基于自相似谱推理网络的地震数据抗混叠高效重建方法研究

针对地震数据重建中的谱混叠难题，中国科学院研究人员提出了一种无监督的自相似谱推理网络(SSRN)。该方法通过挖掘地震图像局部间和跨分辨率的自相似特性，在频域实现抗混叠重建，在Model94和Mobil Avo等数据集上验证了其优越性能，为高缺失率地震数据重建提供了新思路。

　　

地震数据重建是油气勘探中的关键环节，但受环境和经济限制，采集到的数据常存在缺失道问题。传统方法如基于变换域(傅里叶/曲波)、预测滤波和秩降解法虽有一定效果，但面临参数敏感、线性假设局限等问题。近年来深度学习虽取得进展，但监督方法依赖完整数据，而无监督方法如DSP(Deep Seismic Prior)易受噪声干扰导致混叠。更棘手的是，常规缺失(各炮集缺失位置相同)情况下，现有CNN因局部感受野特性难以捕捉全局关联。

针对这些挑战，中国科学院团队在《Engineering Applications of Artificial Intelligence》发表研究，提出自相似谱推理网络(SSRN)。该创新方法基于地震数据在局部区域间和跨分辨率尺度上的自相似特性，通过频域学习实现抗混叠重建。关键技术包括：1) 局部自相似模块(Local Self-similarity Module)挖掘不同区域谱特征相似性；2) 多分辨率自相似模块(Multi-resolution Self-similarity Module)捕捉跨尺度相似模式；3) 傅里叶单元实现全局混叠消除。测试采用Model94合成数据集(277炮集，480道)和Mobil Avo Viking实际数据。

【Deep seismic prior】
对比DSP方法使用U-Net处理高斯噪声输入，SSRN通过谱域学习显著提升抗混叠能力。实验显示DSP重建结果受随机初始化影响较大。

【Basic method】
定义N个炮集数据x₁至x_N∈R^N×n_t×n_r，SSRN利用傅里叶变换分解叠置波场，通过卷积算子识别谱域自相似模式。

【Datasets】
在Model94数据集(480道，2000时间样本)和Mobil Avo实际数据中，SSRN对常规缺失重建的PSNR比DSP提升2.3dB，且能处理高达70%的缺失率。

【Conclusion】
研究表明，SSRN通过谱域自相似学习有效解决了CNN在x-t域难以捕捉全局信息的局限。其创新性体现在：1) 首个将局部间和跨分辨率自相似结合的无监督方法；2) 频域操作规避空间域混叠问题；3) 模块化设计可扩展至其他地震处理任务。该成果为高缺失地震数据重建提供了新范式，尤其在勘探成本受限区域具有重要应用价值。

讨论部分强调，SSRN的鲁棒性源于地震数据谱特征的高度相关性，未来可结合物理约束进一步提升性能。该工作为深度学习在地球物理领域的应用开辟了新方向。