基于动态信息感知的大间距缺失地震数据重建方法OA

由于高山、河流等自然条件的限制,地震数据往往会出现连续缺失地震道的现象,从而影响后续的处理工作。基于数据驱动的插值算法对缺失数据进行重建是最经济、有效的方案之一。在处理大间距连续缺失区域时,常规深度学习方法卷积核大小固定、感受野范围内可能无有效信息,且未利用全局其他完整区域特征。文中基于掩码技术标记缺失位置,采用动态扩张卷积基于缺失位置自适应增大感受野,实现动态信息感知。深度学习网络核心模块——掩码指导层,基于交叉相关度指标逐步建立缺失数据与已知数据的全局特征关系,然后通过掩码更新对缺失数据进行渐进式重建。与经典U-Net方法相比,文中方法在26道连续缺失的合成数据及实际资料上,信噪比(SNR)分别提升了2.24 dB和1.89 dB,各项评价指标均显著优于对比方法。该方法能够有效解决地震数据大间距数据缺失的重建难题,为复杂地表条件下的地震资料处理提供了可行的解决方案。