基于深度學習的地震資料質量分類

摘要： 高質量的野外高密度三維地震勘探資料是后續資料處理和解釋的基礎，然而傳統的手動或半自動評估地震記錄質量的方式已不能滿足高密度三維地震勘探的效率要求，也無法確定地震記錄的噪聲來源。文中利用深度學習技術，輔以余弦相似度算法，實現自動對地震記錄的質量進行單道分類評估，分別為正常道、強震源干擾道、工業電干擾道、儀器相關問題道（檢波器與大地耦合不良、空道）、弱干擾道以及并道反道共6 類。訓練好的卷積神經網絡在3 秒以內完成單炮地震記錄（超過8000 道）的質量評估，與人工篩選的分類相比精度達到了86%，評價結果客觀，適用于海量地震采集現場的質量監控。文中方法不僅可以快速確定不同噪聲類型或儀器問題的地震記錄位置，提高地震施工效率和質量，還為地震資料品質的分級分區綜合評估提供了重要的研判依據。

關鍵詞： 地震采集，深度學習，質量控制，單道分類

中圖分類號：P631 文獻標識碼：A DOI：10. 13810/j. cnki. issn. 1000-7210. 20240120

0 引言

地震勘探在地質勘測領域扮演著至關重要的角色，它不僅是了解地球內部結構的強大工具，還為資源勘探和災害預警提供了寶貴數據[1-2]。然而，隨著勘探工作的日益復雜化，特別是數據量的迅速增加和勘探環境的多樣性，傳統的手動或半自動評估地震記錄質量的方式顯然已不能滿足要求，嚴重制約了野外施工進展及科學研究的發展。隨著高精度、高密度三維地震勘探技術的出現以及地震采集設備的不斷升級，地震資料現場實時質控技術陸續問世[3-6]，同時多個軟件被研發出來[7-8]。這些進展徹底改變了依靠監視記錄和部分資料抽檢進行人工定性監控的模式。

近年來，隨著三維區塊部署的單炮數據量達到數百兆字節，并且相鄰兩炮激發的時差已縮短至半分鐘（對于井炮）甚至僅有數秒（對于可控震源），傳統的定性質控模式很難有效監控如此海量的地震資料，現有的定量化監控技術和評價軟件也面臨著巨大挑戰。傳統的質量控制方法通過對地震儀器狀態、TB 時差、激發與接收設備及觀測系統等各種性能指標進行限定，實現對整個施工環節的全面監控[9-11]。這類確定性評價模型雖然專注于施工因素的監控，但卻不能充分反映地表、地質、環境以及偶然因素對地震資料的影響，因此并不適用于對單炮記錄品質的評判。地震波形記錄反映了儀器的性能，同時也受到地質環境和噪聲環境的綜合影響。因此，徐雷良等[11]基于主成分分析和隨機森林方法，快速評估了單炮地震波形記錄的質量，滿足了海量地震數據采集現場質控的需求。

在許多情況下，需要快速識別和定位地震記錄中的噪聲來源，比如判斷哪些單道記錄附近存在強干擾源，或者哪些檢波器與大地耦合不良，以及哪些檢波器存在問題。及時定位這些噪聲的來源有助于迅速提高地震施工效率和資料質量。然而，目前的質量控制方法和單炮質量控制模型無法詳細評估每道地震記錄的狀態，并定位噪聲的來源。此外，快速預測不正常道的詳細統計結果與空間分布，可以為地震資料品質的全面綜合評估提供可靠的數據支撐和研判依據。因此，發展新的評估地震記錄質量的分類評估模型對于海量的三維地震勘探施工和數據處理至關重要。

通常來說，地震記錄的非正常道記錄主要由外界噪聲和設備故障導致。這里的噪聲是指與地震信號無關的各種干擾，包括來自地表、設備或環境的人造和自然噪聲。噪聲干擾可能由機械振動、風、水流、交通等因素引起，這些干擾會混入地震記錄，降低數據質量。地震儀器可能存在故障或損壞，比如記錄器故障、電纜損壞等，導致記錄到的地震數據不準確或不完整。另外，地震觀測條件和環境，比如地形地貌、天氣條件、地下水位等，也會對地震數據的采集和質量產生影響。這些因素導致了野外地震資料質量參差不齊，正常道中穿插了不同類型的問題道，比如強震源干擾道、工業電干擾道、脈沖干擾道、反道和并道等。

面對海量地球物理數據的處理與解釋，深度學習（Deep Learning， DL）方法提供了新的思路[12-15]，例如地震資料的去噪[16]、反演[17-18]以及數據處理[19-22]等方面。深度學習方法完全依賴數據驅動，不受物理模型限制，一旦模型訓練完成，便可快速建立起觀測數據到預測參數的映射關系。因此，基于深度學習的地球物理數據處理技術具有極高的效率，能夠為實時數據處理和反演成像提供新手段[12，23]。此外，相較于傳統方法，深度學習方法能夠更加靈活地處理多分量、多類別數據的輸入，減少了預測模型對儀器參數和環境信息的依賴，實現了多尺度信息（ 包括地震、地質、儀器信息等）的綜合輸入和預測。

本文旨在充分利用深度學習技術中的卷積神經網絡框架（Convolutional Neural Networks， CNN），自動對地震記錄的質量進行單道分類評估，主要包括：儀器異常（大地與檢波器耦合不良、空道）、外界噪聲干擾、反道、并道等。其中并道是指多個檢波器排列過近導致波形幾乎一樣的地震記錄道，通常發生于測線兩端。盡管部分儀器狀態異?？梢酝ㄟ^傳統質量控制方法識別出來[10]，然而，不同類型問題道的產生機理各異，且分類繁多，難以區分不同類別之間的信號，例如弱干擾道和正常道在時間域和頻率域特征上具有較好的一致性。同時，部分類別的樣本數量可能極少，無法滿足深度學習從海量樣本中學習特征的要求。針對這一系列挑戰，本文將常見的單道地震記錄簡化為六類進行快速預測，分別為正常道、強震源干擾道、工業電干擾道、儀器問題道、弱干擾道以及并道反道。針對不同的問題特征，采集地震記錄時可以采用不同處理策略進行識別。通過本文方法，勘探人員可以快速確定噪聲來源，及時做出應對策略，提升地震勘探數據的質量和可信度，同時詳細的非正常道統計結果也可以為地震資料品質的綜合評價提供重要的數據支撐，減少質量評估的主觀性，為地震勘探工作后續的資料處理和解釋提供了堅實的基礎。