Unsupervised Deep Learning for Ground Roll and Scattered Noise Attenuation
Notice bibliographique
Résumé
The attenuation of coherent noise in land seismic data, specifically ground roll and near-surface scattered energy, remains a longstanding challenge. Although recent advances in deep learning have improved signal separation from coherent noise, supervised methods are limited by the necessity for realistic training samples. To circumvent this issue, we propose an unsupervised deep learning approach to attenuate ground roll and scattered energy, eliminating the requirement for training labels. Our method leverages the inherent low-frequency bias of a generator network, which is naturally prone to learn self-similar features during training. This empowers the network to extract the desired component exhibiting self-similarity in the time-space domain, while disregarding unwanted components. Notably, horizontal components in seismic data exhibit pronounced self-similarity. To enhance the self-similarity of ground roll, we apply a linear moveout (LMO) correction to horizontally align it and utilize the generator network for separation. Additionally, for scattered energy attenuation, we employ the generator network to extract flattened reflections after normal moveout (NMO) correction. Our strategy distinctively merges model-driven procedures, specifically NMO and LMO, anchored in the geological velocity model. The synergy between data-driven deep learning and model-driven processes underscores the success of our approach. We demonstrate the validity of our proposed method using both synthetic and field shot data. The field data examples highlight the superior attenuation capabilities of our method, surpassing conventional denoising techniques by effectively reducing both random and coherent noise.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».