基于卷積對抗降噪網絡的塔里木盆地沙漠地震資料消噪方法研究

董新桐， 鐘鐵， 王洪洲， 吳寧， 李月*， 楊寶俊

1 吉林大學儀器科學與電氣工程學院， 長春 130026 2 南方海洋科學與工程廣東省實驗室(湛江)， 湛江 524000 3 東北電力大學通信工程系， 吉林 132012 4 吉林大學通信工程學院， 長春 130012 5 吉林大學地球探測與信息技術學院， 長春 130026

0 引言

在塔里木盆地獲取的沙漠地面地震資料中，有效信號往往受到大量低頻噪聲(主要包括面波和隨機噪聲)的干擾，這些噪聲嚴重影響沙漠地震資料的質量.沙漠地震資料通常信噪比(Signal-to-Noise Ratio，SNR)較低(Zhong et al., 2015; 李光輝和李月, 2016; Dong et al., 2019).這一現象的成因主要包括三方面：其一，沙漠地區較為空曠，風的強度較大，因此風成隨機噪聲的能量較強(Li and Li, 2016；Dong et al., 2019)；其二，沙粒之間的疏松空隙容易形成較強的低頻面波干擾；其三，地表沙層能夠吸收有效信號的部分能量.因此實際沙漠地震資料表現為“強干擾、弱信號”，整個記錄的SNR較低.此外，在沙漠地震資料中，有效信號、隨機噪聲以及面波的主頻分別主要分布于10～25 Hz、0～20 Hz以及0～15 Hz (Zhong et al., 2015; Feng et al., 2020; Zhao et al., 2020)；顯然，有效信號與低頻噪聲之間存在嚴重的頻譜混疊.沙漠地震資料的低SNR以及嚴重頻譜混疊給其消噪工作帶來了較大的困難.

針對地震資料的消噪問題，國內外專家提出了許多有效的方法(胡天躍, 2002; 王典等, 2006; 宋維琪和張宇, 2017; 高好天等, 2021)，具有代表性的包括帶通濾波器，時頻峰值濾波(金雷等, 2005; 林紅波等, 2011)，F-X反褶積(Harris and White, 1997; Gülünay, 2017)，小波變換(Chen et al., 2014; Mousavi et al., 2016；曾靖雯等, 2018)，shearlet變換(Kong and Peng, 2015)，radon 變換(Sabbione et al., 2015)，curvelet變換(袁艷華等, 2013; Naghizadeh and Sacchi, 2018)，經驗模態分解(Bekara and van der Baan, 2009)，奇異值分解(Bekara and Van der Baan, 2007; 桑雨等, 2014; Feng and Li, 2021)，主成分分析(王權海和苗放, 2011)，字典學習(Beckouche et al., 2014)，中值濾波(Bonar and Sacchi, 2012)等.這些方法已經被成功運用于實際油田生產，但它們也存在一定的局限性.例如帶通濾波器難以在共享頻帶中實現信噪分離(Dong et al., 2019)；經驗模態分解在處理低SNR的地震資料時會出現模態混疊現象(Feng and Li, 2021)；小波變換、shearlet變換、curvelet變換等稀疏變換方法受限于閾值函數的選取，不合適的閾值函數會導致有效信號的衰減以及噪聲的殘留(董新桐等, 2019).由于沙漠地震資料的低SNR以及嚴重的頻譜混疊，常規方法對其難以奏效，我們急需探索針對其有效的噪聲壓制方法.

生成對抗網絡(Generative Adversarial Network，GAN)是一種基于博弈論的經典深度學習網絡(Goodfellow et al., 2014; Li et al., 2021).現階段，GAN主要用于數據增強任務，即通過少量真實數據來“偽造”大量接近于真實數據概率分布的虛假數據(Li et al., 2021).具體來說，生成器擬合虛假數據來欺騙鑒別器，而鑒別器嘗試去判定虛假數據的真假.在兩者不斷的對抗訓練過程中，生成器的“偽造”能力和判別器的判定能力均明顯增強.受GAN對抗思想的啟發，我們發現沙漠地震資料的噪聲壓制任務可以視為一個利用含噪記錄“偽造”去噪記錄的過程.由于目標的改變，我們利用降噪器替代原來的生成器；通過降噪器與鑒別器的對抗訓練，實現降噪器參數最優化，進而建立含噪記錄與去噪記錄之間的最優映射關系(Zhang et al., 2017; Dong et al., 2019).我們將該網絡命名為沙漠地震卷積對抗降噪網絡(Desert Seismic Convolutional Adversarial Denoising Network, DSCA-Net).在DSCA-Net中，我們將降噪器的均方誤差(Mean Square Error, MSE)損失和對抗損失相結合，并通過平衡因子確定兩種損失的最優權重，進而構建一種新的損失函數來優化DSCA-Net的網絡參數.利用損失函數最小化以及梯度反向傳播獲取針對沙漠地震資料的去噪模型，利用該模型預測含噪沙漠地震資料中的有效信號.模擬與實際實驗均表明本文提出的DSCA-Net可以有效地壓制沙漠低頻噪聲并完整恢復有效信號，進而為后期的反演與解釋工作提供高質量數據支撐.

1 DSCA-Net基本原理

GAN是由Goodfellow等于2014年提出.如圖1所示，GAN包含一個生成器和一個鑒別器.將真實數據xreal以及噪聲干擾輸入到生成器中，生成器輸出與xreal概率分布較為接近的虛假數據xfake；鑒別器用來判定xfake的真假.在對抗訓練中，生成器嘗試運用xfake來欺騙鑒別器，而鑒別器嘗試去區分xreal和xfake.經過不斷的對抗訓練，生成器“偽造”數據的能力以及鑒別器的判定能力均顯著增強.最終鑒別器將判定xfake為真，這說明生成器生成的虛假數據xfake極其接近與真實數據xreal.

圖1 GAN基本原理Fig.1 The basic principle of GAN

圖2 DSCA-Net基本原理Fig.2 The basic principle of DSCA-Net

沙漠地震記錄的噪聲壓制過程可以視為利用含噪記錄來“偽造”去噪記錄的過程.圖2為DSCA-Net的基本原理.首先，鑒別器學習理論純凈地震記錄的概率分布.然后，我們將理論純凈地震記錄與實際沙漠低頻噪聲輸入到加法器中得到模擬含噪沙漠地震記錄，通過降噪器獲取去噪后的地震記錄.最終，利用鑒別器判定去噪地震記錄的真偽.顯然，理論純凈地震記錄、實際沙漠低頻噪聲以及去噪地震記錄可以分別類比圖1中的xreal、Noise以及xfake.在去噪器和鑒別器之間的不斷對抗過程中，去噪器的去噪表現以及鑒別器的判定能力均不斷增強.最終，鑒別器判定去噪后的沙漠地震記錄為真，這表明去噪后的沙漠地震記錄極其接近于理論純凈地震記錄，去噪器性能優異.反之，若判定為假，則通過誤差反向傳播進一步優化去噪器參數.

2 DSCA-Net網絡結構及其去噪原理

2.1 網絡基本結構

如圖3a所示為DSCA-Net的降噪器基本結構.降噪器由多個卷積層(Convolution Layer，Conv)、批標準化層(Batch Normalization Layer，BN)以及線性整流單元(Rectified Linear Unit，ReLU)依次相連而成.Conv對含噪數據進行不斷的卷積運算，提取數據的高維特征(Dong et al., 2019; 李海山等, 2020; Feng and Li, 2021)，其基本功能如公式(1)所示：

c=w*x+b，(1)

其中c和x分別表示卷積層的輸出和輸入；w和b分別表示網絡參數：權重和偏置.BN的主要功能是控制每個稀疏塊(Conv+BN+ReLU)的輸入分布大致相同，進而有效避免梯度彌散現象并加快網絡的收斂速度(Ioffe and Szegedy, 2015; Zhang et al., 2017)，其基本原理如公式(2)—(5)所示：

(2)

(3)

(4)

圖3 DSCA-Net基本結構(a) 降噪器結構； (b) 鑒別器結構.Fig.3 The basic architecture of DSCA-Net(a) The architecture of denoiser； (b) The architecture of discriminator.

bi=γai+β,(5)

其中ai和bi分別表示BN的輸入和輸出；B表示批標準化尺寸；η為一個極小的常數，其主要功能是避免分母為0；γ和β為可學習參數，可學習參數、權重以及偏置的優化均是通過梯度反向傳播實現的.ReLU是一種常用的激活函數，其基本功能如公式(6)所示：

f(r)=max(0,r),(6)

其中max表示最大值函數；r表示ReLU的輸入.

DSCA-Net的鑒別器結構如圖3b所示.鑒別器由多個Conv和泄露線性整流單元(Leaky Rectified Linear Unit，L-ReLU)組成.L-ReLU的基本原理如公式(7)所示：

f(l)=max(0,l)+leak×min(0,l),(7)

其中l表示L-ReLU的輸入；min為最小值函數；leak為一個較小的常數，本文取0.01.

2.2 去噪基本原理

如公式(8)所示，含噪沙漠地震記錄可以視為有效信號與低頻噪聲的線性疊加(Beckouche and Ma, 2014; Dong et al., 2019; 王琪琪等, 2020)：

y=s+n,(8)

其中y、s、n分別表示含噪地震記錄、有效信號以及低頻噪聲.如公式(9)和(10)所示，降噪器通過殘差學習(He et al., 2016; Zhang et al., 2017; Dong et al., 2019)的策略建立含噪地震資料與噪聲數據的端到端映射關系，進而通過減法獲取相應的去噪地震資料.公式(9)和(10)為：

(9)

(10)

為了優化映射G，實現網絡參數θ的最優化，我們將MSE損失與降噪器和鑒別器之間的對抗損失相結合.MSE損失函數如公式(11)所示：

(11)

其中LMSE表示MSE損失函數；‖.‖F表示Frobenius 范數；G(yi,θ)表示當輸入為yi時候，降噪器的輸出；si為網絡的標簽數據(即理想輸出).

MSE損失函數是一種基于采樣點的損失函數，它更加注重數據的細節特征而不是整體特征.受GAN基本思路的啟發，我們采用鑒別器對降噪器進行半監督學習，進而實現網絡參數θ的進一步優化.鑒別器和去噪器之間的對抗損失是一種交叉熵，其基本原理如公式(12)所示：

(12)

其中LAd(D,G)表示對抗損失；p1和p2分別為理論純凈地震記錄與去噪地震記錄的概率分布；D表示鑒別器對應的映射；E表示數學期望.

由公式(11)可知，隨著映射G的不斷優化，MSE損失函數誤差不斷減小；由公式(12)可知，隨著去噪后地震記錄的概率分布p2越來越接近理論純凈地震記錄的概率分布p1，對抗損失誤差不斷增大.因此為了獲取較好的去噪結果，去噪器嘗試最小化LMSE，而鑒別器嘗試最大化LAd(D,G).綜上，去噪器和鑒別器之間的對抗訓練可以表述為：

(13)

根據公式(13)，我們構建如公式(14)所示的新的損失函數：

LDSCA-Net=LMSE+λLAd(D,G),(14)

其中LDSCA-Net為新的損失函數；λ為平衡因子，其主要用于平衡兩種損失誤差，同時減弱對抗損失的不穩定性對整體網絡的影響，使網絡訓練更易于收斂.λ具體數值的選取請參考“3.2網絡參數選取”.MSE損失主要考慮基于采樣點的數據細節信息，對抗損失則主要考慮數據整體的概率分布信息，LDSCA-Net將兩種損失進行有機結合，進一步提升映射的精度.

3 網絡訓練及參數選取

3.1 訓練集構建

DSCA-Net是一種有監督的深度學習方法，它需要大量的高真實性訓練數據來優化網絡參數.DSCA-Net的訓練集包括一個信號集和一個噪聲集.對于信號集，我們首先通過改變物理參數構建多個速度正演模型，具體物理參數的范圍如表1所示；然后通過多種類型不同主頻的人工地震子波激勵、聲波方程模擬以及有限差分法計算得到多幅理論純凈地震記錄；利用60×60(采樣點個數×采樣點個數)的滑動窗從這些記錄中隨機截取10000個信號片，這些信號片經幅值歸一化共同組成了DSCA-Net的信號集.為了便于理解，我們在圖4中給出了利用其中一個速度正演模型中獲取對應信號片的具體過程.

對于噪聲集，我們從實際沙漠低頻噪聲記錄(該記錄在沙漠環境中無震源條件下獲取)截取7000個60×60的低頻隨機噪聲片；同時從實際沙漠共炮點記錄中截取2000個60×60面波片.這9000個噪聲片經幅值歸一化共同組成DSCA-Net的噪聲集.

圖4 信號集構建基本流程Fig.4 The basic flow of signal set construction

表1 信號集構建中正演模擬物理參數設置Table 1 The setting of physical parameters in forward modeling

3.2 網絡參數選取

DSCA-Net的主要參數設置如表2所示.下面我們著重介紹如何確定平衡因子λ的值.

我們首先通過正演模擬的方法得到多個純凈地震記錄，然后在這些純凈記錄中加入實際沙漠低頻噪聲獲得多個模擬含噪沙漠地震記錄；然后利用λ值不同的LDSCA-Net來訓練網絡，得到多個去噪模型.利用這些去噪模型來處理含噪地震記錄，通過計算平均SNR提升以及平均均方根誤差(Root Mean Square Error，RMSE)降低來確定最優的η.SNR和RMSE的定義如公式(15)和(16)所示：

表2 DSCA-Net網絡參數設置Table 2 DSCA-Net network parameter settings

(15)

(16)

其中N表示采樣點的個數；x(n)和xd(n)分別表示理論純凈記錄以及去噪后的記錄.SNR和RMSE是兩種衡量去噪表現的常用參量，較大的SNR表明去噪算法對于噪聲壓制較為徹底；較小的RMSE則表明去噪算法能更好地保護有效信號的幅值.表3為不同λ對應的平均SNR提升以及RMSE下降，當λ為0.03的時候，平均SNR提升與RMSE降低是最大的，因此本文將λ設置為0.03.

表3 不同λ對應的平均SNR提升以及RMSE降低Table 3 The average SNR increases and RMSE decreases corresponding to different λ

3.3 服務器配置以及網絡訓練流程

本文所采用的服務器配置如下：E5-2600 v4處理器、Windows 10系統64位操作系統、64 GB內存、雙NVIDA GeForce GTX 1080顯卡.接下來，我們詳細介紹DSCA-Net的詳細訓練流程：

(1)我們將信號集作為先驗信息輸入到鑒別器中，鑒別器學習理論純凈地震記錄的概率分布.

(2)從信號集和噪聲集中隨機選取一個有效信號片和一個噪聲片.兩者的和作為降噪器的輸入；噪聲片作為降噪器的標簽數據.

(3)通過映射G，降噪器輸出去噪后的數據，將該數據送入鑒別器中判定真假.

(4)計算誤差(公式(14)中損失函數的值)，并將誤差通過梯度下降法進行反向傳播，通過優化器Adam調整網絡參數.

(5)重復步驟(1)—(4)，公式(14)中的損失函數的值趨于穩定.在對抗訓練的過程中，降噪器“偽造”去噪記錄的能力不斷增強；鑒別器區分降噪資料和純凈資料的能力也不斷增強.

(6)經過70個訓練周期，鑒別器判定去噪后的地震記錄為真，我們就可以得到了針對沙漠地震資料的去噪模型，利用該模型就可以預測含噪地震資料中的有效信號，進而實現信噪分離.

4 模擬記錄處理與分析

4.1 去噪結果時域分析與對比

圖5為一個速度正演模型.為了保證測試和訓練的相對獨立，該正演模型與構建信號集所用的正演模型均不相同.在圖5中，黑點代表地震檢波器，黑色倒立三角形代表震源，地震波在不同顏色地層中的傳播速度已在圖中給出.

我們利用主頻20 Hz的雷克子波激發圖5中的正演模型，采用有限差分法計算就可以得到圖6a所示理論純凈地震記錄，該記錄包含常規的雙曲同相軸以及更加復雜的斷軸、交叉軸等.圖6b為實際沙漠低頻噪聲數據(主要為隨機噪聲)，將噪聲數據和理論純凈記錄相加就可以得到圖6c所示的模擬含噪沙漠地震記錄，該含噪記錄的SNR和RMSE分別為-2.53 dB和0.34.在圖6c中，大部分有效信號完全被低頻噪聲淹沒，特別是深部能量較弱的有效信號.

我們分別利用DSCA-Net、小波變換以及F-X反褶積來處理圖6c中的模擬含噪記錄.在小波變換中，我們采用硬閾值函數選取頻域系數，閾值設置為1.5；對于F-X反褶積，最低和最高頻率分別為12 Hz和35 Hz.三種方法的處理結果如圖7a—c所示.如圖7a所示，DSCA-Net可以壓制絕大部分的低頻噪聲，整個記錄SNR的提升肉眼可見；同相軸變得清晰連續，甚至能量較弱的深部同相軸(到時在1.0 s之后)也被恢復出來.相反，如圖7b、c所示，小波變換和F-X反褶積只能壓制部分低頻噪聲，大量殘留噪聲依舊干擾著有效信號；能量較弱的深部同相軸依舊難以觀察.為了量化三種方法的去噪表現，我們在圖7中給出三種方法去噪結果的SNR和RMSE，DSCA-Net對應著最大的SNR和最小的RMSE.

圖5 模擬實驗所采用的正演模型Fig.5 The forward model adopted in synthetic experiment

圖6 模擬含噪地震記錄構建(a) 理論純凈地震記錄； (b) 實際沙漠低頻噪聲； (c) 模擬含噪沙漠地震記錄.Fig.6 The construction of synthetic noisy seismic record(a) Theoretical pure seismic record； (b) Real desert low-frequency noise； (c) Synthetic noisy desert seismic record.

圖7 模擬含噪地震記錄去噪結果對比(a)—(c) 依次為DSCA-Net、小波變換、F-X反褶積的去噪結果； (d)—(f) 依次為DSCA-Net、小波變換、F-X反褶積的差值記錄.Fig.7 The comparison of denoised results of the synthetic noisy seismic record(a)—(c) The denoised results after applying DSCA-Net, wavelet transform, and F-X deconvolution; (d)—(f) The difference records corresponding to DSCA-Net, wavelet transform, and F-X deconvolution.

圖8 F-K譜圖對比(a) 理論純凈記錄的F-K譜圖； (b) 純噪聲記錄的F-K譜圖； (c) 模擬含噪地震記錄的F-K譜圖；(d)、(e)、(f) 依次為DSCA-Net、小波變換、F-X反褶積去噪結果的F-K譜圖.Fig.8 The comparison of F-K spectrum(a) The F-K spectrum of theoretical pure seismic record; (b) The F-K spectrum of pure noise record; (c) The F-K spectrum of synthetic noisy seismic record; (d), (e), (f) The F-K spectrum of the denoised results after applying DSCA-Net, wavelet transform,and F-X deconvolution, successively.

圖9 實際沙漠地震記錄去噪結果對比(a) 實際沙漠共炮點記錄； (b)—(d) 依次為DSCA-Net、小波變換、F-X反褶積的去噪結果；(e)—(g) 依次為DSCA-Net、小波變換、F-X反褶積的差值記錄.Fig.9 The comparison of denoised results of real desert seismic record(a) Real desert common-shot-point record; (b)—(d) The denoised results after applying DSCA-Net, wavelet transform, and F-X deconvolution, successively; (e)—(g) The difference records corresponding to DSCA-Net, wavelet transform, and F-X deconvolution, successively.

能否最大程度地保護有效信號幅度也是衡量不同消噪方法表現的重要指標.為了比較三種方法對于有效信號的保護能力，我們在圖7d—f依次給出三種方法所對應的差值記錄.如果差值記錄中不包含有效信號成分，則證明該方法能夠較好地保護有效信號幅度；反之，該方法在壓制噪聲的同時造成了有效信號幅度的衰減.我們可以發現DSCA-Net的差值記錄(圖7d)最為接近圖6b中的純噪聲記錄，這表明DSCA-Net能夠較好地保護有效信號.相反，小波變換以及F-X的差值記錄(圖7e、f)中包含明顯的有效信號成分，這表明小波變換和F-X反褶積在壓制噪聲的同時破壞了部分有效信號.

4.2 去噪結果頻域分析與對比

接下來我們從頻域的角度分析三種方法的去噪表現.圖8a—f依次為理論純凈記錄(圖6a)，純噪聲記錄(圖6b)，模擬含噪地震記錄(圖6c)以及三種方法去噪結果(圖7a—c)的F-K譜圖.由圖8c可知，有效信號和噪聲在低頻段(10 Hz以下)的混疊較為嚴重.通過觀察，我們可以發現DSCA-Net去噪結果的F-K譜圖(圖8d)與理論純凈記錄的F-K譜圖(圖8a)最為接近；這表明DSCA-Net在噪聲壓制和有效信號保護之間實現了較好的平衡.反觀在小波變換和F-X反褶積去噪結果的F-K譜圖(圖8e、f)存在大量殘留的噪聲，并且部分有效信號也被錯誤地濾除；這表明小波變換和F-X反褶積對于噪聲的壓制并不徹底，同時也造成了有效信號能量的明顯損失.

5 實際記錄處理與分析

圖9a所示為從塔里木地區獲取的實際沙漠共炮點記錄，該記錄的采樣頻率與道間距分別為500 Hz和20 m.在該共炮點記錄中，有效信號受到大量隨機噪聲以及強能量面波的干擾，導致同相軸連續性較差，部分同相軸甚至被完全截斷.我們利用DSCA-Net、小波變換硬閾值以及F-X反褶積處理圖9a中的共炮點記錄，三種方法的去噪結果如圖9b—d所示，相應的差值記錄如圖9e—g所示.在實際記錄處理中，小波變換的閾值為3；F-X反褶積的高低截止頻率分別為10 Hz和35 Hz.

5.1 去噪效果對比

接下來，我們從隨機噪聲壓制、面波壓制、有效信號恢復三個方面來比較三種方法的去噪表現.

如圖9b中的紅框所示，DSCA-Net可以壓制絕大部分的初至前隨機噪聲，去噪后的記錄背景較為干凈；反觀在圖9c、d的紅框中存在大量的殘留的初至前隨機噪聲.在圖9b中的黃框中，DSCA-Net可以壓制大部分的隨機噪聲，同相軸的連續性明顯增強；反觀圖9c、d的黃框，小波變換和F-X反褶積只能壓制少部分的隨機噪聲，同相軸依舊難以識別.綜上DSCA-Net在隨機噪聲方面的表現要明顯優于小波變換和F-X反褶積.

如圖9b中的藍框所示，DSCA-Net可以壓制絕大部分的面波，同相軸變得清晰連續，甚至是被面波完全截斷的同相軸(紅色箭頭所指的同相軸)也被DSCA-Net完整地恢復.相反，在圖9c、d的藍框中，大量殘留的面波依舊干擾的同相軸，同相軸的連續性較差.

整體觀察三種方法的去噪結果，我們發現DSCA-Net去噪結果中同相軸的連續性最好.此外，在DSCA-Net的差值記錄(圖9e)中，我們幾乎無法觀察到有效信號，這表明DSCA-Net造成的有效信號能量損失較少，該方法能夠較好地恢復有效信號.反之，在圖9f、g中白色箭頭所指區域中，我們可以觀察到明顯的殘留同相軸，這表明小波變換和F-X反褶積在壓制隨機噪聲和面波的同時也導致了有效信號幅度的衰減.

5.2 時間成本比較

DSCA-Net的時間成本主要包含訓練時間與測試時間.前者指得是利用損失函數最優化、梯度反向傳播優化網絡參數所需要的時間；后者指得是采用訓練后模型預測有效信號所需要的時間.本文DSCA-Net的訓練時間為14.23 h.顯然，相較其他傳統方法，由于較長的訓練時間，DSCA-Net在時間成本方面處于劣勢.但是針對沙漠地面地震資料，DSCA-Net只需要訓練一次，訓練后的去噪模型可以快速、智能、靈活地處理實際沙漠地面地震數據，避免了參數的手動調節，因此DSCA-Net是一種更加智能化的去噪方法.

接下來，我們只考慮DSCA-Net的預測時間來比較三種方法的時間成本，分別利用DSCA-Net、F-X反褶積、小波變換處理不同尺寸的實際沙漠地震記錄，記錄三種方法的去噪時間.由表4可知，在去噪時間方面，DSCA-Net優于小波變換，劣于F-X反褶積.

表4 三種方法的去噪時間Table 4 The denoising time of the three methods

6 討論

深度學習方法的去噪表現容易受到網絡深度的影響.為了驗證網絡深度對DSCA-Net消噪表現的影響，我們采用去噪器網絡深度依次為12～17的DSCA-Net處理圖6b中的模擬含噪沙漠地震記錄，對應的SNR如表5所示.我們可以發現當網絡深度從12增大至15時，SNR逐漸變大，表明此時隨著網絡深度的增大，DSCA-Net的去噪表現得到提升；當網絡深度從15增大到17時，SNR逐漸變小，此時DSCA-Net出現了過擬合現象.

表5 網絡深度對DSCA-Net去噪表現的影響Table 5 Influence of network depth on the denoising performance of DSCA-Net

7 結論

針對低SNR、有效信號和噪聲頻譜混疊嚴重的沙漠地震資料，本文提出一種基于對抗思想的深度學習方法：DSCA-Net.該網絡以GAN的對抗博弈思想為基礎，將降噪器本身的MSE損失與降噪器、鑒別器之間的對抗損失相結合，同時考慮數據的整體與局部信息，進而實現整體網絡參數的最優化.利用訓練后的模型準確預測沙漠地震資料中的噪聲，最終實現信噪分離.通過模擬與實際實驗，我們可以得出如下結論：

(1)DSCA-Net的去噪表現要明顯優于傳統方法；具體來說，DSCA-Net可以更加徹底地壓制隨機噪聲與面波，同時顯著增強同相軸的連續性.

(2)相比傳統方法，在時間成本方面，DSCA-Net沒有優勢甚至處于劣勢.但是DSCA-Net是一種更加智能的高效率去噪方法，該網絡可利用大量數據的驅動實現網絡參數的優化，避免手動調節網絡參數.

(3)有監督深度學習方法需要大量的高真實性的訓練數據來優化網絡.DSCA-Net采用“模擬正演數據加真實數據”的策略構建訓練集，實驗結果均表明了這種策略的有效性.“模擬正演數據加真實數據”的策略對于其他有監督深度學習方法(Res-Net、DnCNNs、Dense-Net、RED-Net等)在地震資料處理中的應用也具有一定的借鑒意義.