基于数据增广的CNN用于地震数据重建

摘要：

由于环境和经济约束,实际采集的地震资料往往呈现不规则分布,影响了后续地震数据的处理和解释.基于卷积神经网络(Convolutional Neural Network,CNN)的地震数据重建方法近年来引起广泛关注.该方法无需任何先验假设,从海量训练数据集中自动学习缺失数据到完整数据的映射,取得了良好的重建效果.然而,网络的训练依赖于训练数据.当训练数据集信息不够丰富时,网络泛化性不足,从而影响重建效果.为此,本文提出了一种基于数据增广的CNN地震数据重建方法.网络框架使用经典的Unet网络和Resnet网络.数据增广策略为:从合成数据随机截取的数据块构成训练数据集,通过对地震数据的空间方向多尺度采样、翻转、加噪等数据增广策略,增加样本的特征丰富度.最后,利用增广的数据集训练CNN网络实现重建.合成和实际资料的测试结果表明,所提出的数据增广策略可以有效地提高网络的泛化性.与无数据增广情况下的重建结果相比,信噪比更高.

关键词：地震数据重建;卷积神经网络;数据增广

所属期刊栏目：18

分类号：P631.4

资助基金：地质探测与评估教育部重点实验室主任基金编号.No.GLAB2020ZR13

在线出版日期：2021-09-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：471-478