基于卷积降噪自编码器的地震数据去噪

２０２０年１２
月第５５卷　第６期　
＊湖北省武汉市蔡甸区蔡甸街大学路１１１号长江大学地球物理与石油资源学院，４３０１００。

Ｅｍａｉｌ：ｃｗｊｙｃｄ＠１６３．ｃｏｍ本文于２０１９年１１月１１日收到，最终修改稿于２０２０年９月８日收到。

本项研究受国家自然科学基金项目“基于经验模态分解的自由表面多次波衰减方法研究”（４１８０４１４０
）和“碳酸盐岩不同孔隙结构多尺度三维数字岩心建模方法研究”（４１６７４１３６
）联合资助。

·智能地球物理·
文章编号：１０００－７２１０（２０２０）０６－１２１０－
１０基于卷积降噪自编码器的地震数据去噪
宋　辉①②　高　洋③　陈　伟＊①④　张　翔①②
（①油气资源与勘探技术教育部重点实验室（
长江大学），湖北武汉４３０１００；②长江大学地球物理与石油资源学院，湖北武汉４３０１００；③中国石油大学（
北京）ＣＮＰＣ物探重点实验室，北京１０２２４９；④非常规油气湖北省协同创新中心，湖北武汉４３０１００）宋辉，高洋，陈伟，张翔．基于卷积降噪自编码器的地震数据去噪．石油地球物理勘探，２０２０，５５（６）：１２１０－１２１９．摘要　噪声压制是地震勘探中一个长期存在的问题，虽然一些传统方法能够压制数据中的噪声，但存在有效信号丢失、噪声残留等问题。

为此，提出了一种基于卷积降噪自编码器的无监督地震数据去噪算法。

该算法首先对地震数据进行一定程度的随机损坏，然后将损坏后的地震数据输送到编、解码框架。

编码框架负责捕捉地震数据波形特征，据此消除噪声；解码框架能够对特征图进行扩大并恢复地震数据细节信息，从而得到重构的地震数据。

最后，将重构地震数据与原始地震数据之间的误差作为收敛代价进行模型训练。

考虑到地震数据的复杂性与特殊性，在编码和解码阶段使用了多尺度卷积模块提取地震数据特征。

合成数据与实际数据的验算结果表明，该方法在保护地震信号的同时能够有效压制随机噪声、提高地震信号的信噪比。

关键词　无监督学习　卷积神经网络　降噪自编码器　地震数据　去噪
中图分类号：Ｐ６３１ 文献标识码：Ａ ｄｏｉ：１０．１３８１０／ｊ
．ｃｎｋｉ．ｉｓｓｎ．１０００－７２１０．２０２０．０６．００６０　引言
随着油气勘探环境变得愈加复杂，
地震数据在采集过程中受到的噪声干扰也愈加严重［
１］。

地震数据中的噪声可分为两类：
相干噪声和随机噪声。

相干噪声具有一定的波形特征，而随机噪声没有固定的波形特征，与有效信号随机混合在一起，影响高分辨率处理、属性分析、反演等。

噪声压制在地球物理学中是一个经典的问题，已提出了很多方法。

传统的噪声压制方法是基于地震数据的特性，如可预测性、稀疏性等。

基于预测性的去噪方法利用有效信号线性或拟线性生成预测滤
波器提高信噪比［２－
３］，但不能处理非线性地震信号。

基于稀疏变换的去噪方法利用信号在变换域内具有
较好的稀疏性压制噪声，例如小波变换［４－
５］、曲波变换［６－
７］、Ｓｈｅａｒｌｅｔ变换［８－９］等。

由于它们建立在固定的
变换基函数上，因此不能自适应地处理结构复杂的地震数据。

字典学习是一种基于数据驱动的算法，使用可学习的字典代替传统的变换基函数，因此可以自适
应地表示数据［
１０－
１１］。

中值滤波在图像处理中是一种经典的平滑去噪方法，利用信号与噪声之间的统计差
异抑制噪声，常用于地震数据去噪［
１２
］。

以上方法噪声压制效果受限于模型假设和参数设置等因素。

近年来，深度学习在图像处理、语音处理等领域
取得了显著成果［
１３－
１５］。

通过构建多个处理层逐步实现抽象的特征表示，可以完成复杂的分类或预测等
任务［１６－
１９］。

目前，基于标签数据的深度学习方法已经成功应用于地震随机噪声压制［２０］
，根据生成标签
数据的策略，主要可以分为两类：①将传统去噪方法的结果作为标签数据训练神经网络，然后将训练
好的网络模型用于实际地震数据噪声压制［
２１－
２２］；②将创建的合成地震数据作为标签数据训练神经网
络［２３
］，然后将训练好的网络模型用于实际地震数据噪声压制［
２４－
２５］。

第一类方法制作的标签数据并不太准确，因此会影响网络模型的去噪性能。

第二类方法制作的标签数据虽然准确，但是合成数据与实际地震数据差异大，影响网络模型的泛化能力。

基于标签数据的深度学习方法取得了良好的去噪效果，但是在制作复杂而庞大的训练集上也会浪费大量的资源。

因
　第５５卷　第６期宋辉，等：基于卷积降噪自编码器的地震数据去噪
１
２１１ 此，开发不依赖于标签数据的无监督学习方法对于地震数据噪声压制具有重要意义。

为了改善地震数据的噪声压制效果，本文提出了一种基于卷积降噪自编码器的地震噪声压制算法。

该算法基于无监督学习，能够直接从含噪的地震数据中恢复无噪的地震数据，省去了标注数据所需的大量工作。

１　理论
１．１　自编码器
自编码器属于无监督学习，它利用反向传播算法对无标签的输入数据进行重构。

典型的自编码器如图１所示，可以看出它包括两部分：编码框架和解码框架。

编码框架负责将输入数据映射为潜在空间的特征表达，解码框架则负责将特征表达解码为与原始输入数据相近的输出数据。

自编码器的目标是使输出数据尽可能等于其输入数据，但是它不能有效提取地震数据特征。

对于无标签的输入数据，自编码器按以下方式重建输入数据
Ｈ＝ξθ１
（Ｐ）＝σ（Ｗ１Ｐ＋ｂ１）（１
）Ｑ＝ξθ２
（Ｈ）＝σ（Ｗ２Ｈ＋ｂ２）（２
）式中：Ｐ、Ｈ与Ｑ分别为输入数据、
特征表达、输出数据；σ为ｓｉｇｍｏｉｄ激活函数；Ｗ１与ｂ１分别为输入层与隐藏层之间的权重矩阵与偏置；Ｗ２与ｂ２分别
为隐藏层与输出层之间的权重矩阵与偏置；θ１＝［Ｗ１，ｂ１］和θ２＝［Ｗ２，ｂ２］
分别为编码参数和解码参数；ξθ１（Ｐ）和ξθ２
（Ｈ）分别为编码函数和解码函数。

模型训练的目的是为了优化模型参数［θ１，θ２］
，图１　自编码器模型示意图
使重建数据Ｑ与输入数据Ｐ尽可能地接近，即
［θ１，θ２］＝ａｒｇ　ｍｉｎθ１，
θ２
Ｌ　Ｐ，ξθ２［ξθ１（Ｐ｛｝）］（３
）式中Ｌ（·）表示Ｌ２范数，用于衡量Ｑ与Ｐ之间的重构误差。

１．２　降噪自编码器
降噪自编码器是自编码器的一个变体。

与自编码器不同的是，降噪自编码器通过训练损坏的输入数据进行特征学习，其核心思想是提取数据的鲁棒性特征。

典型的降噪自编码器如图２所示，可以看出，降噪自编码器与自编码器对输入层的处理不同，降噪自编码器按照一定的概率将输入节点置０，如果这种损坏的概率为０，降噪自编码器就退化为自编码器。

图２　降噪自编码器模型示意图
为了定性地比较这两种自编码器的学习效果，分别设计了对应的两种自编码器网络，网络层数设置为３，其中隐藏层单元数为６４，并将这两种自编码器输入层与隐层之间的权重矩阵进行可视化，结果如图３所示。

从图３可以看出，自编码器训练后得到的权重是杂乱的，含有大量噪声，而降噪自编码器训练后得到的权重含有明显的结构特征，噪声较弱（这两种自编码器的输入数据均来源于本文实验部分的合成数据，权重尺寸为４８×４８，降噪自编码器的损坏程度为６０％）。

可以看出，降噪自编码器能够提取、编码出具有鲁棒性的特征，具有很强的网络
表达能力。

　石油地球物理勘探２０２０年 １２１２
图３　自编码器（ａ）和降噪自编码器（ｂ）的权重矩阵可视化结果
　第５５卷　第６期宋辉，等：基于卷积降噪自编码器的地震数据去噪
１
２１３ １．３　卷积降噪自编码器
全连接形式的降噪自编码器的输入是一维形式，因此对图像处理存在局限性。

在图像中，局部的像素联系较为紧密，相距较远的像素关联性不大，而全连接神经网络的结构里下层神经元与所有上层神经元都能够形成连接，促使网络学习图像全局结构，忽略了图像的局部相关性，同时造成了参数糅杂。

近年来，卷积神经网络在图像处理方面应用广泛，这归因于它能够通过卷积核捕获原始图像中的局部特征，并且卷积核权重共享，大大减少了参数量。

卷积形式的降噪自编码器在图像处理方面已经取得了不错的效果，但还未被用于地震数据去噪。

本文设计的卷积降噪自编码器如图４所示。

使用３层卷积层和池化层作为编码框架，３层上采样层和卷积层作为解码框架。

在编码框架中，卷积层作为特征提取层，用于捕捉地震数据波形特征，而池化层作为特征压缩层，一方面能够减小特征图的尺寸，降低网络计算量；另一方面能够提取重要的地震数据特征，有效降低噪声成分。

本文将每层卷积层设置２４个卷积核，卷积核的移动步长设置为１。

因此，４８×４８×１的地震数据经过编码框架以后就被压缩为６×６×２４的压缩特征表达。

压缩特征表达保留了地震数据最重要的信息，但是丢失了大量细节信息。

因此，解码框架承担着扩大特征图与恢复地震数据细节信息的任务。

图４　卷积降噪自编码器模型
地震数据的特征复杂，
具有多尺度特征，而单一尺寸的卷积核只能学习到特定尺度的特征。

因此，本文设计了多尺度卷积模块，一个多尺度模块相当于三个卷积核，如图５所示。

多尺度卷积模块就是将不同大小的卷积核构成的网络并联起来，既有效解决了卷积核大小的选择问题，又能够有效捕捉地震数据的复杂特征。

图５　多尺度卷积模块
２　实验
本文使用数据分块的训练方式去噪。

即采用一个固定尺寸的窗口对地震数据进行滑移，窗口按固
定的滑移步长每滑移一次，产生一个样本数据。

窗口尺寸代表了样本数据的尺寸，窗口尺寸一旦确定，滑移步长就决定了样本数据的数量。

首先，分块训练的方式较好地适应了地震数据的关键信息只与局部数据有关，避免了在训练过程中计算资源的浪费；其次，该训练策略会产生大量的样本数据，有利于训练出良好的模型参数。

在本文实验中，将窗口尺寸设置为４８×４８，滑移步长设置为４。

由于无监督学习的性质，本文实验不需要单独的训练集训练模型参数，模型参数的更新是通过对原始含噪数据的自我学习完成，利用早停止原则控制模型训练的结束。

使用合成地震数据与实际地震数据测试本文方
法的去噪性能，并与多道奇异值分析（ＭＳＳＡ）
［２６］
、小波变换［２７］
、ｆ－
ｘ反褶积［３］等方法进行对比。

其中小波变换采用ｂｉｏｒ２．４小波基，ｆ－
ｘ反褶积预测滤波器的长度设置为６，ＭＳＳＡ要保留的奇异值数量设置为５。

２．１　合成地震数据
合成地震数据（图６ａ）共８８道，每道４６８个样
　１２１４　石油地球物理勘探２０２０年　
点，采样间隔为１ｍｓ。

该合成数据包含线性同相轴、曲线同相轴、间断同相轴以及断层；当加入噪声后（图６ｂ），同相轴的连续性变差。

使用信噪比（ＳＮＲ）定量地评价不同方法的去噪性能
ＳＮＲ＝２０ｌｇ
‖ｄｃｌｅ
ａｎ‖２‖ｄｄｅｎｏｉｓｅｄ－ｄｃｌｅａｎ‖
２（４
）式中ｄｃｌｅａｎ和ｄｄｅｎｏｉｓｅ分别表示无噪地震数据与去噪后的地震数据。

加噪合成地震数据的ＳＮＲ为２．０４ｄＢ。

由于网络结构的复杂性，
首先测试卷积层数、卷积核数量、卷积核尺寸以及输入数据的损坏程度对去噪结果的影响。

（１
）卷积层数。

将卷积层数从２增加到８，合成数据去噪后的ＳＮＲ测试结果如图７ａ所示。

可见随着层数的增加，信噪比先增加后降低；当卷积层数为６时，网络去噪性能最佳，因此将卷积层数设置为６。

图６　合成地震数据（ａ）及其加噪结果（ｂ
） （
２）卷积核数量。

将卷积核数量从６增加到７２，合成数据去噪后的ＳＮＲ测试结果如图７ｂ所示。

可见，当卷积核数量为２４时网络去噪性能最佳，因此将卷积核数量设置为２４。

（３
）卷积核尺寸。

将卷积核尺寸设置为３×３、５×５、７×７或三者的组合，合成数据去噪后的ＳＮＲ
测试结果如图７ｃ所示。

可见，多尺度的卷积核能够获得更优的去噪结果，因此本文采用多尺度卷积核。

（４
）输入数据的损坏程度。

本文测试了输入数据的损坏程度对去噪结果的影响，其结果如图７ｄ所示。

由图７ｄ可知，对输入数据进行一定程度地损坏可以实现更好的去噪性能。

根据测试结果，本文将输入数据的损坏程度设置为６０％。

上述四种网络参数确定之后，运行该网络可获得最终的去噪结果，并与ＭＳＳＡ、小波变换和ｆ－ｘ反褶积等去噪方法进行比较（
图８）。

由图８可见：ＭＳＳＡ、ｆ－
ｘ反褶积法去噪不足，去噪剖面上含有明显的残余噪声，且ＭＳＳＡ法去噪剖面的间断点不清晰；小波变换法去噪剖面上无明显残留噪声，但同相轴能量不稳定；本文方法的去噪剖面上基本无噪声残留、同相轴能量更稳定、间断点更清晰。

为了比较四种去噪方法的保幅性，计算了四种去噪方法的残差剖面（图９）。

小波变换与ｆ－ｘ反褶
积法的残差剖面上有明显的有效信号痕迹，表明有效信号损失严重，而本文去噪方法的残差剖面上有效信号的痕迹不明显，有效信号损失最小，说明本文方法有良好的保幅效果。

从平均振幅谱（图１０）上可以看出，本文方法去噪结果的平均振幅谱最接近于原始信号的平均振幅谱，所以本文方法在去除噪声的同时能够最大程度地保护有效信号不受损失。

为了定量比较四种方法的去噪性能，分别计算了不同方法去噪结果的信噪比。

ＭＳＳＡ、
小波变换、ｆ－
ｘ反褶积和本文方法的去噪结果的信噪比分别为１１．４６、１２．２６、１２．４１、１６．３２ｄＢ。

图１１为在不同噪声水平下的四种方法去噪结果的信噪比，可见四种方法去噪之后信噪比都会得到一定的提升，但本文方法始终保持最高的信噪比，说明本文方法有更强的鲁棒性。

２．２　实际地震数据
选取一段明显被随机噪声污染的实际地震剖面（图１２）测试各种方法的去噪能力。

该地震数据共１２０道地震道，单道含５４８个采样数，
采样间隔为
第５５卷　第６期宋辉，等：基于卷积降噪自编码器的地震数据去噪１２１５
图７　网络参数对去噪性能的影响
（ａ）卷积层数；（ｂ）卷积核数量；（ｃ）卷积核尺寸；（ｄ）输入数据损坏程度
图８　合成数据不同方法的去噪结果对比
（ａ）ＭＳＳＡ法；（ｂ）小波变换法；（ｃ）ｆ－ｘ反褶积法；（ｄ）本文方法
　石油地球物理勘探２０２０年 １２１６
图９　合成数据不同方法去噪的残差剖面
（ａ）ＭＳＳＡ法；（ｂ）小波变换法；（ｃ）ｆ－ｘ反褶积法；（ｄ）本文方法
图１０　合成数据不同方法去噪结果的平均振幅谱
（ａ）ＭＳＳＡ法；（ｂ）小波变换法；（ｃ）ｆ－ｘ反褶积法；（ｄ）本文方法
　第５５卷　第６期宋辉，等：基于卷积降噪自编码器的地震数据去噪
１
２１７　
　图１１　不同噪声水平下四种方法去噪结果的信噪比
１ｍｓ。

由图１２可以看出，该地震数据含有曲线同相轴以及断层构造，但受噪声干扰严重，同相轴连续性较差，弱信号识别困难。

使用与合成数据去噪相同的网络模型，并重新训练用于实际地震数据去噪。

ＭＳＳＡ、小波变换、ｆ－
ｘ反褶积和本文方法去噪所耗时间分别为０．２２ｓ、０．０７ｓ、０．０８ｓ、５１５．８６ｓ。

图１３为四种方法实际地震数据的去噪结果。

小波变换法去噪后的地震剖面分辨率低，同相轴不清晰。

与其他方法相比，ｆ－
ｘ反褶积法去噪后的地震剖面中残留的噪声更多。

ＭＳＳＡ法的去噪结果中无明显噪声残留，但损失了某些局部细节。

本文方法去噪结果含有更丰富的局部细节，无明显噪声残留，同相轴清晰连续。

图１４为四种方法对应的残差剖面，ＭＳＳＡ、小波变换和ｆ－ｘ反褶积方法的残差剖面上含有明显的有效信号的痕迹，因此这三种传统去噪方法在压制随机噪声的同时损失了部分有效信号。

而本文方
　图１
２　实际地
震剖面图１３　实际地震剖面四种方法的去噪结果
（ａ）ＭＳＳＡ法；（ｂ）小波变换法；（ｃ）ｆ－
ｘ反褶积法；（ｄ）本文方法
　１２１８
　石油地球物理勘探２０２０年
图１４　实际地震数据四种去噪方法的残差剖面（ａ）ＭＳＳＡ法；（ｂ）小波变换法；（ｃ）ｆ－ｘ反褶积法；（ｄ）本文方法
法的残差剖面上无明显有效信号的痕迹，说明本文方法在处理实际资料时具有良好的保幅特性。

３　结论
为了有效地压制地震随机噪声，本文提出了基于卷积降噪自编码器的地震数据去噪方法。

该方法利用卷积降噪自编码器的特性从含噪的地震数据中自适应地学习地震信号的特征，从而滤除较强的随机噪声。

由于使用无监督学习，本文的去噪方法不需要标注无噪的地震数据，可以更加灵活应用。

合成数据和实际数据的应用结果表明，与ＭＳＳＡ、小波变换、ｆ－ｘ反褶积方法相比，本文方法去噪效果最好。

然而，本文方法虽保证了去噪效果，但效率较低，如何提高计算效率需进一步研究。

参考文献
［１］　甘利灯，张昕，王峣钧，等．从勘探领域变化看地震储层预测技术现状和发展趋势［Ｊ］．石油地球物理勘探，
２０１８，５３（１）：２１４－２２５．
ＧＡＮ　Ｌｉｄｅｎｇ，ＺＨＡＮＧ　Ｘｉｎ，ＷＡＮＧ　Ｙａｏｊｕｎ，ｅｔ　ａｌ．
Ｃｕｒｒｅｎｔ　ｓｔａｔｕｓ　ａｎｄ　ｄｅｖｅｌｏｐｍｅｎｔ　ｔｒｅｎｄｓ　ｏｆ　ｓｅｉｓｍｉｃ　ｒｅ－
ｓｅｒｖｏｉｒ　ｐｒｅｄｉｃｔｉｏｎ　ｖｉｅｗｅｄ　ｆｒｏｍ　ｔｈｅ　ｅｘｐｌｏｒａｔｉｏｎ　ｉｎｄｕｓｔｒｙ
［Ｊ］．Ｏｉｌ　Ｇｅｏｐｈｙｓｉｃａｌ　Ｐｒｏｓｐｅｃｔｉｎｇ，２０１８，５３（１）：２１４－２２５．［２］　Ｃａｎａｌｅｓ　Ｌ　Ｌ．Ｒａｎｄｏｍ　ｎｏｉｓｅ　ｒｅｄｕｃｔｉｏｎ［Ｊ］．ＳＥＧ　Ｔｅｃｈ－ｎｉｃａｌ　Ｐｒｏｇｒａｍ　Ｅｘｐａｎｄｅｄ　Ａｂｓｔｒａｃｔｓ，１９８４，３：５２５－５２７．［３］　Ｇｕｌｕｎａｙ　Ｎ．ＦＸＤＥＣＯＮ　ａｎｄ　ｃｏｍｐｌｅｘ　Ｗｉｅｎｅｒ　ｐｒｅｄｉｃｔｉｏｎｆｉｌｔｅｒ［Ｃ］．ＳＥＧ　Ｔｅｃｈｎｉｃａｌ　Ｐｒｏｇｒａｍ　Ｅｘｐａｎｄｅｄ　Ａｂ－
ｓｔｒａｃｔｓ，１９８６，５：２７９－２８１．
［４］　薛雅娟，曹俊兴．聚合经验模态分解和小波变换相结合的地震信号衰减分析［Ｊ］．石油地球物理勘探，
２０１６，５１（６）：１１４８－１１５５．
ＸＵＥ　Ｙａｊｕａｎ，ＣＡＯ　Ｊｕｎｘｉｎｇ．Ｓｅｉｓｍｉｃ　ａｔｔｅｎｕａｔｉｏｎ　ａｎａ－
ｌｙｓｉｓ　ｕｓｉｎｇ　ｅｎｓｅｍｂｌｅ　ｅｍｐｉｒｉｃａｌ　ｍｏｄｅ　ｄｅｃｏｍｐｏｓｉｔｉｏｎ
ａｎｄ　ｗａｖｅｌｅｔ　ｔｒａｎｓｆｏｒｍ［Ｊ］．Ｏｉｌ　Ｇｅｏｐｈｙｓｉｃａｌ　Ｐｒｏｓｐｅｃ－
ｔｉｎｇ，２０１６，５１（６）：１１４８－１１５５．
［５］　Ｍｏｕｓａｖｉ　Ｓ　Ｍ，Ｌａｎｇｓｔｏｎ　Ｃ　Ａ．Ｈｙｂｒｉｄ　ｓｅｉｓｍｉｃ　ｄｅｎｏｉ－ｓｉｎｇ　ｕｓｉｎｇ　ｈｉｇｈｅｒ－ｏｒｄｅｒ　ｓｔａｔｉｓｔｉｃｓ　ａｎｄ　ｉｍｐｒｏｖｅｄ　ｗａｖｅｌｅｔ
ｂｌｏｃｋ　ｔｈｒｅｓｈｏｌｄｉｎｇ［Ｊ］．Ｂｕｌｌｅｔｉｎ　ｏｆ　ｔｈｅ　Ｓｅｉｓｍｏｌｏｇｉｃａｌ
Ｓｏｃｉｅｔｙ　ｏｆ　Ａｍｅｒｉｃａ，２０１６，１０６（４）：１３８０－１３９３．
［６］　张华，陈小宏，李红星，等．曲波变换三维地震数据去噪技术［Ｊ］．石油地球物理勘探，２０１７，５２（２）：２２６－２３２．
ＺＨＡＮＧ　Ｈｕａ，Ｃｈｅｎ　Ｘｉａｏｈｏｎｇ，Ｌｉ　Ｈｏｎｇｘｉｎｇ，ｅｔ　ａｌ．３Ｄ
ｓｅｉｓｍｉｃ　ｄａｔａ　ｄｅ－ｎｏｉｓｉｎｇ　ａｐｐｒｏａｃｈ　ｂａｓｅｄ　ｏｎ　Ｃｕｒｖｅｌｅｔ
ｔｒａｎｓｆｏｒｍ［Ｊ］．Ｏｉｌ　Ｇｅｏｐｈｙｓｉｃａｌ　Ｐｒｏｓｐｅｃｔｉｎｇ，２０１７，
５２（２）：２２６－２３２．
［７］　Ｎｅｅｌａｍａｎｉ　Ｒ，Ｂａｕｍｓｔｅｉｎ　Ａ　Ｉ，Ｇｉｌｌａｒｄ　Ｄ　Ｇ，ｅｔ　ａｌ．Ｃｏ－
　第５５卷　第６期宋辉，等：基于卷积降噪自编码器的地震数据去噪１２１９
ｈｅｒｅｎｔ　ａｎｄ　ｒａｎｄｏｍ　ｎｏｉｓｅ　ａｔｔｅｎｕａｔｉｏｎ　ｕｓｉｎｇ　ｔｈｅ　ｃｕｒｖｅ－
ｌｅｔ　ｔｒａｎｓｆｏｒｍ［Ｊ］．Ｔｈｅ　Ｌｅａｄｉｎｇ　Ｅｄｇｅ，２００８，２７（２）：
２４０－２４８．
［８］　程浩，王德利，王恩德，等．尺度自适应三维Ｓｈｅａｒｌｅｔ变换地震随机噪声压制［Ｊ］．石油地球物理勘探，
２０１９，５４（５）：９７０－９７８．
ＣＨＥＮＧ　Ｈａｏ，ＷＡＮＧ　Ｄｅｌｉ，ＷＡＮＧ　Ｅｎｄｅ，ｅｔ　ａｌ．Ｓｅｉｓ－
ｍｉｃ　ｒａｎｄｏｍ　ｎｏｉｓｅ　ｓｕｐｐｒｅｓｓｉｏｎ　ｂａｓｅｄ　ｏｎ　ｓｃａｌｅ－ａｄａｐｔｉｖｅ
３Ｄ－Ｓｈｅａｒｌｅｔ　ｔｒａｎｓｆｏｒｍ［Ｊ］．Ｏｉｌ　Ｇｅｏｐｈｙｓｉｃａｌ　Ｐｒｏｓｐｅｃ－
ｔｉｎｇ，２０１９，５４（５）：９７０－９７８．
［９］　童思友，高航，刘锐，等．基于Ｓｈｅａｒｌｅｔ变换的自适应地震资料随机噪声压制［Ｊ］．石油地球物理勘探，
２０１９，５４（４）：７４４－７５０．
ＴＯＮＧ　Ｓｉｙｏｕ，ＧＡＯ　Ｈａｎｇ，ＬＩＵ　Ｒｕｉ，ｅｔ　ａｌ．Ｓｅｉｓｍｉｃ
ｒａｎｄｏｍ　ｎｏｉｓｅ　ａｄａｐｔｉｖｅ　ｓｕｐｐｒｅｓｓｉｏｎ　ｂａｓｅｄ　ｏｎ　ｔｈｅ
Ｓｈｅａｒｌｅｔ　ｔｒａｎｓｆｏｒｍ［Ｊ］．Ｏｉｌ　Ｇｅｏｐｈｙｓｉｃａｌ　Ｐｒｏｓｐｅｃｔｉｎｇ，
２０１９，５４（４）：７４４－７５０．
［１０］　乐友喜，杨涛，曾贤德．ＣＥＥＭＤ与ＫＳＶＤ字典训练相结合的去噪方法［Ｊ］．石油地球物理勘探，２０１９，
５４（４）：７２９－７３６．
ＹＵＥ　Ｙｏｕｘｉ，ＹＡＮＧ　Ｔａｏ，ＺＥＮＧ　Ｘｉａｎｄｅ．Ｓｅｉｓｍｉｃ　ｄｅ－
ｎｏｉｓｉｎｇ　ｗｉｔｈ　ＣＥＥＭＤ　ａｎｄ　ＫＳＶＤ　ｄｉｃｔｉｏｎａｒｙ　ｃｏｍｂｉｎｅｄ
ｔｒａｉｎｉｎｇ［Ｊ］．Ｏｉｌ　Ｇｅｏｐｈｙｓｉｃａｌ　Ｐｒｏｓｐｅｃｔｉｎｇ，２０１９，
５４（４）：７２９－７３６．
［１１］　邵婕，孙成禹，唐杰，等．基于字典训练的小波域稀疏表示微地震去噪方法［Ｊ］．石油地球物理勘探，２０１６，
５１（２）：２５４－２６０．
ＳＨＡＯ　Ｊｉｅ，ＳＵＮ　Ｃｈｅｎｇｙｕ，ＴＡＮＧ　Ｊｉｅ，ｅｔ　ａｌ．Ｍｉｃｒｏ－
ｓｅｉｓｍｉｃ　ｄａｔａ　ｄｅｎｏｉｓｉｎｇ　ｂａｓｅｄ　ｏｎ　ｓｐａｒｓｅ　ｒｅｐｒｅｓｅｎｔａｔｉｏｎｓ
ｏｖｅｒ　ｌｅａｒｎｅｄ　ｄｉｃｔｉｏｎａｒｙ　ｉｎ　ｔｈｅ　ｗａｖｅｌｅｔ　ｄｏｍａｉｎ［Ｊ］．Ｏｉｌ
Ｇｅｏｐｈｙｓｉｃａｌ　Ｐｒｏｓｐｅｃｔｉｎｇ，２０１６，５１（２）：２５４－２６０．
［１２］　Ｍｉ　Ｙ．Ｍｅｄｉａｎ　ｆｉｌｔｅｒｉｎｇ　ｉｎ　Ｋｉｒｃｈｈｏｆｆ　ｍｉｇｒａｔｉｏｎ　ｆｏｒ　ｎｏｉｓｙｄａｔａ［Ｃ］．ＳＥＧ　Ｔｅｃｈｎｉｃａｌ　Ｐｒｏｇｒａｍ　Ｅｘｐａｎｄｅｄ　Ａｂ－
ｓｔｒａｃｔｓ，２０００，１９：８２２－８２５．
［１３］　Ｋａｖｕｋｃｕｏｇｌｕ　Ｋ，Ｓｅｒｍａｎｅｔ　Ｐ，Ｂｏｕｒｅａｕ　Ｙ　Ｌ，ｅｔ　ａｌ．Ｌｅａｒ－ｎｉｎｇ　ｃｏｎｖｏｌｕｔｉｏｎａｌ　ｆｅａｔｕｒｅ　ｈｉｅｒａｒｃｈｉｅｓ　ｆｏｒ　ｖｉｓｕａｌ　ｒｅ－
ｃｏｇｎｉｔｉｏｎ［Ｃ］．Ａｄｖａｎｃｅｓ　ｉｎ　Ｎｅｕｒａｌ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｐｒｏ－
ｃｅｓｓｉｎｇ　Ｓｙｓｔｅｍｓ，２０１０，１０９０－１０９８．
［１４］　Ｎｏｄａ　Ｋ，Ｙａｍａｇｕｃｈｉ　Ｙ，Ｎａｋａｄａｉ　Ｋ，ｅｔ　ａｌ．Ａｕｄｉｏ－ｖｉｓｕａｌｓｐｅｅｃｈ　ｒｅｃｏｇｎｉｔｉｏｎ　ｕｓｉｎｇ　ｄｅｅｐ　ｌｅａｒｎｉｎｇ［Ｊ］．Ａｐｐｌｉｅｄ
Ｉｎｔｅｌｌｉｇｅｎｃｅ，２０１５，４２（４）：７２２－７３７．
［１５］　Ｍａｇｇｉｏｒｉ　Ｅ，Ｔａｒａｂａｌｋａ　Ｙ，Ｃｈａｒｐｉａｔ　Ｇ，ｅｔ　ａｌ．Ｃｏｎｖｏｌｕ－ｔｉｏｎａｌ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋｓ　ｆｏｒ　ｌａｒｇｅ－ｓｃａｌｅ　ｒｅｍｏｔｅ－ｓｅｎｓｉｎｇ
ｉｍａｇｅ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ　Ｇｅｏ－
ｓｃｉｅｎｃｅ　ａｎｄ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ，２０１６，５５（２）：６４５－６５７．［１６］　宋辉，陈伟，李谋杰，等．基于卷积门控循环单元网络的储层参数预测方法［Ｊ］．油气地质与采收率，２０１９，
２６（５）：７３－７８．
ＳＯＮＧ　Ｈｕｉ，ＣＨＥＮ　Ｗｅｉ，ＬＩ　Ｍｏｕｊｉｅ，ｅｔ　ａｌ．Ａ　ｍｅｔｈｏｄ　ｔｏ
ｐｒｅｄｉｃｔ　ｒｅｓｅｒｖｏｉｒ　ｐａｒａｍｅｔｅｒｓ　ｂａｓｅｄ　ｏｎ　ｃｏｎｖｏｌｕｔｉｏｎａｌ
ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ－ｇａｔｅｄ　ｒｅｃｕｒｒｅｎｔ　ｕｎｉｔ（ＣＮＮ－ＧＲＵ）［Ｊ］．
Ｐｅｔｒｏｌｅｕｍ　Ｇｅｏｌｏｇｙ　ａｎｄ　Ｒｅｃｏｖｅｒｙ　Ｅｆｆｉｃｉｅｎｅｙ，２０１９，
２６（５）：７３－７８．
［１７］　杨柳青，陈伟，查蓓．利用卷积神经网络对储层孔隙度的预测研究与应用［Ｊ］．地球物理学进展，２０１９，
３４（４）：１５４８－１５５５．
ＹＡＮＧ　Ｌｉｕｑｉｎｇ，ＣＨＥＮ　Ｗｅｉ，ＺＨＡ　Ｂｅｉ．Ｐｒｅｄｉｃｔｉｏｎ　ａｎｄ
ａｐｐｌｉｃａｔｉｏｎ　ｏｆ　ｒｅｓｅｒｖｏｉｒ　ｐｏｒｏｓｉｔｙ　ｂｙ　ｃｏｎｖｏｌｕｔｉｏｎａｌ　ｎｅｕ－
ｒａｌ　ｎｅｔｗｏｒｋ［Ｊ］．Ｐｒｏｇｒｅｓｓ　ｉｎ　Ｇｅｏｐｈｙｓｉｃｓ，２０１９，３４（４）：
１５４８－１５５５．［１８］　林年添，付超，张栋，等．无监督与监督学习下的含油气储层预测［Ｊ］．石油物探，２０１８，５７（４）：６０１－６１０．
ＬＩＮ　Ｎｉａｎｔｉａｎ，ＦＵ　Ｃｈａｏ，ＺＨＡＮＧ　Ｄｏｎｇ，ｅｔ　ａｌ．Ｓｕｐｅｒ－
ｖｉｓｅｄ　ｌｅａｒｎｉｎｇ　ａｎｄ　ｕｎｓｕｐｅｒｖｉｓｅｄ　ｌｅａｒｎｉｎｇ　ｆｏｒ　ｈｙｄｒｏｃａｒ－
ｂｏｎ　ｐｒｅｄｉｃｔｉｏｎ　ｕｓｉｎｇ　ｍｕｌｔｉｗａｖｅ　ｓｅｉｓｍｉｃ　ｄａｔａ［Ｊ］．Ｇｅｏ－
ｐｈｙｓｉｃａｌ　Ｐｒｏｓｐｅｃｔｉｎｇ　ｆｏｒ　Ｐｅｔｒｏｌｅｕｍ，２０１８，５７（４）：６０１－
６１０．
［１９］　韩卫雪，周亚同，池越．基于深度学习卷积神经网络的地震数据随机噪声去除［Ｊ］．石油物探，２０１８，５７（６）：
８６２－８６９．
ＨＡＮ　Ｗｅｉｘｕｅ，ＺＨＯＵ　Ｙａｔｏｎｇ，ＣＨＩ　Ｙｕｅ．Ｄｅｅｐ　ｌｅａｒ－
ｎｉｎｇ　ｃｏｎｖｏｌｕｔｉｏｎａｌ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋｓ　ｆｏｒ　ｒａｎｄｏｍ　ｎｏｉｓｅ
ａｔｔｅｎｕａｔｉｏｎ　ｉｎ　ｓｅｉｓｍｉｃ　ｄａｔａ［Ｊ］．Ｇｅｏｐｈｙｓｉｃａｌ　Ｐｒｏｓｐｅｃ－
ｔｉｎｇ　ｆｏｒ　Ｐｅｔｒｏｌｅｕｍ，２０１８，５７（６）：８６２－８６９．
［２０］　Ｗａｎｇ　Ｅ，Ｎｅａｌｏｎ　Ｊ．Ａｐｐｌｙｉｎｇ　ｍａｃｈｉｎｅ　ｌｅａｒｎｉｎｇ　ｔｏ　３Ｄｓｅｉｓｍｉｃ　ｉｍａｇｅ　ｄｅｎｏｉｓｉｎｇ　ａｎｄ　ｅｎｈａｎｃｅｍｅｎｔ［Ｊ］．Ｉｎｔｅｒ－
ｐｒｅｔａｔｉｏｎ，２０１９，７（３）：ＳＥ１３１－ＳＥ１３９．
［２１］　Ｌｉｕ　Ｄ，Ｗａｎｇ　Ｗ，Ｃｈｅｎ　Ｗ，ｅｔ　ａｌ．Ｒａｎｄｏｍ　ｎｏｉｓｅ　ｓｕｐ－ｐｒｅｓｓｉｏｎ　ｉｎ　ｓｅｉｓｍｉｃ　ｄａｔａ：Ｗｈａｔ　ｃａｎ　ｄｅｅｐ　ｌｅａｒｎｉｎｇ　ｄｏ？
［Ｃ］．ＳＥＧ　Ｔｅｃｈｎｉｃａｌ　Ｐｒｏｇｒａｍ　Ｅｘｐａｎｄｅｄ　Ａｂｓｔｒａｃｔｓ，
２０１８，３７：２０１６－２０２０．
［２２］　Ｌｉｕ　Ｄ，Ｗａｎｇ　Ｗ，Ｗａｎｇ　Ｘ，ｅｔ　ａｌ．Ｐｏｓｔｓｔａｃｋ　ｓｅｉｓｍｉｃ　ｄａｔａｄｅｎｏｉｓｉｎｇ　ｂａｓｅｄ　ｏｎ　３－Ｄ　ｃｏｎｖｏｌｕｔｉｏｎａｌ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ
［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ　Ｇｅｏｓｃｉｅｎｃｅ　ａｎｄ　Ｒｅｍｏｔｅ
Ｓｅｎｓｉｎｇ，２０１９，５８（３）：１５９８－１６２９．
［２３］　Ｋｉｍ　Ｙ，Ｈａｒｄｉｓｔｙ　Ｒ，Ｍａｒｆｕｒｔ　Ｋ　Ｊ．Ｓｅｉｓｍｉｃ　ｒａｎｄｏｍ　ｎｏｉｓｅａｔｔｅｎｕａｔｉｏｎ　ｉｎ　ｆ－ｘ　ｄｏｍａｉｎ　ｕｓｉｎｇ　ｃｏｍｐｌｅｘ－ｖａｌｕｅｄ　ｒｅｓｉ－
ｄｕａｌ　ｃｏｎｖｏｌｕｔｉｏｎａｌ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ［Ｃ］．ＳＥＧ　Ｔｅｃｈｎｉｃａｌ
Ｐｒｏｇｒａｍ　Ｅｘｐａｎｄｅｄ　Ａｂｓｔｒａｃｔｓ，２０１９，３８：２５７９－２５８３．［２４］　Ｚｈｕ　Ｗ，Ｍｏｕｓａｖｉ　Ｓ　Ｍ，Ｂｅｒｏｚａ　Ｇ　Ｃ．Ｓｅｉｓｍｉｃ　ｓｉｇｎａｌ　ｄｅ－ｎｏｉｓｉｎｇ　ａｎｄ　ｄｅｃｏｍｐｏｓｉｔｉｏｎ　ｕｓｉｎｇ　ｄｅｅｐ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋｓ
［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ　Ｇｅｏｓｃｉｅｎｃｅ　ａｎｄ　Ｒｅｍｏｔｅ
Ｓｅｎｓｉｎｇ，２０１９，５７（１１）：９４７６－９４８８．
［２５］　Ｚｈａｏ　Ｙ，Ｌｉ　Ｙ，Ｄｏｎｇ　Ｘ，ｅｔ　ａｌ．Ｌｏｗ－ｆｒｅｑｕｅｎｃｙ　ｎｏｉｓｅ　ｓｕｐ－ｐｒｅｓｓｉｏｎ　ｍｅｔｈｏｄ　ｂａｓｅｄ　ｏｎ　ｉｍｐｒｏｖｅｄ　ＤｎＣＮＮ　ｉｎ　ｄｅｓｅｒｔ
ｓｅｉｓｍｉｃ　ｄａｔａ［Ｊ］．ＩＥＥＥ　Ｇｅｏｓｃｉｅｎｃｅ　ａｎｄ　Ｒｅｍｏｔｅ　Ｓｅｎ－
ｓｉｎｇ　Ｌｅｔｔｅｒｓ，２０１８，１６（５）：８１１－８１５．
［２６］　Ｏｒｏｐｅｚａ　Ｖ，Ｓａｃｃｈｉ　Ｍ．Ｓｉｍｕｌｔａｎｅｏｕｓ　ｓｅｉｓｍｉｃ　ｄａｔａ　ｄｅ－ｎｏｉｓｉｎｇ　ａｎｄ　ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ　ｖｉａ　ｍｕｌｔｉｃｈａｎｎｅｌ　ｓｉｎｇｕｌａｒ
ｓｐｅｃｔｒｕｍ　ａｎａｌｙｓｉｓ［Ｊ］．Ｇｅｏｐｈｙｓｉｃｓ，２０１１，７６（３）：Ｖ２５－
Ｖ３２．
［２７］　张华，陈小宏，杨海燕．地震信号去噪的最优小波基选取方法［Ｊ］．石油地球物理勘探，２０１１，４６（１）：７０－７５．
ＺＨＡＮＧ　Ｈｕａ，ＣＨＥＮ　Ｘｉａｏｈｏｎｇ，ＹＡＮＧ　Ｈａｉｙａｎ．Ｏｐ－
ｔｉｍｉｓｔｉｃ　ｗａｖｅｌｅｔ　ｂａｓｉｓ　ｓｅｌｅｃｔｉｏｎ　ｉｎ　ｓｅｉｓｍｉｃ　ｓｉｇｎａｌ　ｎｏｉｓｅ
ｅｌｉｍｉｎａｔｉｏｎ［Ｊ］．Ｏｉｌ　Ｇｅｏｐｈｙｓｉｃａｌ　Ｐｒｏｓｐｅｃｔｉｎｇ，２０１１，
４６（１）：７０－７５．
（本文编辑：宜明理）
作者简
介
宋辉　硕士研究生，１９９６年生；
２０１８年获长江大学地球科学学院石油
工程专业学士学位；现在该校地球物
理与石油资源学院攻读地质工程专业
硕士学位，主要研究方向为人工智能地
震数据处理。

　Ⅱ　Ｏｉｌ　Ｇｅｏｐｈｙｓｉｃａｌ　Ｐｒｏｓｐｅｃｔｉｎｇ２０２０　
ｃａｎｎｏｔ　ｔａｋｅ　ｉｎｔｏ　ａｃｃｏｕｎｔ　ｐｉｃｋｉｎｇ　ｅｆｆｅｃｔ　ａｎｄ　ｅｆｆｉｃｉｅｎ－ｃｙ，ｔｈｅ　ａｌｇｏｒｉｔｈｍ　ｓｔａｂｉｌｉｔｙ　ｉｓ　ｐｏｏｒ，ａｎｄ　ｔｈｅ　ｉｎｄｕｓｔｒｉ－ａｌ　ａｐｐｌｉｃａｔｉｏｎ　ｈａｓ　ｎｏｔ　ｂｅｅｎ　ｖｅｒｙ　ｍａｔｕｒｅ．Ｔｈｅ　ｆｉｒｓｔａｒｒｉｖａｌ　ｐｉｃｋｉｎｇ　ｍｅｔｈｏｄ　ｂａｓｅｄ　ｏｎ　ｄｅｅｐ　ｌｅａｒｎｉｎｇ　ｉｓｔｉｍｅ－ｃｏｎｓｕｍｉｎｇ　ａｎｄ　ｌａｂｏｒ－ｉｎｔｅｎｓｉｖｅ，ｔｈｅ　ｐｒｏｃｅｓｓ　ｏｆｄａｔａ　ｐｒｅｐｒｏｃｅｓｓｉｎｇ　ｉｓ　ｃｕｍｂｅｒｓｏｍｅ，ａｎｄ　ｔｈｅ　ｎｅｔｗｏｒｋｓｔｒｕｃｔｕｒｅ　ｉｓ　ｔｏｏ　ｃｏｍｐｌｅｘ，ｒｅｓｕｌｔｉｎｇ　ｉｎ　ｌｏｗ　ｔｒａｉｎｉｎｇａｎｄ　ｔｅｓｔ　ｅｆｆｉｃｉｅｎｃｙ．Ｃｏｍｂｉｎｉｎｇ　ｔｈｅ　ａｄｖａｎｔａｇｅｓ　ｏｆ　Ｕ－Ｎｅｔ　ｗｉｔｈ　ｔｈｏｓｅ　ｏｆ　ＳｅｇＮｅｔ，ａ　ｎｅｗ　ｈｙｂｒｉｄ　ｎｅｔｗｏｒｋＵ－ＳｅｇＮｅｔ　ｉｓ　ｃｏｎｓｔｒｕｃｔｅｄ，ａｎｄ　ｂａｓｅｄ　ｏｎ　ｗｈｉｃｈ　ｆｉｒｓｔａｒｒｉｖａｌｓ　ｃａｎ　ｂｅ　ｐｉｃｋｅｄ　ａｕｔｏｍａｔｉｃａｌｌｙ．Ｂａｓｅｄ　ｏｎ　ｔｈｅＳｅｇＮｅｔ　ｓｔｒｕｃｔｕｒｅ，Ｕ－ＳｅｇＮｅｔ　ｐｒｏｖｉｄｅｓ　ｍｕｌｔｉ－ｓｃａｌｅｉｎｆｏｒｍａｔｉｏｎ　ｏｆ　ｔｈｅ　ｅｎｃｏｄｅｒ　ｎｅｔｗｏｒｋ　ｂｙ　ｆｕｓｉｎｇ　ｊｕｍｐｃｏｎｎｅｃｔｉｏｎｓ　ｉｎｆｏｒｍａｔｉｏｎ　ｂｅｆｏｒｅ　ｔｈｅ　ｄｅｃｏｎｖｏｌｕｔｉｏｎｌａｙｅｒ　ｏｆ　ｔｈｅ　ｄｅｃｏｄｅｒ　ｎｅｔｗｏｒｋ　ｔｏ　ｏｂｔａｉｎ　ｂｅｔｔｅｒ　ｐｅｒ－ｆｏｒｍａｎｃｅ，ａｎｄ　ｉｔｓ　ｕｐｓａｍｐｌｉｎｇ　ｏｐｅｒａｔｉｏｎ　ｃｈａｎｇｅｓ　ｔｈｅｄｅｃｏｎｖｏｌｕｔｉｏｎ　ｉｎ　Ｕ－Ｎｅｔ　ｔｏ　ｕｎｐｏｏｌｉｎｇ．Ｂｅｃａｕｓｅ　ｔｈｅｐｏｏｌｉｎｇ　ｉｎｄｅｘ　ｉｓ　ｐａｓｓｅｄ　ｔｏ　ｔｈｅ　ｕｐｓａｍｐｌｉｎｇ　ｌａｙｅｒ，ｔｈｅｎｅｔｗｏｒｋ　ｍｏｄｅｌ　ｃｏｎｖｅｒｇｅｓ　ｆａｓｔｅｒ．Ｔｈｅｒｅｆｏｒｅ，ｔｈｅ　Ｕ－ＳｅｇＮｅｔ　ｎｅｔｗｏｒｋ　ｓｔｒｕｃｔｕｒｅ　ｉｓ　ｍｏｒｅ　ｃｏｎｄｕｃｉｖｅ　ｔｏｓｅｇｍｅｎｔｉｎｇ　ｔｈｅ　ｂａｃｋｇｒｏｕｎｄ　ｎｏｉｓｅ　ａｒｅａ　ａｎｄ　ｔｈｅ　ａｒｅａｗｈｅｒｅ　ｂａｃｋｇｒｏｕｎｄ　ｎｏｉｓｅ　ａｎｄ　ｖａｌｉｄ　ｓｉｇｎａｌ　ｏｖｅｒｌａｐ，ｔｈｅｒｅｂｙ　ｉｍｐｒｏｖｉｎｇ　ｔｈｅ　ａｃｃｕｒａｃｙ　ｏｆ　ｆｉｒｓｔ　ａｒｒｉｖａｌｐｉｃｋｉｎｇ．Ｔｈｅ　ｆｉｒｓｔ　ａｒｒｉｖａｌ　ａｕｔｏｍａｔｉｃ　ｐｉｃｋｉｎｇ　ｐｒｏｃｅｓｓｂａｓｅｄ　ｏｎ　Ｕ－ＳｅｇＮｅｔ　ｉｎｃｌｕｄｅｓ　ｍａｋｉｎｇ　ａ　ｔｒａｉｎｉｎｇ　ｄａｔａｓｅｔ，ｄｅｓｉｇｎｉｎｇ　ａ　ｎｅｔｗｏｒｋ　ｍｏｄｅｌ，ｔｒａｉｎｉｎｇ　ｔｈｅ　ｎｅｔ－ｗｏｒｋ　ｍｏｄｅｌ，ｔｅｓｔｉｎｇ　ｔｈｅ　ｎｅｔｗｏｒｋ　ｍｏｄｅｌ　ａｎｄ　ａｐｐｌｙ－ｉｎｇ　ｉｔ　ｔｏ　ｒｅａｌ　ｓｅｉｓｍｉｃ　ｄａｔａ．Ｔｅｓｔｓ　ａｎｄ　ａｐｐｌｉｃａｔｉｏｎｓ　ｏｆｔｈｅ　Ｕ－ＳｅｇＮｅｔ　ｍｏｄｅｌ　ｓｈｏｗ　ｔｈａｔ　ｔｈｅ　ｐｉｃｋｉｎｇ　ｅｆｆｉｃｉｅｎ－ｃｙ　ｏｆ　ｔｈｅ　ｐｒｏｐｏｓｅｄ　ｍｅｔｈｏｄ　ｉｓ　ａｂｏｕｔ　２．２ｔｉｍｅｓ　ｔｈａｔｏｆ　ａ　ｃｏｍｍｅｒｃｉａｌ　ｓｏｆｔｗａｒｅ．Ｉｔ　ｉｓ　ｅａｓｙ　ｔｏ　ｂｅ　ｉｎｄｕｓｔｒｉ－ａｌｉｚｅｄ　ａｎｄ　ｈａｓ　ａ　ｇｏｏｄ　ｆｕｔｕｒｅ　ｉｎ　ｌａｒｇｅ－ｓｃａｌｅ　ａｐｐｌｉｃａｔｉｏｎ．Ｋｅｙｗｏｒｄｓ：ｓｅｉｓｍｉｃ　ｆｉｒｓｔ　ａｒｒｉｖａｌ，ｐｉｃｋ　ｕｐ，ｄｅｅｐ　ｌｅａｒｎ－ｉｎｇ，Ｕ－Ｎｅｔ，ＳｅｇＮｅｔ，Ｕ－ＳｅｇＮｅｔ
１．Ｎｏｒｔｈｗｅｓｔ　Ｂｒａｎｃｈ，Ｒｅｓｅａｒｃｈ　Ｉｎｓｔｉｔｕｔｅ　ｏｆ　Ｐｅｔｒｏｌｅ－ｕｍ　Ｅｘｐｌｏｒａｔｉｏｎ　＆Ｄｅｖｅｌｏｐｍｅｎｔ，ＰｅｔｒｏＣｈｉｎａ，Ｌａｎｚｈｏｕ，Ｇａｎｓｕ　７３００２０，Ｃｈｉｎａ
Ｓｕｐｐｒｅｓｓｉｎｇ　ｓｅｉｓｍｉｃ　ｒａｎｄｏｍ　ｎｏｉｓｅ　ｂａｓｅｄ　ｏｎ　Ｄｅｅｐ－ＫＳＶＤ．ＴＡＮＧ　Ｊｉｅ１，ＭＥＮＧ　Ｔａｏ１，ＺＨＡＮＧ　Ｗｅｎｚｈｅｎｇ１，ａｎｄ　ＣＨＥＮ　Ｘｕｅｇｕｏ２．Ｏｉｌ　Ｇｅｏｐｈｙｓｉｃａｌ　Ｐｒｏｓｐｅｃｔｉｎｇ，２０２０，５５（６）：１２０２－１２０９．
Ｃｕｒｖｅｌｅｔ　ｔｒａｎｓｆｏｒｍ　ｄｅｎｏｉｓｉｎｇ　ｃａｕｓｅｓ　ｔｈｅ　ｅ－ｖｅｎｔｓ　ｔｏ　ｂｅ　ｄｉｓｔｏｒｔｅｄ　ａｎｄ　ｉｎｔｅｒｆｅｒｅｓ　ｗｉｔｈ　ｔｈｅ　ｅｆｆｅｃ－ｔｉｖｅ　ｓｉｇｎａｌｓ　ｉｎ　ｄｉｓｃｏｎｔｉｎｕｏｕｓ　ａｒｅａｓ　ｓｕｃｈ　ａｓ　ｆａｕｌｔｚｏｎｅｓ．Ｔｈｅ　ａｌｇｏｒｉｔｈｍ　ｏｆ　ｏｖｅｒｃｏｍｐｌｅｔｅ　ｄｉｃｔｉｏｎａｒｉｅｓｆｏｒ　ｓｐａｒｓｅ　ｒｅｐｒｅｓｅｎｔａｔｉｏｎ（Ｋ－ＳＶＤ）ｒｅｑｕｉｒｅｓ　ｍａｎｕ－ａｌ　ａｎｄ　ｒｅｐｅａｔｅｄ　ａｄｊｕｓｔｍｅｎｔ　ｏｆ　ｐａｒａｍｅｔｅｒｓ　ｔｏ　ｉｍ－ｐｒｏｖｅ　ｔｈｅ　ｄｅｎｏｉｓｉｎｇ　ｅｆｆｅｃｔ．Ａｆｔｅｒ　ｃｏｍｐｒｅｈｅｎｓｉｖｅｌｙｃｏｎｓｉｄｅｒｉｎｇ　ｔｈｅ　ａｄｖａｎｔａｇｅｓ　ｏｆ　ｄｅｅｐ　ｌｅａｒｎｉｎｇ　ｎｅｔ－ｗｏｒｋ　ａｎｄ　ｓｐａｒｓｅ　ｒｅｐｒｅｓｅｎｔａｔｉｏｎ，ｗｅ　ｃｏｍｂｉｎｅｄ　ｔｈｅＫ－ＳＶＤ　ｄｅｎｏｉｓｉｎｇ　ａｌｇｏｒｉｔｈｍ　ｗｉｔｈ　ｔｈｅ　ｄｅｅｐ　ｌｅａｒｎｉｎｇｎｅｔｗｏｒｋ，ａｎｄ　ｐｒｏｐｏｓｅｄ　ｔｈｅ　ｒａｎｄｏｍ　ｎｏｉｓｅ　ｓｕｐｐｒｅｓ－ｓｉｏｎ　ｍｅｔｈｏｄ　ｂａｓｅｄ　ｏｎ　Ｄｅｅｐ－ＫＳＶＤ．Ｉｎ　ｏｒｄｅｒ　ｔｏ
ｍａｋｅ　ｔｈｅ　ｎｅｔｗｏｒｋ　ｈａｖｅ　ｔｈｅ　ａｂｉｌｉｔｙ　ｔｏ　ｌｅａｒｎ　ｐａｒａｍｅ－ｔｅｒｓ，ｔｈｅ　ＯＭＰ　ａｌｇｏｒｉｔｈｍ　ｉｓ　ｒｅｐｌａｃｅｄ　ｂｙ　ａｎ　ｅｑｕｉｖａ－ｌｅｎｔ　ｌｅａｒｎａｂｌｅ　ａｌｔｅｒｎａｔｉｖｅ　ｉｎ　ｔｈｅ　ｔｒａｃｋｉｎｇ　ｐｈａｓｅ．Ｔｈｅｃａｌｃｕｌａｔｉｏｎ　ｐｒｏｃｅｓｓ　ｉｎｃｌｕｄｅｓ　ｄｅｃｏｍｐｏｓｉｎｇ　ｓｅｉｓｍｉｃｄａｔａ　ｉｎｔｏ　ｏｖｅｒｌａｐｐｅｄ　ｄａｔａ　ｂｌｏｃｋｓ，ｄｅ－ｎｏｉｓｉｎｇ　ｅａｃｈｄａｔａ　ｂｌｏｃｋ　ｂｙ　ｐｒｏｐｅｒ　ｔｒａｃｋｉｎｇ，ａｎｄ　ｒｅｃｏｎｓｔｒｕｃｔｉｎｇｔｈｅ　ｗｈｏｌｅ　ｄａｔａ　ｂｙ　ｗｅｉｇｈｔｉｎｇ　ｔｈｅ　ｄｅｎｏｉｓｅｄ　ｄａｔａｂｌｏｃｋｓ．Ｔｈｅ　ｄｅｎｏｉｓｉｎｇ　ｐｒｏｃｅｓｓ　ｉｎｃｌｕｄｅｓ　ｔｈｒｅｅ　ｐａｒｔｓ：ｓｐａｒｓｅ　ｃｏｄｉｎｇ，ｅｓｔｉｍａｔｉｏｎ　ｏｆ　ｒｅｇｕｌａｒｉｚｅｄ　ｃｏｅｆｆｉｃｉｅｎｔａｎｄ　ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ　ｏｆ　ｄａｔａ　ｂｌｏｃｋ．Ｔｈｅ　ｔｅｓｔ　ｒｅｓｕｌｔｓｏｎ　ｍｏｄｅｌ　ｄａｔａ　ａｎｄ　ａｃｔｕａｌ　ｄａｔａ　ｓｈｏｗ　ｔｈａｔ　ａｆｔｅｒｔｒａｉｎｉｎｇ　ａ　Ｄｅｅｐ－ＫＳＶＤ　ｎｅｔｗｏｒｋ，ｆｏｒ　ｇｉｖｅｎ　ｎｏｉｓｙ　ｄａ－ｔａ，ｉｔ　ｃａｎ　ａｄａｐｔｉｖｅｌｙ　ａｔｔｅｎｕａｔｅ　ｔｈｅ　ｓｅｉｓｍｉｃ　ｎｏｉｓｅｓｗｉｔｈｏｕｔ　ｆｕｒｔｈｅｒ　ａｄｊｕｓｔｉｎｇ　ｐａｒａｍｅｔｅｒｓ　ｗｈｉｌｅ　ｐｒｏｔｅｃ－ｔｉｎｇ　ｔｈｅ　ｅｆｆｅｃｔｉｖｅ　ｉｎｆｏｒｍａｔｉｏｎ　ｏｆ　ｄｉｓｃｏｎｔｉｎｕｉｔｙ　ａｎｄｔｈｅ　ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ　ｏｆ　ｄａｔａ　ｓｔｒｕｃｔｕｒｅ．Ｃｏｍｐａｒｅｄｗｉｔｈ　ｔｈｅ　Ｋ－ＳＶＤ　ｄｅｎｏｉｓｉｎｇ　ｍｅｔｈｏｄ，ｔｈｅ　Ｄｅｅｐ－ＫＳ－ＶＤ　ｄｅｎｏｉｓｉｎｇ　ｍｅｔｈｏｄ　ｐｒｏｖｉｄｅｓ　ｂｅｔｔｅｒ　ｅｆｆｅｃｔ　ｏｆｎｏｉｓｅ　ｓｕｐｐｒｅｓｓｉｏｎ　ａｎｄ　ｃａｎ　ｉｍｐｒｏｖｅ　ｔｈｅ　ｓｉｇｎａｌ－ｔｏ－ｎｏｉｓｅ　ｒａｔｉｏ　ｏｆ　ｆｕｌｌ－ｂａｎｄ　ｄａｔａ．
Ｋｅｙｗｏｒｄｓ：Ｄｅｅｐ－ＫＳＶＤ，ｒａｎｄｏｍ　ｎｏｉｓｅ，ｓｕｐｐｒｅｓｓｉｏｎ，ｄｅｅｐ　ｌｅａｒｎｉｎｇ，ｓｐａｒｓｅ　ｓｉｇｎａｌ
１．Ｓｃｈｏｏｌ　ｏｆ　Ｇｅｏｓｃｉｅｎｃｅｓ，Ｃｈｉｎａ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｐｅ－ｔｒｏｌｅｕｍ（Ｅａｓｔ　Ｃｈｉｎａ），Ｑｉｎｇｄａｏ，Ｓｈａｎｄｏｎｇ　２６６５８０，Ｃｈｉｎａ
２．Ｒｅｓｅａｒｃｈ　Ｉｎｓｔｉｔｕｔｅ　ｏｆ　Ｅｘｐｌｏｒａｔｉｏｎ　ａｎｄ　Ｄｅｖｅｌｏｐ－ｍｅｎｔ，ＳＩＮＯＰＥＣ　Ｓｈｅｎｇｌｉ　Ｏｉｌｆｉｅｄ　Ｃｏｍｐａｎｙ，Ｄｏｎｇｙ－ｉｎｇ，Ｓｈａｎｇｄｏｎｇ　２５７１０５，Ｃｈｉｎａ
Ｓｅｉｓｍｉｃ　ｎｏｉｓｅ　ｓｕｐｐｒｅｓｓｉｏｎ　ｂａｓｅｄ　ｏｎ　ｃｏｎｖｏｌｕｔｉｏｎａｌ　ｄｅ－ｎｏｉｓｉｎｇ　ａｕｔｏｅｎｃｏｄｅｒｓ．ＳＯＮＧ　Ｈｕｉ　１，２，ＧＡＯ　Ｙａｎｇ３，ＣＨＥＮ　Ｗｅｉ　１，４，ＺＨＡＮＧ　Ｘｉａｎｇ１，２．Ｏｉｌ　ＧｅｏｐｈｙｓｉｃａｌＰｒｏｓｐｅｃｔｉｎｇ，２０２０，５５（６）：１２１０－１２１９．
Ｎｏｉｓｅ　ａｔｔｅｎｕａｔｉｏｎ　ｉｓ　ａ　ｌｏｎｇ－ｓｔａｎｄｉｎｇ　ｐｒｏｂｌｅｍｉｎ　ｓｅｉｓｍｉｃ　ｅｘｐｌｏｒａｔｉｏｎ．Ｔｒａｄｉｔｉｏｎａｌ　ｄｅｎｏｉｓｉｎｇ　ｍｅ－ｔｈｏｄｓ　ｃａｎ　ｓｕｐｐｒｅｓｓ　ｓｅｉｓｍｉｃ　ｎｏｉｓｅ，ｂｕｔ　ｔｈｅｙ　ｍａｙ　ｃａｕｓｅｌｏｓｔ　ｅｆｆｅｃｔｉｖｅ　ｓｉｇｎａｌｓ，ｒｅｓｉｄｕａｌ　ｎｏｉｓｅｓ　ａｎｄ　ｏｔｈｅｒｐｒｏｂｌｅｍｓ．Ａｎ　ｕｎｓｕｐｅｒｖｉｓｅｄ　ｄｅｎｏｉｓｉｎｇ　ａｌｇｏｒｉｔｈｍｂａｓｅｄ　ｏｎ　ａ　ｃｏｎｖｏｌｕｔｉｏｎａｌ　ｄｅｎｏｉｓｉｎｇ　ａｕｔｏｅｎｃｏｄｅｒ　ｉｓｐｒｏｐｏｓｅｄ，ｗｈｉｃｈ　ｃａｎ　ｓｉｇｎｉｆｉｃａｎｔｌｙ　ｉｍｐｒｏｖｅ　ｔｈｅ　ｓｉｇ－ｎａｌ－ｔｏ－ｎｏｉｓｅ　ｒａｔｉｏ　ｏｆ　ｓｅｉｓｍｉｃ　ｄａｔａ．Ｔｈｅ　ａｌｇｏｒｉｔｈｍ　ｌｏ－ｃａｌｌｙ　ａｎｄ　ｒａｎｄｏｍｌｙ　ｄａｍａｇｅｓ　ｓｅｉｓｍｉｃ　ｄａｔａ，ａｎｄ　ｔｈｅｎｔｒａｎｓｍｉｔｓ　ｔｈｅ　ｓｅｉｓｍｉｃ　ｄａｔａ　ｄａｍａｇｅｄ　ｔｏ　ｃｏｄｉｎｇ　ａｎｄｄｅｃｏｄｉｎｇ　ｆｒａｍｅｗｏｒｋｓ．Ｔｈｅ　ｃｏｄｉｎｇ　ｆｒａｍｅｗｏｒｋ　ｃａｐ－ｔｕｒｅｓ　ｔｈｅ　ｗａｖｅｆｏｒｍ　ｏｆ　ｔｈｅ　ｓｅｉｓｍｉｃ　ｄａｔａ　ａｎｄ　ｅｌｉｍｉ－ｎａｔｅｓ　ｔｈｅ　ｎｏｉｓｅ．Ｔｈｅ　ｄｅｃｏｄｉｎｇ　ｆｒａｍｅｗｏｒｋ　ｅｘｐａｎｄｓｔｈｅ　ｆｅａｔｕｒｅ　ｍａｐ，ｒｅｃｏｖｅｒｓ　ｔｈｅ　ｄｅｔａｉｌｓ　ｏｆ　ｔｈｅ　ｓｅｉｓｍｉｃｄａｔａ．Ｆｉｎａｌｌｙ，ａｆｔｅｒ　ｒｅｃｏｎｓｔｒｕｃｔｉｎｇ　ｔｈｅ　ｓｅｉｓｍｉｃ　ｄａｔａ，ｔｈｅ　ａｌｇｏｒｉｔｈｍ　ｔｒａｉｎｓ　ａ　ｍｏｄｅｌ　ｗｉｔｈ　ｔｈｅ　ｅｒｒｏｒ　ｂｅ－ｔｗｅｅｎ　ｔｈｅ　ｒｅｃｏｎｓｔｒｕｃｔｅｄ　ｓｅｉｓｍｉｃ　ｄａｔａ　ａｎｄ　ｔｈｅ　ｏｒｉｇｉ－ｎａｌ　ｓｅｉｓｍｉｃ　ｄａｔａ．Ｃｏｎｓｉｄｅｒｉｎｇ　ｔｈｅ　ｃｏｍｐｌｅｘｉｔｙ　ｏｆｓｅｉｓｍｉｃ　ｄａｔａ，ａ　ｍｕｌｔｉ－ｓｃａｌｅ　ｃｏｎｖｏｌｕｔｉｏｎ　ｍｏｄｕｌｅ　ｉｓｒｅｑｕｉｒｅｄ　ｔｏ　ｅｘｔｒａｃｔ　ｔｈｅ　ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ　ｏｆ　ｓｅｉｓｍｉｃ　ｄａ－ｔａ　ｄｕｒｉｎｇ　ｃｏｄｉｎｇ　ａｎｄ　ｄｅｃｏｄｉｎｇ．Ａｐｐｌｉｃａｔｉｏｎｓ　ｔｏ　ｓｙｎ－
　Ｖｏｌ．５５　Ｎｏ．６ＡｂｓｔｒａｃｔｓⅢ
ｔｈｅｔｉｃ　ａｎｄ　ｒｅａｌ　ｓｅｉｓｍｉｃ　ｄａｔａ　ｈａｖｅ　ｐｒｏｖｅｄ　ｔｈａｔ　ｔｈｅｎｅｗ　ｍｅｔｈｏｄ　ｉｓ　ｍｏｒｅ　ｅｆｆｅｃｔｉｖｅ　ｉｎ　ｐｒｅｓｅｒｖｉｎｇ　ｓｉｇｎａｌｓｗｈｉｌｅ　ｓｕｐｐｒｅｓｓｉｎｇ　ｎｏｉｓｅｓ．Ｉｔｓ　ｄｅｎｏｉｓｉｎｇ　ｒｅｓｕｌｔ　ｉｓｂｅｔｔｅｒ　ｔｈａｎ　ａ　ｔｒａｄｉｔｉｏｎａｌ　ａｌｇｏｒｉｔｈｍ．
Ｋｅｙｗｏｒｄｓ：ｕｎｓｕｐｅｒｖｉｓｅｄ　ｌｅａｒｎｉｎｇ，ｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌ　ｎｅｔｗｏｒｋ，ｄｅｎｏｉｓｉｎｇ　ａｕｔｏｅｎｃｏｄｅｒｓ，ｓｅｉｓｍｉｃｄａｔａ，ｄｅｎｏｉｓｉｎｇ
１．Ｋｅｙ　Ｌａｂｏｒａｔｏｒｙ　ｏｆ　Ｅｘｐｌｏｒａｔｉｏｎ　Ｔｅｃｈｎｏｌｏｇｉｅｓ　ｆｏｒＯｉｌ　ａｎｄ　Ｇａｓ　Ｒｅｓｏｕｒｃｅｓ（Ｙａｎｇｔｚｅ　Ｕｎｉｖｅｒｓｉｔｙ），Ｍｉｎ－ｉｓｔｒｙ　ｏｆ　Ｅｄｕｃａｔｉｏｎ，Ｗｕｈａｎ，Ｈｕｂｅｉ　４３０１００，Ｃｈｉｎａ；２．Ｃｏｌｌｅｇｅ　ｏｆ　Ｇｅｏｐｈｙｓｉｃｓ　ａｎｄ　Ｐｅｔｒｏｌｅｕｍ　Ｒｅｓｏｕｒｃｅｓ，Ｙａｎｇｔｚｅ　Ｕｎｉｖｅｒｓｉｔｙ，Ｗｕｈａｎ，Ｈｕｂｅｉ　４３０１００，Ｃｈｉｎａ；３．ＣＮＰＣ　Ｋｅｙ　Ｌａｂｏｒａｔｏｒｙ　ｏｆ　Ｇｅｏｐｈｙｓｉｃａｌ　Ｐｒｏｓｐｅｃ－ｔｉｎｇ，Ｃｈｉｎａ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｐｅｔｒｏｌｅｕｍ（Ｂｅｉｊｉｎｇ），Ｂｅｉ－ｊｉｎｇ　１０２２４９，Ｃｈｉｎａ；
４．Ｈｕｂｅｉ　Ｃｏｏｐｅｒａｔｉｖｅ　Ｉｎｎｏｖａｔｉｏｎ　Ｃｅｎｔｅｒ　ｏｆ　Ｕｎｃｏｎ－ｖｅｎｔｉｏｎａｌ　Ｏｉｌ　ａｎｄ　Ｇａｓ，Ｗｕｈａｎ，Ｈｕｂｅｉ　４３０１００，ＣｈｉｎａＴｈｅ　ｓｈｏｔ　ｉｎｆｉｌｌｉｎｇ　ｍｅｔｈｏｄ　ｂａｓｅｄ　ｏｎ　ｓｅｉｓｍｉｃ　ｌｅｇａｃｙ　ｄａ－ｔａ．ＸＵ　Ｙｉｎｐｏ１，２，ＳＯＮＧ　Ｑｉａｎｇｇｏｎｇ３，ＰＡＮ　Ｙｉｎｇｊｉｅ１，ＮＩ　Ｙｕｄｏｎｇ１，ＺＯＵ　Ｘｕｅｆｅｎｇ４，ａｎｄ　ＹＵ　Ｊｉａｎｐｅｎｇ１．ＯｉｌＧｅｏｐｈｙｓｉｃａｌ　Ｐｒｏｓｐｅｃｔｉｎｇ，２０２０，５５（６）：１２２０－１２３０．Ｂａｓｅｄ　ｏｎ　ｒａｙ　ｔｒａｃｉｎｇ　ａｎｄ　ｗａｖｅ　ｅｑｕａｔｉｏｎ　ｉｌｌｕｍｉ－ｎａｔｉｏｎ　ｒｅｓｕｌｔ，ｔｈｅ　ｃｏｎｖｅｎｔｉｏｎａｌ　ｍｅｔｈｏｄ　ｆｏｒ　ｉｍｐｒｏ－ｖｉｎｇ　ｔｈｅ　ｉｍａｇｉｎｇ　ｑｕａｌｉｔｙ　ｏｆ　ｔｈｅ　ｓｈａｄｏｗ　ｚｏｎｅ　ｏｆ　ａｔａｒｇｅｔ　ｌａｙｅｒ　ｗｉｔｈ　ｃｏｍｐｌｅｘ　ｓｔｒｕｃｔｕｒｅｓ　ｉｓ　ｔｏ　ａｎａｌｙｚｅｔｈｅ　ｄｉｓｔｒｉｂｕｔｉｏｎ　ｏｆ　ｉｒｒａｄｉａｔｉｎｇ　ｅｎｅｒｇｙ　ｉｎ　ｔｈｅ　ｓｈａｄｏｗｚｏｎｅ　ａｎｄ　ｓｅｌｅｃｔ　ｔｈｅ　ｉｎｆｉｌｌｅｄ　ｓｈｏｔｓ　ａｃｃｏｒｄｉｎｇ　ｔｏ　ｔｈｅｃｏｎｔｒｉｂｕｔｉｏｎ　ｆｒｏｍ　ｉｌｌｕｍｉｎａｔｅｄ　ｅｎｅｒｇｙ　ｔｏ　ｔｈｅ　ｓｈａｄｏｗｚｏｎｅ．Ｈｏｗｅｖｅｒ，ｉｔ　ｉｓ　ｉｍｐｏｓｓｉｂｌｅ　ｔｏ　ａｃｃｕｒａｔｅｌｙ　ｃｒｅａｔｅａｇｅｏｌｏｇｉｃａｌ　ｍｏｄｅｌ　ｄｕｅ　ｔｏ　ｔｈｅ　ｃｏｍｐｌｅｘｉｔｙ　ｏｆ　ｇｅｏｌｏｇ－ｉｃａｌ　ｓｔｒｕｃｔｕｒｅｓ，ｗｈｉｃｈ　ｗｉｌｌ　ａｆｆｅｃｔ　ｔｈｅ　ｉｌｌｕｍｉｎａｔｉｏｎ　ａ－ｎａｌｙｓｉｓ　ｔｏ　ｃｏｍｐｌｅｘ　ｔａｒｇｅｔ　ｌａｙｅｒ　ａｎｄ　ｌｅａｄ　ｔｏ　ｉｔ　ｉｓ　ｄｉｆ－ｆｉｃｕｌｔ　ｔｏ　ｉｍｐｒｏｖｅ　ｔｈｅ　ｉｍａｇｉｎｇ　ｑｕａｌｉｔｙ　ｏｆ　ｔｈｅ　ｔａｒｇｅｔａｒｅａ　ｗｉｔｈ　ｃｏｍｐｌｅｘ　ｓｔｒｕｃｔｕｒｅ　ｂｙ　ｉｎｆｉｌｌｉｎｇ　ｓｈｏｔｓ．Ｂａｓｅｄ　ｏｎ　ｔｈｉｓ　ｓｉｔｕａｔｉｏｎ，ｔｈｉｓ　ｐａｐｅｒ　ｐｒｏｐｏｓｅｓ　ｔｈｅｍｅｔｈｏｄ　ｆｏｒ　ｉｍｐｒｏｖｉｎｇ　ｔｈｅ　ｉｍａｇｉｎｇ　ｑｕａｌｉｔｙ　ｏｆ　ｓｈａｄ－ｏｗ　ｚｏｎｅ　ｏｆ　ｔｈｅ　ｔａｒｇｅｔ　ｌａｙｅｒ　ｏｎ　ｔｈｅ　ｂａｓｉｓ　ｏｆ　ｔｈｅ　ｌｅｇａ－ｃｙ　ｄａｔａ　ａｃｃｏｒｄｉｎｇ　ｔｏ　ｔｈｅ　ｌｏｃａｌ　ｓｉｍｉｌａｒｉｔｙ　ｔｈｅｏｒｙ：Ｆｉｒｓｔｌｙ，ｔｈｅ　ｇｅｏｍｅｔｒｙ　ｓｈｏｕｌｄ　ｂｅ　ｄｒａｗｎ　ｕｐ　ａｃｃｏｒｄｉｎｇｔｏ　ｔｈｅ　ｇｅｏｌｏｇｉｃａｌ　ｔａｓｋ　ｏｆ　ｅｘｐｌｏｒａｔｉｏｎ　ａｒｅａ，ａｎｄ　ｔｈｅｓｈｏｔ　ｉｎｔｅｒｖａｌ（ｏｒ　ｓｈｏｔ　ｌｉｎｅ　ｉｎｔｅｒｖａｌ）ｓｈｏｕｌｄ　ｂｅ　ａｓｓｍａｌｌ　ａｓ　ｐｏｓｓｉｂｌｅ；Ｓｅｃｏｎｄｌｙ，ｃａｌｃｕｌａｔｅ　ｔｈｅ　ｌｏｃａｌ　ｓｉｍｉ－ｌａｒｉｔｙ　ｏｆ　ｅａｃｈ　ｔｒａｃｅ　ｏｆ　ｔｈｅ　ｃｏｍｍｏｎ　ｉｍａｇｉｎｇ　ｐｏｉｎｔ（ＣＩＰ）ｇａｔｈｅｒｓ　ｏｆ　ｔｈｅ　ｌｅｇａｃｙ　ｓｅｉｓｍｉｃ　ｄａｔａ　ａｎｄ　ｐｉｃｋｔａｒｇｅｔ　ｌａｙｅｒ　ｉｎ　ｓｔａｃｋｅｄ　ｄａｔａ；ｓｏ　ｔｈｅ　ｌｏｃａｌ　ｓｉｍｉｌａｒｉｔｙｏｆ　ｔａｒｇｅｔ　ｌａｙｅｒ　ｆｏｒ　ａｌｌ　ｔｒａｃｅｓ　ｏｆ　ａｌｌ　ｓｈｏｔｓ　ｉｓ　ｏｂ－ｔａｉｎｅｄ；Ｔｈｉｒｄｌｙ，ｕｓｅ　ｓｐａｔｉａｌ　ｉｎｔｅｒｐｏｌａｔｉｏｎ　ｔｏ　ｃａｌｃｕ－ｌａｔｅ　ｔｈｅ　ｌｏｃａｌ　ｓｉｍｉｌａｒｉｔｙ　ｏｆ　ａｌｌ　ｓｈｏｔｓ　ａｎｄ　ｔｈｅ　ｃｏｎｔｒｉ－ｂｕｔｉｏｎ　ｏｆ　ｔｈｅ　ｎｏｒｍａｌ　ｓｈｏｔｓ　ｔｏ　ｔｈｅ　ｔａｒｇｅｔ　ｌａｙｅｒ　ｗｉｔｈｔｈｅ　ｄｅｓｉｇｎｅｄ　ｇｅｏｍｅｔｒｙ，ａｎｄ　ｅｓｔａｂｌｉｓｈ　ｔｈｅ　ｒｅｌａｔｉｏｎｃｕｒｖｅ（ｃｕｒｖｅｄ　ｆａｃｅ）ｂｅｔｗｅｅｎ　ｔｈｅ　ｌｏｃａｌ　ｓｉｍｉｌａｒｉｔｙ　ｏｆｅａｃｈ　ＣＩＰ　ｇａｔｈｅｒ　ａｎｄ　ｓｐａｔｉａｌ　ｐｏｓｉｔｉｏｎ　ｔｏ　ｄｅｔｅｒｍｉｎｅｔｈｅ　ｚｏｎｅｓ　ｗｉｔｈ　ｌｏｗ　ｌｏｃａｌ　ｓｉｍｉｌａｒｉｔｙ　ｖａｌｕｅ；Ｆｉｎａｌｌｙ，ｕｓｅ　ｔｈｅ　ｕｎｉｆｏｒｍｉｔｙ　ｏｆ　ｌｏｃａｌ　ｓｉｍｉｌａｒｉｔｙ　ｏｆ　ｔａｒｇｅｔ　ｌａｙｅｒａｓ　ｉｎｄｅｘ　ｔｏ　ｄｅｔｅｒｍｉｎｅ　ｔｈｅ　ｐｏｓｉｔｉｏｎｓ　ａｎｄ　ｄｅｎｓｉｔｙ　ｏｆｉｎｆｉｌｌｅｄ　ｓｈｏｔｓ．Ｔｈｅ　ｖｅｒｉｆｉｃａｔｉｏｎｓ　ｂｙ　ｔｈｅｏｒｅｔｉｃａｌ　ｄａｔａａｎｄ　ｐｒａｃｔｉｃａｌ　ｄａｔａ　ｉｎｄｉｃａｔｅ　ｔｈａｔ　ｔｈｉｓ　ｍｅｔｈｏｄ　ｃａｎ　ｅ－ｃｏｎｏｍｉｃａｌｌｙ　ｉｎｆｉｌｌ　ｓｕｉｔａｂｌｅ　ｓｈｏｔｓ　ａｎｄ　ｉｍｐｒｏｖｅ　ｔｈｅｉｍａｇｉｎｇ　ｅｆｆｅｃｔ　ｏｆ　ｓｈａｄｏｗ　ｚｏｎｅｓ　ｏｆ　ｔｈｅ　ｔａｒｇｅｔ　ｌａｙｅｒｉｎ　ａｒｅａｓ　ｗｉｔｈ　ｈｉｇｈ　ｓｔｅｅｐ　ｄｉｐ　ａｎｇｌｅ　ａｎｄ　ｏｖｅｒｔｈｒｕｓｔｓｔｒｕｃｔｕｒｅｓ　ａｎｄ　ｗｈｏｓｅ　ｌａｔｅｒａｌ　ｖｅｌｏｃｉｔｉｅｓ　ｃｈａｎｇｅ　ｓｅ－ｖｅｒｅｌｙ．
Ｋｅｙｗｏｒｄｓ：ｇｅｏｍｅｔｒｙ，ｉｎｆｉｌｌｅｄ　ｓｈｏｔｓ，ｃｏｍｍｏｎ　ｉｍａ－ｇｉｎｇ　ｐｏｉｎｔ（ＣＩＰ）ｇａｔｈｅｒｓ，ｌｏｃａｌ　ｓｉｍｉｌａｒｉｔｙ，ｓｔａｃｋｅｄｄａｔａ，ｕｎｉｆｏｒｍｉｔｙ
１．Ａｃｑｕｉｓｉｔｉｏｎ　Ｔｅｃｈｎｉｑｕｅ　Ｃｅｎｔｅｒ，ＢＧＰ，ＣＮＰＣ，Ｚｈｕｏｚｈｏｕ，Ｈｅｂｅｉ　０７２７５１，Ｃｈｉｎａ
２．Ｓｏｕｔｈｗｅｓｔ　Ｐｅｔｒｏｌｅｕｍ　Ｕｎｉｖｅｒｓｉｔｙ，Ｓｉｃｈｕａｎ　Ｐｒｏｖ－ｉｎｃｅ　Ｎａｔｕｒａｌ　Ｇａｓ　Ｇｅｏｌｏｇｙ　Ｋｅｙ　Ｌａｂｏｒａｔｏｒｙ，Ｃｈｅｎｇ－ｄｕ，Ｓｉｃｈｕａｎ　６１０５００，Ｃｈｉｎａ
３．Ｒｅｓｅａｒｃｈ　＆Ｄｅｖｅｌｏｐｍｅｎｔ　Ｃｅｎｔｅｒ，ＢＧＰ，ＣＮＰＣ，Ｚｈｕｏｚｈｏｕ，Ｈｅｂｅｉ　０７２７５１，Ｃｈｉｎａ
４．Ｃｈａｎｇｑｉｎｇ　Ｄｉｖｉｓｉｏｎ，ＢＧＰ，ＣＮＰＣ，Ｘｉ’ａｎ，Ｓｈａａｎｘｉ７１００２１，Ｃｈｉｎａ
Ｄｅｐｔｈ－ｄｏｍａｉｎ　ｗａｖｅｌｅｔ　ｅｓｔｉｍａｔｉｏｎ　ｕｓｉｎｇ　ｔｈｅ　ｓｕｂｓｐａｃｅ－ｃｏｎｓｔｒａｉｎｅｄ　Ｈｕｂｅｒ　ｎｏｒｍ．ＺＨＡＮＧ　Ｊｉｅ１，２，ＣＨＥＮ　Ｘｕｅ－ｈｕａ１，２，ＪＩＡＮＧ　Ｗｅｉ　１，２，ＤＡＮ　Ｚｈｉｗｅｉ　３，ａｎｄ　ＸＩＡＯＷｅｉ　３．Ｏｉｌ　Ｇｅｏｐｈｙｓｉｃａｌ　Ｐｒｏｓｐｅｃｔｉｎｇ，２０２０，５５（６）：１２３１－１２３６，１２４４．
Ｇｅｎｅｒａｌｌｙ，ｉｎ　ｔｈｅ　ｃｏｎｓｔａｎｔ－ｖｅｌｏｃｉｔｙ　ｄｅｐｔｈ　ｄｏ－ｍａｉｎ，ｏｎｌｙ　ａ　ｆｅｗ　ｈｕｎｄｒｅｄ　ｍｅｔｅｒｓ　ｏｆ　ｌｏｇｇｉｎｇ　ｉｎｆｏｒ－ｍａｔｉｏｎ　ｉｓ　ａｖａｉｌａｂｌｅ，ａｎｄ　ｉｓ　ｅｑｕｉｖａｌｅｎｔ　ｔｏ　２～５ｔｉｍｅｓｔｈｅ　ｌｅｎｇｔｈ　ｏｆ　ａ　ｃｏｎｓｔａｎｔ　ｄｅｐｔｈ－ｄｏｍａｉｎ　ｓｅｉｓｍｉｃｗａｖｅｌｅｔ．Ｉｔ　ｉｓ　ｄｉｆｆｉｃｕｌｔ　ｔｏ　ｅｓｔｉｍａｔｅ　ａ　ｒｅｌｉａｂｌｅ　ｓｅｉｓｍｉｃｗａｖｅｌｅｔ　ｆｒｏｍ　ｓｕｃｈ　ａ　ｓｈｏｒｔ　ｄａｔａ　ｓｅｇｍｅｎｔ．Ｔｏ　ａｄ－ｄｒｅｓｓ　ｔｈｉｓ　ｉｓｓｕｅ，ｗｅ　ｐｒｏｐｏｓｅｄ　ａ　ｍｅｔｈｏｄ　ｆｏｒ　ｅｓｔｉｍａ－ｔｉｎｇ　ｔｈｅ　ｃｏｎｓｔａｎｔ－ｖｅｌｏｃｉｔｙ　ｄｅｐｔｈ－ｄｏｍａｉｎ　ｗａｖｅｌｅｔ　ｕ－ｓｉｎｇ　ｔｈｅ　ｓｕｂｓｐａｃｅ－ｃｏｎｓｔｒａｉｎｅｄ　Ｈｕｂｅｒ　ｎｏｒｍ．Ｔｈｅｃｏｒｒｅｓｐｏｎｄｉｎｇ　ｐｒｏｃｅｄｕｒｅ　ｃａｎ　ｂｅ　ｄｉｖｉｄｅｄ　ｉｎｔｏ　ｔｈｒｅｅｓｔｅｐｓ．Ｆｉｒｓｔ，ｔｈｅ　ｒｅｆｌｅｃｔｉｖｉｔｙ　ａｎｄ　ｔｈｅ　ｓｅｉｓｍｉｃ　ｔｒａｃｅｎｅａｒ　ｔｈｅ　ｗｅｌｌ　ｌｏｃａｔｉｏｎ　ａｒｅ　ｔｒａｎｓｆｏｒｍｅｄ　ｆｒｏｍ　ｔｈｅ　ｒｅａｌｄｅｐｔｈ　ｄｏｍａｉｎ　ｔｏ　ｔｈｅ　ｃｏｎｓｔａｎｔ－ｖｅｌｏｃｉｔｙ　ｄｅｐｔｈ　ｄｏ－ｍａｉｎ．Ｎｅｘｔ，ｓｅｔ　ａ　ｔｈｒｅｓｈｏｌｄ　ａｎｄ　ｇｅｎｅｒａｔｅ　ｔｈｅ　ｉｎｉｔｉａｌｓｙｎｔｈｅｔｉｃ　ｓｅｉｓｍｏｇｒａｍ　ｂｙ　ｃｏｎｖｏｌｕｔｉｎｇ　ｔｈｅ　ｃｏｎｓｔａｎｔ－ｖｅｌｏｃｉｔｙ　ｄｅｐｔｈ－ｄｏｍａｉｎ　ｒｅｆｌｅｃｔｉｖｉｔｙ　ａｎｄ　ｔｈｅ　ｉｎｉｔｉａｌｓｅｉｓｍｉｃ　ｗａｖｅｌｅｔ．Ｆｉｎａｌｌｙ，ｔｈｅ　ｓｅｉｓｍｉｃ　ｗａｖｅｌｅｔ　ｉｓ　ｕｐ－ｄａｔｅｄ　ｂｙ　ｉｔｅｒａｔｉｖｅ　ｌｅａｓｔ　ｓｑｕａｒｅ　ｍｅｔｈｏｄ　ａｃｃｏｒｄｉｎｇ　ｔｏｔｈｅ　ｒｅｓｉｄｕａｌ　ｅｒｒｏｒ　ｏｆ　ｔｈｅ　ｓｙｎｔｈｅｔｉｃ　ｓｅｉｓｍｏｇｒａｍ　ａｎｄｔｈｅ　ｓｅｉｓｍｉｃ　ｔｒａｃｅ　ｕｎｔｉｌ　ｔｈｅ　ｉｔｅｒａｔｉｏｎ　ｔｅｒｍｉｎａｔｉｏｎｃｏｎｄｉｔｉｏｎ　ｉｓ　ｒｅａｃｈｅｄ．Ｗｅ　ｃｏｍｐａｒｅ　ｔｈｅ　ｐｒｏｐｏｓｅｄｍｅｔｈｏｄ　ａｎｄ　ｔｈｅ　ｃｏｎｖｅｎｔｉｏｎａｌ　ｌｅａｓｔ　ｓｑｕａｒｅ－ｂａｓｅｄｍｅｔｈｏｄｓ　ｔｈｒｏｕｇｈ　ｔｈｅ　ｓｙｎｔｈｅｔｉｃ　ａｎｄ　ｆｉｅｌｄ　ｓｅｉｓｍｉｃ　ｄａ－ｔａ．Ｔｈｅ　ｒｅｓｕｌｔｓ　ｓｈｏｗ　ｔｈａｔ　ｔｈｅ　ｈｉｇｈ　ｐｅｒｆｏｒｍａｎｃｅ　ｏｆｏｕｒ　ｍｅｔｈｏｄ　ｆｏｒ　ｅｓｔｉｍａｔｉｎｇ　ｔｈｅ　ｒｅｌｉａｂｌｅ　ｗａｖｅｌｅｔ　ｆｒｏｍｌｉｍｉｔｅｄ　ｓｅｉｓｍｉｃ　ａｎｄ　ｗｅｌｌ－ｌｏｇ　ｄａｔａ　ｓｅｇｍｅｎｔ．Ｔｈｅ　ｐｒｏ－ｐｏｓｅｄ　ｍｅｔｈｏｄ　ｃａｎ　ｂｅ　ｆｕｒｔｈｅｒ　ｅｘｔｅｎｄｅｄ　ｔｏ　ｅｓｔｉａｍｔｅ。