面向地震波初至智能拾取的超分辨率深度残差方法研究

针对常规语义分割网络在初至拾取中存在的精度低、泛化能力差等问题,基于U-Net网络,结合残差学习模块和亚像素卷积方法,构建了一种超分辨率深度残差网络的初至智能拾取方法(SD-Net).该方法使用具有跳跃连接的U型网络融合地震数据的多尺度信息,通过端到端的训练方式简化工作.首先,在SD-Net的下采样阶段引入残差学习模块,克服深层网络退化问题,有效提高对地震数据的学习能力;其次,上采样阶段采用亚像素卷积方法,通过卷积和多通道间的像素重组实现特征图超分辨率重建,以更高精度定位初至;另外,利用迁移学习将模型应用于中、低信噪比模拟数据,仅需少量标注数据即可训练得到最优初至拾取模型.实际算例表明:与U-Net方法相比,SD-Net训练效率明显提高;网络模型具有更高准确率和鲁棒性;迁移学习模型预测的结果验证了 SD-Net具有较强的泛化能力;该方法在实际生产应用中对实现高效、准确的初至智能拾取具有重要意义.