入了一种新的弱监督算法,将这些粗糙的图像级标签映射到更准确的像素级标签中,这些标签可以定位图像中不同的地下结构。这种方法极大地简化了获得标记数据的过程,用于在地震解释任务中训练监督机器学习算法。使用我们的方法,我们从荷兰近海F3区块生成了数千个自动标记的图像,这些图像具有相当准确的像素级标签。我们相信这项工作将使机器学习支持的地震解释取得更多进展。
2019-05-16 eess.IV physics.geo-ph
High-resolution closed-loop seismic inversion network in time-frequency phase mixed domain
针对时域地震反演频带捕获有限、薄层与弱反射储层分辨率不足的问题,提出TFP-CSIN,融合Bi-GRU、CNN及频域、相位域约束,实现高分辨率闭环双向反演。
2024-08-09 physics.geo-ph
Encoding the Subsurface in 3D with Seismic
本文提出基于MAE-ViT的自监督生成式AI方法处理3D叠后地震数据,实现地震特征语义分类与3D插值,利用开源数据集验证了技术潜力。
2024-03-20 physics.geo-ph
Semi-supervised Sequence Modeling for Elastic Impedance Inversion
Georgia Institute of Technology(佐治亚理工学院)
机器学习算法在地震领域的最新应用在不同领域(如地震反演和解释)显示出巨大的潜力。然而,这样的算法很少执行地球物理约束-缺乏地球物理约束可能导致不期望的结果。为了克服这个问题,我们已经开发了一个半监督序列建模框架的基础上,递归神经网络的弹性波阻抗反演从多角度地震资料。具体地,地震道和弹性阻抗(EI)道被建模为时间序列。然后,使用包括卷积和递归神经层的基于神经网络的反演模型来反演用于EI的地震资料。建议的工作流程使用测井数据来指导反演。此外,它使用地震正演建模来正则化训练,并作为反演的地球物理约束。建议的工作流程实现了98%的估计和目标EI之间的平均相关性,使用10个测井曲线上的合成数据集进行训练。
2019-08-19 cs.LG eess.SP physics.geo-ph
Self-Supervised Delineation of Geological Structures using Orthogonal Latent Space Projection
Center for Energy and Geo Processing (CeGP)(能源与地理处理中心(CeGP));King Fahd University of Petroleum and Engineering (KFUPM)(法赫德国王石油与工程大学(KFUPM))
我们开发了两个机器学习框架,可以帮助自动化地震体积的岩石地层解释,而无需经验丰富的地震解释员进行任何手动标记。第一个框架是一个无监督的层次聚类模型,将地震图像从一个体积到一定数量的集群所确定的算法。聚类框架使用密度和分层技术的组合来确定聚类的大小和同质性。第二个框架由一个自监督深度学习框架组成,用于标记地震图像中的地质兴趣区域。它将编码器-解码器架构的潜在空间投影到两个正交的子空间,从中学习描绘地震图像中的感兴趣区域。为了演示这两种框架的应用,将地震体聚类成各种连续的聚类,基于不同的地震模式从其中选择四个聚类:层位、断层、盐丘和混沌结构。来自所选簇的图像用于训练编码器-解码器网络。编码器-解码器网络的输出是振幅反射事件属于感兴趣的地质结构的可能性的概率图。使用概率图描绘结构。描绘的图像进一步用于后训练分割模型,以将我们的结果扩展到全垂直部分。垂直剖面上的结果表明,我们可以将地震体分解成相应的结构分量。最后,我们展示了我们的深度学习框架可以建模为属性提取器,并将我们的属性结果与文献中的各种现有属性进行了比较,并展示了具有竞争力的性能。
2021-08-22 cs.LG physics.geo-ph
Unsupervised Learning of Full-Waveform Inversion: Connecting CNN and Partial Differential Equation in a Loop
Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室);The Pennsylvania State University(宾夕法尼亚州立大学);Michigan State University(密歇根州立大学);Microsoft Research(微软研究院)
本文研究了全波反演(FWI)的无监督学习,该方法已广泛应用于地球物理学中,根据地震数据估计地下速度图。该问题在数学上由二阶偏微分方程(PDE)表示,但很难求解。此外,获取速度图是极其昂贵的,使得扩大监督方法以利用卷积神经网络(CNN)训练从地震数据到速度图的映射是不切实际的。我们通过将PDE和CNN集成在一个循环中来解决这些困难,从而将范式转移到只需要地震数据的无监督学习。特别地,我们使用有限差分来近似PDE作为可微算子的正演模拟(从速度图到地震数据),并通过CNN来模拟其反演(从地震数据到速度图)。因此,我们将有监督的反演任务转换为无监督的地震数据重建任务。我们还引入了一个新的大规模数据集OpenFWI,为社区建立一个更具挑战性的基准。实验结果表明,我们的模型(仅使用地震数据)产生相当的精度监督对应(使用地震数据和速度图)。此外,当涉及更多的地震数据时,它优于监督模型。
2022-03-18 cs.LG eess.SP physics.geo-ph
Explainable Artificial Intelligence driven mask design for self-supervised seismic denoising
KAUST(阿卜杜拉国王科技大学)
针对自监督地震相干噪声压制依赖噪声统计先验的问题,本文利用无偏置网络的 Jacobian 矩阵自动设计盲掩码,实现无需干净标签和先验知识的全自动去噪,并在合成与野外数据中验证有效。
2023-07-13 cs.AI physics.geo-ph
Light-weighted foundation model for seismic data processing based on representative and non-redundant pre-training dataset
针对地震数据稀缺与大模型计算成本高的问题,本文提出轻量级 SPFM,通过 GDM 增强、降维聚类和分层抽样构建代表性数据集,并采用 Mamba 架构,在四类任务上以四块 A800 GPU 预训练即超越传统方法。
2025-03-13 physics.geo-ph
Semi-supervised Learning for Acoustic Impedance Inversion
深度学习在地震领域的最新应用在反演和解释等不同领域显示出巨大的潜力。一般来说,深度学习算法需要大量的标记数据来进行适当的训练。为了克服这个问题,我们提出了一个基于卷积和递归神经网络的声阻抗反演的半监督框架。具体地,地震道和声阻抗道被建模为时间序列。然后,基于神经网络的反演模型,包括卷积和递归神经层被用来反演地震数据的声阻抗。所提出的工作流程使用测井数据来指导反演。此外,它利用学习的地震正演模型来正则化训练,并作为反演的地球物理约束。所提出的工作流程使用20个AI迹线进行训练,在估计的弹性阻抗和目标弹性阻抗之间实现了98%的平均相关性。
2019-05-31 eess.IV eess.SP physics.geo-ph
ContrasInver: Ultra-Sparse Label Semi-supervised Regression for Multi-dimensional Seismic Inversion
College of computer science and technology, China University of Petroleum (East China)(中国石油大学(华东)计算机科学与技术学院);Department of Automation, University of Science and Technology of China(中国科学技术大学自动化系);College of Intelligence and Computing, Tianjin University(天津大学智能与计算学院)
本文提出 ContrasInver 半监督回归框架,通过 MSG、RGT 与 IVP 三项技术,仅用两三条测井曲线实现多维地震反演,并在 SEAM I、Netherlands F3 和 Delft 上验证其先进效果。
2023-07-17 cs.CV physics.geo-ph
Ensemble Deep Learning for enhanced seismic data reconstruction
本文提出一种双分支U-net集成深度模型及自监督训练方法,通过数据变换放大弱事件、交叉倾角和高频等代表性不足特征,在合成与实际地震数据上实现了优于传统U-net的缺失道重建精度,但训练时间增加为三倍。
2024-04-03 physics.geo-ph
CDDIP: Constrained Diffusion-Driven Deep Image Prior for Seismic Image Reconstruction
针对地震数据缺失道影响后续处理且现有深度学习重建方法存在泛化与耗时问题,提出结合预训练扩散模型与深度图像先验的CDDIP方法,提升重建鲁棒性并大幅减少推理采样步数。
2025-01-14 physics.geo-ph
Transformer for seismic image super-resolution
College of Instrumentation and Electrical Engineering, Jilin University(吉林大学仪器科学与电气工程学院)
本文提出 SIST 一步完成地震图像去噪、插值和频率外推,融合 Swin-Transformer 与边缘掩膜、跳跃连接以提升分辨率和振幅保持。
2024-08-03 physics.geo-ph
Constructive Reuse of Free-Surface Ghost Wavefields in Marine Seismic Data: A Propagation-Based Framework
Arc Geo Support Co., Ltd.(Arc Geo Support有限公司);Kyoto University(京都大学)
该研究基于海洋地震采集和处理的进展,提出基于传播的框架,将分离的虚波场作为有意义分量建设性复用。通过自适应预测分解等方法推导并扩展公式,经现场数据验证可改进反射器连续性等,为传统技术提供补充并优化观测信息。
2026-11-13 physics.geo-ph
Noise Suppression for CRP Gathers Based on Self2Self with Dropout
针对地震 CRP 道集缺少干净标签的问题,本文提出自监督 SSDCN,结合 Bernoulli 采样、Dropout 与正常时差校正提取信号自相似性,实现高保真噪声压制。
2024-08-05 physics.geo-ph
Deep learning for low frequency extrapolation of multicomponent data in elastic full waveform inversion
全波形反演(FWI)在很大程度上依赖于一个准确的起始模型。这在弹性区域中尤其如此:由于短S波波长,与声学FWI相比,弹性FWI中的跳周现象更严重。在本文中,我们扩展了我们的工作外推FWI(EFWI)的建议,合成多分量弹性地震记录的低频,并使用这些“人工”的低频种子的弹性FWI的频率扫描。我们的解决方案涉及深度学习:我们在两个训练数据集上分别训练相同的卷积神经网络(CNN),一个具有粒子速度的垂直分量,另一个具有粒子速度的水平分量,以外推弹性数据的低频。该CNN的架构通过大卷积核或扩张卷积设计有大的感受野。对Marmousi 2模型的数值算例表明,由4 Hz以上的有限带宽数据外推得到的2- 4 Hz低频数据为纵、横波速度的弹性FWI提供了良好的初始模型。此外,我们研究了所提出的神经网络在不同的物理模型的泛化能力。对于弹性测试数据,通过弹性模拟收集训练数据集显示出比声学模拟更好的外推精度,即,更小的泛化差距。
2020-12-31 physics.geo-ph
Seismic Bayesian evidential learning: Estimation and uncertainty quantification of sub-resolution reservoir properties
我们提出了一个框架,使估计低维次分辨率储层属性直接从地震资料,而不需要解决一个高维地震逆问题。我们的工作流程基于贝叶斯证据学习方法,并利用学习地震资料和储层性质之间的直接关系来有效地估计储层性质。我们开发的理论框架允许将非线性统计模型用于地震估计问题。使用近似贝叶斯计算进行不确定性量化。借助一个估算次分辨率薄砂岩储层中储层净总饱和度和平均流体饱和度的综合实例,展望了无监督和监督学习方法在地震估算问题中的适用性。最后,我们通过使用三维叠前地震资料估计来自海上三角洲数据集的亚分辨率薄砂岩储层中储层净对总的后验不确定性来证明我们的方法的有效性。
2019-05-14 physics.geo-ph stat.ML
Electrical and seismic refraction methods: fundamental concepts, current trends, and emerging machine learning prospects -- A review
本文综述了电法与地震折射方法的基本概念和当前趋势,重点探讨机器学习在ERT与SRT联合分析中的应用及其对地下调查的改进作用。
2025-04-02 physics.geo-ph
StorSeismic: A new paradigm in deep learning for seismic processing
King Abdullah University of Science and Technology(阿卜杜拉国王科技大学)
地震数据上的机器学习任务通常是顺序和单独训练的,即使它们利用数据的相同特征(即几何特征)。我们提出StorSeismic,作为地震数据处理的框架,它包括神经网络预训练和微调程序。具体而言,我们利用神经网络作为预处理模型来存储特定数据集的地震数据特征以用于任何下游任务。在预训练之后,所得到的模型可以稍后通过微调过程来使用,以使用有限的额外训练来执行任务。BERT(Bidirectional Encoder Representations from Transformer)是一种Transformer模型的形式,经常用于自然语言处理(NLP),最近用于视觉任务,为该框架提供了最佳平台。BERT的注意力机制,在这里应用于炮集内的一系列道,能够捕获和存储地震数据的关键几何特征。在自我监督步骤中,我们根据现场数据以及综合生成的数据对StorSeismic进行预训练。然后,我们使用标记的合成数据以监督的方式微调预训练的网络,以执行各种地震处理任务,如去噪、速度估计、初至拾取和动校正。最后,使用微调后的模型对现场数据进行推理,得到了满意的结果。
2022-04-30 cs.LG eess.SP physics.comp-ph
SeparationPINN: Physics-Informed Neural Networks for Seismic P- and S-Wave Mode Separation
本文提出基于物理信息神经网络的无监督波场分离方法SeparationPINN,无需标签数据即可在均匀和非均匀介质中高效准确分离地震P波和S波。
2025-04-10 physics.geo-ph
A generative foundation model for an all-in-one seismic processing framework
Division of Physical Science and Engineering(物理科学与工程学院);King Abdullah University of Science and Technology(阿卜杜拉国王科技大学)
提出基于生成扩散模型的生成式地震基础模型GSFM,通过合成数据预训练与迭代微调策略,统一解决去噪、插值等多任务地震处理挑战,在提升计算效率与泛化能力的同时实现不确定性量化。
2025-02-03 cs.AI physics.geo-ph
Direction-Aware Masked Pretraining on 3D Seismic Data with Transfer to Cross-Area Acoustic Impedance Inversion
State Key Laboratory of Deep Oil and Gas, China University of Petroleum (East China)(中国石油大学(华东)油气藏地质与开发国家重点实验室);College of Computer Science and Technology, China University of Petroleum (East China)(中国石油大学(华东)计算机科学与技术学院)
针对三维地震数据,提出方向感知掩码自编码器,通过各向异性分块与沿道掩码提升表示学习,在跨区域声波阻抗反演中较传统方法降低归一化均方根误差20.8%。
2026-09-29 physics.geo-ph
Poststack Seismic Data Preconditioning via Dynamic Guided Learning
提出一种双过程动态训练方法,结合动态数据库与神经风格迁移策略,有效克服传统叠后地震数据预处理对预定义分布的依赖,显著提升模型在未知噪声域的泛化能力与适应性。
2025-02-02 physics.geo-ph
Coherent noise suppression via a self-supervised blind-trace deep learning scheme
相干噪声经常困扰地震记录,导致从下线处理和成像任务中获得的产品中的伪影和不确定性。深度学习在自然和医学图像去噪方面的出色能力最近刺激了神经网络在地震资料去噪背景下的大量应用。大多数此类方法的局限性在于,深度学习过程是有监督的,并且需要干净(无噪声)的数据作为训练网络的目标。盲点网络最近被提出来克服这一要求,允许直接在有噪声的现场数据上进行训练,作为随机噪声的强大抑制器。一个仔细的适应盲点的方法允许扩展到相干噪声抑制。在这项工作中,我们扩展了盲点网络的方法,以创建一个盲跟踪网络,成功地消除了跟踪相干噪声。通过广泛的综合分析,我们说明了去噪过程的鲁棒性,以不同的噪声水平,以及不同数量的噪声道内炮集。结果表明,该网络可以准确地学习,以抑制噪声时,高达60%的原始轨迹是嘈杂的。此外,所提出的程序上实现的Stratton 3D字段数据集,并恢复以前损坏的直接到达。我们对盲点网络的自监督、跟踪噪声抑制的适应可能会导致其他用例,例如抑制井场活动、过往船只或附近工业活动产生的相干噪声。
2022-06-01 physics.geo-ph
Efficient Upside-Down Rayleigh-Marchenko Imaging through Self-Supervised Focusing Function Estimation
针对倒置瑞利-马尔琴科(UD-RM)成像中聚焦函数估计计算成本高的问题,提出基于U-Net的自监督方法,用少量预计算样本训练后直接预测全区域聚焦函数,在保证成像质量的同时大幅降低计算量,经合成数据和Volve油田实际数据验证有效。
2025-07-29 physics.geo-ph
Meta-Processing: A robust framework for multi-tasks seismic processing
本文提出Meta-Processing框架,通过元学习获得通用网络初始化,仅用少量数据即可快速适应去噪、插值等多种地震处理任务,显著提升收敛速度与预测精度。
2023-09-20 physics.geo-ph
Deep-learning inversion: a next generation seismic velocity-model building method
Harbin Institute of Technology(哈尔滨工业大学)
地震波速度是地震勘探中最重要的参数之一。精确的速度模型是逆时偏移和其他高分辨率震波成像技术的关键前提。这种速度信息传统上是通过层析成像或全波形反演(FWI)得到的,这是耗时且计算昂贵的,并且它们严重依赖于人的交互和质量控制。我们研究了一种基于监督式深度全卷积神经网络(FCN)的新方法,用于直接从原始地震记录中建立速度模型(VMB)。与基于物理模型的传统反演方法不同,监督式深度学习方法基于大数据训练,而不是先验知识假设。在训练阶段,网络建立从多炮地震资料到相应速度模型的非线性投影。在预测阶段期间,训练好的网络可用于从新输入的地震资料估计速度模型。深度学习方法的一个关键特征是,它可以自动提取多层有用的特征,而无需人工策划的活动和初始速度设置。数据驱动的方法通常在训练阶段需要更多的时间,而实际预测所需的时间更少,只需要几秒钟。因此,一旦建立了良好的广义网络,地球物理反演(包括实时反演)的计算时间就可以大大减少。通过使用合成模型的数值实验,我们所提出的方法显示出良好的性能与传统的FWI相比,即使输入数据是在更现实的情况下。还讨论了深度学习方法,训练数据集,缺乏低频,以及新方法的优点和缺点。
2019-02-17 cs.LG eess.SP physics.geo-ph
RECOVAR: Representation Covariances on Deep Latent Spaces for Seismic Event Detection
Bogazici University(博阿齐奇大学)
本文提出无监督地震检测方法RECOVAR,利用深度自编码器与互协方差触发算法从原始波形中学习检测地震,性能媲美甚至优于部分监督方法,并具备强跨数据集泛化能力。
2026-11-17 cs.LG physics.geo-ph stat.ML
Self-supervised surface-related multiple suppression with multidimensional convolution
提出基于多维卷积和两阶段训练策略的自监督框架,无需标签即可压制面波相关多次波,有效保留一次反射波并提升成像质量。
2025-05-01 physics.geo-ph
Hearing the forest for the trees: machine learning and topological acoustics for remote sensing with seismic noise
University of Arizona(亚利桑那大学);University of Alaska, Fairbanks(阿拉斯加大学费尔班克斯分校)
利用机器学习和拓扑声学分析地震噪声,实现对森林的持续监测,准确率86%,识别关键频率范围,提供环境变化的稳健解决方案。
2026-02-10 physics.data-an physics.geo-ph
OBSTransformer: A Deep-Learning Seismic Phase Picker for OBS Data Using Automated Labelling and Transfer Learning
针对深度学习拾取器在OBS数据上性能下降的问题,本文通过多拾取器自动标注构建OBS数据集并迁移学习EqTransformer,提出OBSTransformer,显著提升远距P/S震相召回率与抗噪鲁棒性。
2023-06-07 physics.geo-ph
GNSS-FM: A Self-Supervised Foundation Model for Daily GNSS Displacement Time Series
Institute of Geodesy and Photogrammetry, ETH Zurich(大地测量与摄影测量研究所,苏黎世联邦理工学院);ETH AI Center(ETH人工智能中心)
提出GNSS-FM自监督基础模型,通过双流输入和掩码潜在预测预训练,在位移预测和地震阶跃定位任务上优于强基线。
2026-06-05 cs.LG physics.geo-ph
High-resolution velocity model estimation with neural operator and the time-shift imaging condition
King Abdullah University of Science and Technology(阿卜杜拉国王科技大学)
针对地震速度反演的欠定问题,提出融合神经算子与时滞逆时偏移的高分辨率建模框架,通过监督学习实现直接映射,在合成与实际数据上均优于传统多尺度FWI,且计算效率极高。
2025-10-02 physics.geo-ph
Efficient wave type fingerprinting and filtering by six-component polarization analysis
我们提出了一种技术,自动分类的波类型的地震相位记录在一个单一的六分量记录站(测量平移和旋转地面运动的三个组件)在地球表面。我们利用了这样一个事实,即每种波类型都会在传感器的六分量运动中留下独特的“指纹”。该指纹可以通过执行数据协方差矩阵的特征分析来提取,类似于常规的三分量偏振分析。为了分配一个波类型的指纹提取的数据,我们比较分析得出的六分量偏振模型,是有效的纯状态平面波到达。为了有效分类,我们利用支持向量机的监督机器学习方法,该方法使用数据独立的,分析导出的六分量偏振模型进行训练。这使得能够以完全自动化的方式对地震相进行快速分类,即使对于大数据量,例如在陆地地震勘探或环境噪声地震学中遇到的。一旦波的类型是已知的,额外的波的参数(速度,方向性,和椭圆率)可以直接从六分量偏振态提取,而不需要诉诸昂贵的优化算法。我们说明了我们的方法的好处,各种真实和合成数据的例子,如自动相位拾取,混叠地面滚动抑制在陆地地震勘探的应用,并快速接近实时提取的表面波散曲线从单站记录的环境噪声。此外,我们认为,波型分类的初始步骤是必要的,以成功地应用从旋转和平移运动的组合测量提取相速度的常见技术。
2022-12-22 physics.geo-ph
Robust data driven discovery of a seismic wave equation
本文提出 D-WE 方法,通过预训练神经网络、遗传算法和物理信息准则,从时空波场数据中自动发现波动方程结构及系数,并在含噪稀疏数据上验证了其鲁棒性。
2023-09-24 physics.geo-ph
A hybrid approach to seismic deblending: when physics meets self-supervision
King Abdullah University of Science and Technology(阿卜杜拉国王科技大学)
为了限制与地震资料的采集相关联的时间、成本和环境影响,在最近几十年中,相当大的努力已经投入到所谓的同时激发采集中,其中震源以彼此之间的短时间间隔激发。因此,源自连续炮点的波在地震记录中纠缠在一起,产生所谓的混合数据。为了处理和成像的目的,必须检索每个单独拍摄产生的数据。这个过程称为去混合,是通过求解一个严重欠定的反问题来实现的。传统的方法依赖于将混合噪声渲染成突发状噪声的变换,同时保留感兴趣的信号。然后应用压缩感测类型正则化,其中针对感兴趣的信号假设在某个域中的稀疏性。选择的域取决于采集的几何结构和所选域内地震资料的性质。在这项工作中,我们引入了一个新的概念,包括嵌入一个自我监督去噪网络到即插即用(PSTO)框架。介绍了一种新颖的网络,其设计扩展了[28 ]的盲点网络架构,用于部分相干噪声(即,在时间上是一致的)。然后,在Pestrian算法的每个步骤中,直接在有噪声的输入数据上训练网络。通过利用问题的基本物理特性和我们的盲点网络的强大去噪能力,所提出的算法表现出优于行业标准方法的性能,同时在计算成本方面具有可比性。此外,独立于采集几何,我们的方法可以很容易地应用到海洋和陆地数据,而无需任何显着的修改。
2022-05-30 cs.LG eess.SP physics.geo-ph
An AI-assisted conditioning and geological interpretation workflow for usage in implicit geological modeling
TNO Netherlands Organisation for Applied Scientific Research(荷兰应用科学研究组织);Fraunhofer IEG, Fraunhofer Institution for Energy Infrastructures and Geotechnologies(弗劳恩霍夫能源基础设施与地热技术研究所)
本研究在Horizon Europe项目中开发AI辅助地震数据解译工具包,通过自监督对比学习CNN降噪及半自监督层位断层解译,加速隐式建模,并在荷兰三维地震数据中成功验证。
2026-10-08 cs.AI cs.LG physics.geo-ph
A Deep Learning-based time shift objective function for Full Waveform Inversion
KAUST(阿卜杜拉国王科技大学);Shearwater GeoServices(谢沃特地球服务公司)
针对全波形反演(FWI)中逐点差异度量易周期跳跃、DTW可微变体应用受限的问题,提出基于神经网络的时移学习方法,在两个合成数据集上验证了其与SoftDWT相似的收敛性且大幅降低计算时间。
2025-11-11 physics.geo-ph
Deep-pretrained-FWI: combining supervised learning with physics-informed neural network
针对传统速度模型构建方法依赖人工监督、监督学习泛化性差的问题,提出结合监督学习与物理信息神经网络的Deep-pretrained-FWI方法,用小数据集预训练的CNN通过迁移学习启动FWI,可降低不确定性、加速收敛并提升结果。
2022-12-05 physics.geo-ph
Adaptive Self-Supervised Surface-Related Multiple Suppression
Research Center for Computational and Exploration Geophysics(计算与勘探地球物理研究中心);State Key Laboratory of Precision Geodesy(大地测量精度国家重点实验室);King Abdullah University of Science and Technology(阿卜杜拉国王科技大学)
本文提出自适应自监督学习方法,通过动态调整缩放因子提升网络对表面多重幅度变化的鲁棒性,有效抑制多重并保留主反射,提升地下成像质量。
2026-04-29 physics.geo-ph
Propagating the prior from far to near offset: A self-supervised diffusion framework for progressively recovering near-offsets of towed-streamer data
Division of Physical Science and Engineering(物理科学与工程系);King Abdullah University of Science and Technology(国王阿卜杜勒·阿齐兹大学科学与技术学院)
本文提出一种自监督扩散框架,通过递归外推从远到近恢复拖曳线阵数据的近偏移轨迹,无需地面真实数据,提升地震数据处理效果。
2026-02-02 cs.LG physics.geo-ph