煤田地质与勘探

作者：韦秀娟, 刘兴业, 周怀来,

关键词：地震随机噪声压制, 深度学习, 卷积神经网络, 状态空间模型, Mamba,

背景地震随机噪声压制是提升地震资料质量的关键环节之一，数据驱动的深度学习方法提供了一种智能解决方案。然而，主流的基于卷积神经网络的随机噪声智能压制方法受限于局部感受野特性，导致去噪过程中局部细节与宏观结构的协同优化不足，进而影响噪声压制精度。广泛应用于全局特征提取的Transformer模型通过自注意力机制能够有效捕获长距离依赖关系，理论上可弥补卷积神经网络在全局建模能力方面的局限性。但其计算慢，资源占用大，应用受限。目的和方法针对上述问题，提出了融合卷积Mamba的地震数据随机噪声压制网络(CMUNet)。基于二维选择性扫描技术(沿水平、垂直双方向遍历输入数据)，通过状态空间方程构建全局动态系统，实现对地震数据时空特征的跨尺度特征提取，借助Mamba模型的硬件感知并行扫描算法降低计算资源消耗，保证去噪效果的同时提升计算效率。针对地震数据的特点，设计卷积-Mamba混合模块，在UNet编码器中构建层次化特征提取路径，即浅层CNN聚焦局部噪声模式识别，深层Mamba捕获大尺度地质结构关联性；进一步引入残差通道注意力门控，强化有效信号与噪声的特征可分性。结果和结论对于合成数据测试，提出的方法相较于UNet在信噪比、峰值信噪比和结构相似性上分别提高了2.4 dB、2.4 dB和0.005 6，表现出对随机噪声的有效压制能力及对有效信号的保护能力。在野外实际地震数据应用中，局部相似性图像分析结果显示较低的局部相似值，进一步印证了该方法对有效信号的损伤程度低，展现出更优的保幅性，具有良好应用前景。

来源：2025年第5期

《煤田地质与勘探》期刊编辑部

查看煤田地质与勘探杂志2025年第5期