深度學習在地震初至拾取中的應用綜述

高新成，杜功鑫，王莉利，李 強，柯 璇

(1.東北石油大學 現代教育技術中心，黑龍江 大慶 163318;2.東北石油大學 計算機與信息技術學院，黑龍江 大慶 163318;3.東北石油大學 地球科學學院，黑龍江 大慶 163318)

0 引 言

靜校正是地震勘探過程中至關重要的一部分，而初至波的拾取效果決定了靜校正的好壞[1]。傳統初至拾取方法主要包括能量比法(孫淑琴等，2009；Coppens等，2010；秦寧等，2014；陳金煥等，2015；張凱等，2018)、小波振幅比法(王國富等，2015)、地震道瞬時強度比法(張偉等，2009)、分形法(Boschettiet等，1996；曾富英等，2002；左國平等，2006)、沿地震道分形維法(張琪等，2019)、互相關估計地震道相對時差法(林凡生等，2017)以及能量比迭代法(許銀波等，2015)等。但是這些傳統方法都存在明顯缺陷，如在高信噪比或非水平地層情況下，這些方法的拾取效果不佳。

隨著人工智能技術的迅速發展，計算機硬件不斷提高，使得深度學習再次受到人們的追捧和探索，嘗試將深度學習算法應用到各行各業。該文通過深入研究當前基于深度學習算法的地震初至拾取方法，對比分析常用深度學習算法在地震初至拾取中的應用效果，討論總結深度學習在地震初至波拾取中存在問題和應用前景，為提高初至波拾取的效率與精度提供一些嶄新的方向。

1 傳統地震初至拾取方法

1.1 長短時均值比法

STA/LTA法，又稱能量比法，是通過計算短時間窗口和長時間窗口內的能量信號平均值之比(即噪聲信號和地震信息振幅差異)進行初至拾取[2]，見圖1(a)。Ambuter等[3](1976)提出簡單識別地震震相；Allen(1978)提出長短時均值比法，此后Alle[4](1982)又提出以特征函數作為STA/LTA法的輸入，提高對幅度和頻率變化的靈敏度；張軍華等[5]提出將小波變換和能量比法相結合來拾取初至時間；葉根喜[6](2008)提出運用時間窗均值比法進行初至拾取。STA/LTA法計算簡單、計算速度快，但依賴依據人為經驗預先設定的閾值，以及在低信噪比情況下拾取效果不佳。

(a)長短時均值法

1.2 AIC初至拾取法

AIC方法，又稱統計學方法，是根據極大似然原理和信息論推導出的一種初至拾取方法，見圖1(b)。在地震數據資料中，地震信號和噪聲信號的特性差異性較大，導致在微地震信號和噪聲交界點處，兩種信號的擬合度最差(最小平方統計)，此時求得的AIC值最小，即對應地震信號初至時刻[7]。Maeda等[8](1985)利用上述原理創新提出不利用AR模型得到AIC值方法；張軍華等(2002)將AIC法和小波分解相結合，極大地提高了對低信噪比信號的拾取效率，有效地壓制了噪聲信號；王洪超等[9](2017)簡化了AIC法的計算公式，提高拾取速度。但是，AIC法依賴時窗的選取，只有當選取合適時窗時才能得到好的拾取結果。

1.3 偏振分析法

地震能量信號一般可表示為三分量，即x,y,z。因為地震信號和噪聲信號的運動軌跡有著巨大的差異，可以由此對其三分量進行分析計算以達到拾取的目的[10]。1965年，Flinn等[11](1965)首先提出在偏振分析中加入協方差矩陣；Moriya等[12](1996)提出通過對地震信號三分量數據進行傅里葉變換來拾取初至；Du等[13](2000)嘗試使用多階窗函數解決地震信號時間頻域的局部矛盾，朱衛星等[14](2010)改良了該理論，實現自適應極化濾波，改善了拾取效果；李健等[15](2014)為提高偏振分析質量，改善方位角估算的準確性，在偏振分析的基礎上增加信號檢測頻帶。但是，偏振分析法在低信噪比情況下拾取效果不佳。

2 深度學習在地震初至拾取中的應用

2.1 基于卷積神經網絡(CNN)的應用

2.1.1 殘差神經網絡(ResNet)

為了提高初至拾取的效率和精度，帥威、王君等[16](2019)提出基于殘差神經網絡的地震初至拾取方法，對不同地表的地震初至數據進行訓練，建立初至拾取網絡模型。浦義濤等[17](2019)提出將殘差神經網絡應用于地震初至拾取，以不同地形、不同震源類型的地震數據為數據集，進行標簽化處理，識別學習不同標簽的訓練集，逐步提高網絡對初至波的識別能力和網絡的泛化能力，并對比分析傳統初至拾取方法。此外，借鑒ResNet在圖像去噪中的應用，陳沅忠等[18](2020)以U-Net為主體框架，并引入殘差網絡結構用以提高網絡的抗噪能力。

對于具有兩寬一高、面積大特點的地震數據，基于ResNet的拾取方法在拾取精度上達到90%以上(除個別異常點)，拾取效率和準確度優于STA/LTA法和傳統神經網絡，并且可以提升網絡抗噪能力。但還存在一定不足，比如網絡模型層數非常深、對原始數據集需進行復雜的預處理等問題，具有較大的改進空間，可以考慮和其他網絡結構(如U-Net、GAN等)進行優點結合，形成新的網絡，該方法具有較高的研究意義和研究價值。

2.1.2 全卷積神經網絡(FCN)

李輝峰等[19](2006)和牛沛琛等[20](2007)提出一種基于邊緣檢測的拾取方法，將地震數據先灰度處理，再二值化處理，最后在對獲得的二值圖像進行邊緣檢測。在此基礎上，劉佳楠等[21](2018)結合初至波的特點，將初至波看成二分類問題，運用FCN拾取初至波。通過對地震勘探資料進行解析獲得地震共炮數據集并對數據進行標注歸一化處理，將訓練集放入FCN中進行訓練學習，對比分析不同層數的FCN，獲得性能最佳的FCN結構(4layer)。再對比分析基于FCN(4layer)與市場地震數據處理軟件TomoPlus的拾取效果。

基于二值圖像邊緣檢測的初至拾取方法與傳統方法相比計算量小，抗噪能力強，提高了檢測效率，但是當初至波與背景噪聲的邊界很模糊時，拾取的效果就很差，而且圖像處理技術對于二值化閾值的要求很高。在此基礎上，基于FCN的初至拾取方法在高噪聲情況下拾取率方面比商業軟件TomoPlus效果更好，并且在低噪聲情況下在擬合度方面比商業軟件TomoPlus效果更好。但是，目前國內研究者較少，參考文獻較少，更多的是研究基于FCN延伸出的U-Net的拾取方法。

2.1.3 U型完全卷積網絡(U-Net)

為克服在復雜近地表條件下地震初至波數據所具有的能量弱、信噪比低、相位變化劇烈等問題，Hu等[22](2019)提出基于U-Net的初至波到時拾取，將其描述為二值分割問題，利用一組地震波形數據及其對應的初至時間對U-Net進行訓練，利用訓練后的模型對一個合成數據集和三個低質量的野外數據集進行驗證。張逸倫等[23](2020)提出基于U-Net的多道聯合微地震震相初至拾取方法，利用深度學習自動特征提取能力，根據井中微地震數據特點，構建U-Net網絡進行初至拾取。該方法不僅可以學習單道內的數據特征，還可以自適應地學習道間震相的波形相似特征。丁建群等[24](2020)提出基于U-Net的初至波拾取方法，引入常規卷積與孔洞卷積的交錯的方法，實現初至波的分割與準確定位方法，并且在學習前進行高斯去噪等一系列數據處理，降低深度學習的特征識別難度。吳雨鑫[25](2020)將初至拾取看作圖像分割問題，并使用U-Net網絡作為訓練框架，合成需要的帶標簽的初至拾取訓集，并對損失函數做了修改，結合圖像梯度，增大了初至部分的權重，使模型的訓練更聚焦于初至的部分。

通過對U-Net網絡結構進行優化或與其他結構特點結合，提高網絡的訓練效率。如楊雙瑜等[26](2020)利用Dense Block優化U-Net網絡層深，構建MS-Net。此網絡既具備U-Net全卷積網絡“端對端”精細化識別的能力，能夠對任意微地震輸入信號在保留輸入空間位置信息的同時實現逐采樣點地“端對端”精細化輸出；又保留Dense-Net網絡對深層特征的捕獲能力，更好地實現低信噪比微地震信號信噪可辨。李薇薇等[27](2021)通過改進U-Net結構(U-Net++)，提出一種基于U-Net++的初至波拾取方法。將原始地震數據及少量初至時間的標簽數據放入U-Net++進行監督學習，用西部某工區地震數據對建立的U-Net++進行測試，將其拾取結果與目前主流商業軟件以及基于U-Net模型拾取結果進行對比分析。張逸倫等[28](2021)基于深度學習技術的自動特征提取能力，并根據井中微地震觀測系統的多道數據源特點，提出基于U-Net的多道聯合震相識別和初至拾取方法(MT-Net)。該方法以具有不同信號特征的多道微地震監測記錄作為輸入，以P波、S波及噪聲的概率分布標簽作為輸出，采用具有“逐采樣點”識別能力的U-Net模型，設置二維卷積操作使得道內與道間的波形信息同時被自適應地學習。

此外，為了解決基于U-Net的初至拾取方法中制作標簽耗時費力、數據預處理過程繁瑣、網絡結構過于復雜等問題，陳德武、楊午陽等[29](2020)結合U-Net與SegNet網絡的優點，提出一種新的網絡模型U-SegNet，并且運用到初至拾取中。U-SegNet模型中的上采樣過程是參考U-Net模型，用反池化層代替反卷積層，加快模型收斂速度；參考SegNet模型，在其解碼器網絡的反卷積層之前加入跳躍連接信息，提高模型性能。最后選取最優U-SegNet結構層數，對比分析最優層U-SegNet和商業軟件的拾取效果。除此之外，陳德武、楊午陽等[30](2021)還針對傳統的地震波初至拾取方法對低信噪比資料拾取精度較低、算法的魯棒性較差等缺點，對U-Net網絡結構進行改進，將U-Net網絡結構中的跳躍連接改為包含多個卷積塊的殘差連接，減小了網絡結構中融合的兩個圖像特征的差異，并使用自動拾取的小尺寸訓練和測試樣本，并對比分析了改進的U-Net網絡模型(ResConnU-Net)和商業軟件的拾取效果。

基于U-Net的初至拾取方法只需少量標記數據進行學習，就能自適應地識別不同的初至時間，無論是在初至峰值還是在初至低谷，可以克服能量弱、信噪比低、相位變化劇烈等問題。但根據不同情況，人們又考慮可不可以對U-Net網絡結構進行優化或與其他結構特點結合，更好地提高不同震源下的初至波拾取準確率。于是就有了MS-Net、U-Net++、MT-Uet、U-SegNet、ResConnU-Net等模型出現，并且都取得了不錯的成果。基于U-Net及其優化模型的拾取方法，目前國內研究者居多，可以與很多模型進行優點結合，具有很好的研究意義。

2.2 基于深度信念網絡(DBN)的應用

為解決微弱信號在低信噪比中拾取準確率低的問題，鄭晶等[31](2018)提出基于S變換和深度信念神經網絡的地震波到時拾取方法，對原始數據進行S變換，提高小樣本的識別效率，將經過S變換的數據放入受限玻爾茲曼機進行無監督預訓練，得到網絡模型參數的初值，通過誤差反向傳播來微調網絡參數，構建最終的深度信念神經網絡模型。利用測試數據對訓練之后的DBN與STA/LTA法進行對比分析，對DBN網絡的準確率進行大樣本測試，獲取準確率的統計分析結果。

基于DBN的初至拾取方法，模型結構設計簡單，實現便捷，拾取效率高于STA/LTA法。對于含噪數據，該方法的拾取準確率可以達到90%以上，具有較好的拾取精度和魯棒性。此外，通過利用S變換對原始數據進行預處理，可以豐富時域原始信號時頻特征，有效的提高DBN網絡預測的精度，但是，該方法的參考文獻很少，當遇到無方向可選時，可以考慮選擇此方法。

2.3 基于生成對抗神經網絡(GAN)的應用

地震記錄初至拾取質量往往受限于地震數據的復雜性，在陸地和淺海地震數據中尤為明顯。為了更高效地拾取初至波，周創、居興國等[32](2020)構建了一種適用于地震數據初至拾取的深度卷積對抗神經網絡(DCGAN)，在對地震數據進行能量均衡等預處理后，選取初至時刻后含波峰的半波長數據作為初至特征加入訓練，將預處理后的地震數據與初至數據用于生成器與判別器的訓練，直到得到網絡結構的最優參數。用山地地震數據進行初至拾取實驗與STA/LTA法、AIC法進行對比分析，驗證該方法的有效性。薛東等[33](2021)提出基于現有地震初至波拾取方法和成果，生成地震訓練數據樣本，通過機器學習算法優化組合、自主特征學習，建立適合吉林探區地質特征的地震初至波拾取的深度學習方法和模型，使用對抗神經網絡異常初至修正算法，生成對抗網絡包括生成器和判別器，將原始數據作為輸入，訓練生成器生成初至，再訓練判別器，對生成的初至進行判別準確與否，交替訓練兩個GAN網絡直至生成的初至被判別器認為是準確的初至，智能地自動識別和修正異常初至，有效提高了拾取初至的準確度和效率。

基于GAN的拾取方法具有一定可行性，可以利用GAN網絡智能地識別和修正異常初至，能保證較高的精度，比傳統方法拾取效果好，滿足生產需要。因此，該方法有著很高的研究意義和研究價值。

2.4 基于深度遞歸網絡(RNN)的應用

對于不同信噪比的地震資料數據，傳統的拾取算法的拾取效率和精度低并且無法避免人工修改參數，為解決該問題，Jing Zheng等[34](2018)提出基于深度遞歸神經網絡的初至拾取算法，為獲得不同信噪比的數據集，在原始數據集中隨機加入噪聲，將到達選擇任務轉換為序列標記任務，通過時間誤差反向傳播算法對模型進行訓練以更新權重參數，然后用梯度下降法對整個網絡參數進行優化，并用RNN建立一個串行注釋模型，最后將原始波形信號輸入到一個線性網絡模型中，模型輸出一個初至時間明顯的特征向量。并對比分析RNN模型與STA/LTA方法。余楊等[35](2019)針對波形初至拾取任務，充分利用地震數據的序列性，借助序列標注的思想，提出了一個基于深度遞歸神經網絡的拾取模型。以序列數據為輸入，對序列數據實現降維并利用序列標注得到波形初至的大致到時，利用大致波形初至到時切分波形，并將傳統拾取方法應用于切分出的波形數據，從而精確拾取波形初至到時。郭銳等[36](2019)針對實際采集的井中微地震三份量信號，在設計訓練樣本集的基礎上，最終采用卷積層與循環神經網絡相結合的混合網絡模型。引入循環神經網絡，提高了各接收器到時拾取的相關性，通過將約束引入訓練目標，進一步降低了到時拾取的誤差。張全敏[37](2021)為解決低信噪比微震初至波的自動拾取問題，提出基于長短時記憶網絡(LSTM)的微震初至拾取算法。利用卷積運算對原始振幅數據提取相關特征，然后將其輸入到長短時記憶網絡中進行訓練，利用長短時記憶網絡完成對時序數據關系的學習，接著用Softmax層完成各點的分類，生成一個與輸入數據等長的標注序列，首次出現標簽1的采樣點即為P波初至到時點。

基于RNN的拾取方法通過引入RNN，提高各接收器的相關性，結合地震數據的序列性，提高拾取精度，具有較高的選擇精度和魯棒性。此外，還可以結合一種特殊的RNN模型——LSTM，完成對時序數據關系的學習，通過分類得到初至點。該方法基于RNN，隨著RNN的快速發展和大量運用，也具有較好的研究價值。

3 結束語

隨著人工智能時代的到來，地震研究學者不斷探索利用先進的機器學習方法推動地震勘探的發展，逐步開展將深度學習技術與地震初至波拾取應用相結合研究，該文通過對比分析深度學習中CNN、DBN、GAN和RNN等網絡模型在地震初至波拾取中的應用效果，大致討論了各個方法的存在問題和研究意義。對于未來的研究方向，個人意見如下：

(1)基于CNN的拾取方法中，U-Net具有最大的研究價值，只需少量的標記數據進行學習，就能自適應地識別不同的初至時間，并且可以考慮的方向很多，比如對U-Net本身做改進、和其他網絡結構(如SegNet、ResNet等)優點結合以及和地震數據特點結合做改進等。ResNet和FCN也可作為考慮對象，尤其是ResNet可以提高網絡的抗噪能力，但也存在一定的局限性。

(2)基于DBN、GAN、RNN的拾取方法中，GAN和RNN具有較大的研究意義，使用GAN修正異常初至，使用RNN提高各接收器的相關性，并且還可以充分考慮結合數據的序列性，有效提高拾取精度和效率。至于基于DBN的方法運用較少，僅提供一種思路。

(3)基于深度學習的地震初至拾取方法可以有效解決地震初至波數據所具有的能量弱、信噪比低、相位變化劇烈、傳統的拾取算法的拾取效率和精度低等一系列問題，提高拾取效率和精度，增強抗噪能力。