揭示力量：从粗量化地震数据中高效恢复反射率

《IEEE Transactions on Geoscience and Remote Sensing》：Unveiling Strength: Efficient Recovery of Reflectivity From Coarsely Quantized Seismic Data

未来油气勘探技术需更模块化、自动化。地震勘探产生海量数据，无线传输受限，故需低剖面采集方法。研究采用分段式深度神经网络结合低比特量化（8位）恢复反射率，在保持0.96相关系数的同时将32位数据降维，减少98%数据量，且无需噪声统计假设，适用于实时处理，优于现有方法。

　　

摘要：

未来的石油和天然气勘探技术应当更加模块化、多功能、适应性更强、可扩展且自动化程度更高。然而，地震勘探每天都会产生大量的数据。尽管如此，通过资源有限的无线介质传输地震数据仍然是一个主要挑战。因此，对于地震检波器和数据融合中心来说，采用一种低功耗的数据采集方法至关重要。这种方法有助于减少数据融合中心的数据拥堵并缓解存储需求。地震数据集通常以32位浮点精度进行采集；但在处理之后，会恢复出稀疏的反射率序列以提高分辨率。因此，可能不需要高精度的量化，较低精度和较少比特数的量化就足够了。为此，本研究采用基于段的深度神经网络（DNN）结合低比特数均匀量化来恢复反射率，从而有效减少野外采集的地震数据量。所提出的技术支持离线DNN训练，可以实时应用。由于该方法不依赖于对噪声或地震信号固有统计特性的假设，因此适用于各种类型的地震数据。与其他变换域方法不同，该方法在时域中运行，非常适合在数据融合中心快速诊断数据质量。最后，将所提出的方法与现有的最先进方法进行比较时，显示出显著的重建效果。特别是，该方案能够将32位（43亿级别）量化降低到8位（256级别），同时保持约0.96的标准化相关度指标。

引言

地震检波器用于记录由天然地震（被动地震）或人工源（主动地震）产生的地震数据。采集到的地震数据会被传输到现场的数据融合中心进行处理和存储。