Unsupervised ground-roll attenuation via implicit neural representations
Notice bibliographique
Résumé
ABSTRACT Coherent noise attenuation in land seismic data is particularly challenging, especially when dealing with ground roll. Unlike incoherent noise, ground roll overlaps with reflections in time-space and frequency-wavenumber domains, making it difficult to separate them without distorting the signal. Traditional attenuation methods often struggle with this overlap, leading to a trade-off between preserving the reflections and effectively reducing noise. Recent advances in deep learning offer promising alternatives, but many rely on supervised learning, which requires a substantial amount of paired training data, which is often unavailable in real-world scenarios. Unsupervised approaches, although avoiding the need for labeled data, frequently face issues such as convergence instability and extensive parameter tuning. We develop an unsupervised deep-learning framework for separating reflections from ground roll to address these challenges. Our method leverages the inherent low-frequency bias of implicit neural representations, which emphasizes self-similarity features during training. The network initially learns to represent smoother, flattened events in seismic data before focusing on features with deeper dips and incoherent noise. To enhance the network’s ability to capture the self-similarity of reflections, we apply a normal moveout (NMO) correction to flatten the reflections before using the network to extract these features from the NMO-corrected data. We further incorporate a horizontal derivative regularization term into the loss function. This term penalizes horizontal variations, ensuring a more stable convergence and reducing the burden of parameter tuning, thereby eliminating the need for early stopping. Our approach is validated with synthetic and real land data examples and compared against traditional f-k filtering methods. The results demonstrate its power in effectively attenuating noise while preserving the integrity of seismic reflections.
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 | 0,000 | 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 ».