基于U-Net网络的二维小波域地震数据随机噪声衰减

基于深度学习的地震数据噪声衰减方法比传统去噪方法更加高效,去噪结果具有更高的信噪比。现有基于深度学习的去噪方法通常在时空域对地震数据进行处理,但小波域中有效信号与噪声之间的特征差异更为明显,有利于网络训练学习及噪声衰减。利用二维小波域地震数据的稀疏性和多尺度性,联合二维离散小波变换与U-Net网络,提出了基于U-Net网络的二维小波域随机噪声衰减方法(Dwt-U-Net)。该方法先对地震数据进行二维离散小波变换,再以二维小波系数作为网络输入和输出进行网络训练,获得去噪后的小波系数,最后将该小波系数进行重构得到去噪结果。模拟数据和实际地震数据测试及与不同方法对比结果显示,在不同噪声水平情况下,Dwt-U-Net方法的去噪结果具有更高的信噪比和保真度。此外,相对于传统时空域U-Net网络去噪方法,Dwt-U-Net方法在提高信噪比的同时,网络训练时间减少一半左右。