CycleGAN integration of high-resolution crooked lines into 3D seismic volumes: Enhancing data set resolution on the Loess Plateau, China
Notice bibliographique
Résumé
ABSTRACT The Loess Plateau in China presents a formidable challenge for seismic exploration due to its thick, porous surface loess layers that severely attenuate high-frequency seismic waves, degrading the resolution of conventional 3D acquisition. However, the region’s unique topography, crisscrossed by deep gullies formed through consistent rainfall erosion, provides a natural solution to acquire high-resolution (HR) data. With thin or absent loess cover, these gullies delineate natural pathways ideal for 2D crooked-line seismic surveys, where reduced loess interference preserves high-frequency content. Accordingly, these 2D surveys deliver better resolution than traditional 3D acquisition in the loess-covered areas. Their seismic response distributions are expected to closely resemble those of a hypothetical HR 3D data set unaffected by loess attenuation. Although these localized 2D surveys capture geologically representative HR features, existing methods struggle to extrapolate their high-frequency characteristics to broader 3D volumes, limiting their ability to mitigate loess-induced resolution loss. To bridge this gap, we use a cycle-generative adversarial network under weak supervision to enhance 3D data resolution by leveraging unpaired 2D HR crooked-line data. Specifically, our approach transfers high-frequency features from 2D profiles to 3D volumes processed by conventional swath techniques through a bidirectional cycle structure, enforcing cross-distribution consistency while preserving geologic integrity. Custom loss functions and data augmentation further address spectral mismatches and stabilize training under loess-induced complexity. Synthetic and field experiments demonstrate that our method effectively captures HR characteristics of 2D data and recovers high-frequency content attenuated by loess in 3D data. Our approach achieves improved fidelity and noise robustness compared with traditional spectral whitening and zero-phase spiking deconvolution. This work underscores the untapped potential of integrating spatially sparse but information-rich 2D surveys with modern deep-learning methods to overcome persistent resolution limitations in seismic exploration.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».