面向地震波初至智能拾取的超分辨率深度殘差方法研究

針對常規語義分割網絡在初至拾取中存在精度低、泛化能力差等問題，基于 U-Net網絡，結合殘差學習模塊和亞像素卷積方法，構建了一種超分辨率深度殘差網絡的初至智能拾取方法(SD-Net)。該方法使用具有跳躍連接的 U 型網絡融合地震數據的多尺度信息，端到端的訓練方式簡化工作。首先，在 SD-Net 的下采樣階段引入殘差學習模塊，克服深層網絡退化問題，有效提高對地震數據的學習能力；其次，上采樣階段采用亞像素卷積方法，通過卷積和多通道間像素重組實現特征圖超分辨率重建，更高精度定位初至；另外，利用遷移學習將模型應用于中、低信噪比模擬數據，僅需少量標注數據即可訓練得到最優初至拾取模型。實際算例表明：與 U-Net 方法相比，SD-Net 訓練效率明顯提高；網絡模型具有更高準確率和魯棒性；遷移學習模型預測的結果驗證了 SD-Net 具有較強的泛化能力；該方法對實際生產中實現高效、準確的初至智能拾取具有重要意義。