一种多尺度卷积曼巴地震数据插值去噪同步处理方法及系统

一种多尺度卷积曼巴地震数据插值去噪同步处理方法及系统，用于随机缺失道、连续缺失道以及随机噪声耦合条件下的地震资料高保真重构与去噪同步处理，属于地震资料处理、人工智能地球物理和油气勘探开发。

背景技术：

1、地震资料的规则采样和高信噪比记录是获得可靠地下结构认识的重要基础。实际地震采集过程中，受复杂地形、近地表条件、观测系统不规则、检波器或炮点故障、施工限制以及仪器干扰等因素影响，地震记录中常出现随机缺失道和连续缺失道。同时，复杂近地表条件、环境振动和仪器响应差异还会引入随机噪声，使有效反射信号的连续性、振幅关系和相位特征受到破坏。

2、传统地震数据处理通常将缺失道插值与随机噪声压制作为两个相对独立的步骤依次执行。常用插值方法包括f-x预测滤波、傅里叶域插值、压缩感知重建、低秩重构、曲波或seislet稀疏表示等；常用去噪方法包括预测滤波、结构导向滤波、小波阈值、曲波阈值、字典学习和低秩去噪等。上述方法具有清晰的数学或物理先验，但大多依赖局部线性同相轴、稀疏频谱、低秩结构、稳定倾角或固定变换基等假设。当地震资料存在复杂构造、弯曲同相轴、断裂边界、连续大间隔缺失或低信噪比弱反射时，固定先验容易失配，导致插值结果出现断轴、振幅偏差或构造伪影。

3、传统串行插值去噪流程还容易产生误差传递。在先插值后去噪的流程中，插值阶段可能将随机噪声误判为具有连续性的有效反射信号并参与缺失道重构；在先去噪后插值的流程中，去噪阶段可能将弱反射、小振幅异常和局部相位信息过度平滑，从而降低后续插值约束的可靠性。对于储层预测、断裂系统刻画、薄层识别和时移监测等应用而言，弱反射、局部振幅异常和断裂边界往往具有重要地质意义，因此插值去噪方法不仅需要提高数值重构精度，还应尽量保持同相轴空间连续性、振幅相对关系和局部边界特征。

4、近年来，深度学习方法被逐渐引入地震数据恢复任务。卷积神经网络能够通过端到端训练学习含噪缺失数据与完整数据之间的非线性映射关系，在随机噪声压制、地震插值和图像式重建方面显示出较强能力。然而，卷积网络主要依赖有限局部感受野提取特征，虽然通过堆叠卷积和编码器—解码器结构能够扩大感受范围，但对跨道、跨时间方向的长程结构依赖表达仍然不足。在连续缺失道、高缺失率和强噪声条件下，仅依赖局部卷积容易造成同相轴断裂、局部振幅平滑以及弱反射恢复不足。

5、曼巴模型为长序列建模提供了新的技术途径。曼巴通过输入依赖的选择性状态更新和并行扫描机制，能够在近似线性复杂度下建模长程依赖关系。但是，标准曼巴主要面向一维序列数据，地震剖面则具有典型二维组织形式，同相轴形态同时受时间采样方向和地震道方向控制。若将二维地震特征图简单展平为一维序列，可能破坏原有空间邻接关系和方向信息，影响缺失道位置的同相轴延续和复杂构造边界恢复。

6、综上所述，现有技术存在如下技术问题：

7、1、现有串行插值去噪流程容易产生误差传递；

8、2、传统模型驱动方法对固定先验依赖较强以及单一卷积网络难以表达二维长程同相轴结构的问题；

9、3、现有序列建模方法应用于二维地震数据时，通常需要将二维特征按照单一路径展开为一维序列，容易破坏时间采样方向与地震道方向原有的空间邻接关系和方向关系，限制了不同方向反射结构的信息传播能力，不利于弯曲同相轴、倾斜反射和断裂边界的恢复；

10、4、现有编码器—解码器网络通常采用池化操作进行下采样并采用插值或转置卷积进行上采样，尺度变换过程中容易丢失弱反射、薄层响应、局部边界和振幅突变等高频细节，且上采样过程可能引入局部重构伪影，影响恢复数据的波形一致性和局部结构保真度；

11、5、现有地震数据恢复方法在混合缺失与随机噪声共同存在的条件下，难以同时兼顾缺失区域重构、有效观测区域振幅保持、同相轴结构连续性以及局部边界保护，容易出现噪声压制不足、有效弱信号损伤或重构结果过度平滑的问题。

12、因此，亟需一种能够在统一框架下同时利用局部波形特征、二维长程结构关系和多尺度频带信息的地震数据插值去噪同步处理方法。

技术实现思路

1、针对上述技术问题，本发明的目的在于提供一种多尺度卷积曼巴地震数据插值去噪同步处理方法及系统，解决现有串行插值去噪流程容易产生误差传递、传统模型驱动方法对固定先验依赖较强以及单一卷积网络难以表达二维长程同相轴结构等问题。

2、为了达到上述目的，本发明采用如下技术方案：

3、一种多尺度卷积曼巴地震数据插值去噪同步处理方法，包括如下步骤：

4、步骤1、获取待处理地震数据构建采样掩码；

5、步骤2、根据采样掩码构造含噪缺失输入数据：

6、

7、其中，表示含噪缺失输入数据，表示随机噪声，⊙表示逐元素乘积，表示完整且不含随机噪声的目标地震数据；

8、步骤3、构建多尺度卷积曼巴融合网络，包括编码阶段和解码阶段，编码阶段包括依次相连接的对含噪缺失输入数据和采样掩码进行1×1卷积操作得到输入特征的1×1卷积层，对输入特征依次进行编码操作的四个编码单元,各编码单元包括对对应编码尺度的输入特征进行局部特征提取和全局状态特征提取的局部卷积特征提取分支和基于视觉状态空间的曼巴全局状态建模分支、对局部特征提取和全局状态特征进行融合的残差通道注意力融合模块，对残差通道注意力融合模块融合后的特征进行离散小波变换获得下一编码尺度的输入特征的多尺度小波变换下采样层；

9、所述解码阶段采用逆离散小波变换逐级恢复编码阶段最深编码尺度的输出特征的空间分辨率，并通过跳跃连接接收编码阶段对应尺度的融合特征；

10、步骤4、采用复合损失函数和数据集训练多尺度卷积曼巴融合网络，复合损失函数包括分区重构损失、结构相似性损失和梯度一致性损失；

11、步骤5、基于训练好的多尺度卷积曼巴融合网络对叠前道集或叠后地震剖面进行地震数据的缺失道补全和随机噪声压制，即得到完整去噪地震数据。

12、进一步，所述步骤1的具体步骤为：

13、步骤1.1、获取待处理地震数据，并根据道头信息、地震道排列信息或预设缺失模式确定随机道缺失位置和连续道缺失位置；

14、步骤1.2、基于步骤1.1确定的随机道缺失位置和连续道缺失位置构建整道级采样掩码 ，具体为：将所述随机道缺失位置和连续道缺失位置对应地震道的全部时间采样点的掩码值设为0，将其余有效地震道对应的全部时间采样点的掩码值设为1，其中，表示缺失道位置，表示有效观测道位置。

15、进一步，所述步骤3中的局部卷积特征分支包括连续的两级3×3卷积层、批量归一化层和激活函数层，局部卷积特征的提取过程表示为：

16、

17、

18、其中，表示第个尺度上的输入特征，当时，为1×1卷积层得到的输入特征，当时，为当前编码尺度的输入特征，表示第个尺度上经局部卷积特征提取分支提取的第个尺度上编码单元的输出特征，即表示第个尺度上映射后的局部卷积特征，表示第一级3×3的卷积层的卷积操作，表示第二级3×3的卷积层的卷积操作，表示批量归一化操作，表示激活函数，表示激活函数的输入变量，表示双曲正切函数，表示自然对数函数，表示自然常数；

19、其中，第级3×3卷积层在第个尺度的位置、第个输出通道上的具体计算过程为:

20、

21、其中，，表示第级3×3卷积层的输入特征在位置和第个输入通道上的响应值，，表示第级3×3卷积层的输入通道数，表示第级3×3卷积层中第个输入通道与第个输出通道之间、卷积核位置处的权重，表示第级3×3卷积层中第个输出通道的偏置项。

22、进一步，所述步骤3中基于视觉状态空间的曼巴全局状态建模分支的具体实现步骤为：

23、将第个编码尺度上的输入特征输入曼巴全局状态建模分支，对输入特征依次进行层归一化和线性映射，得到中间特征，即二维地震特征：

24、

25、其中，表示层归一化，表示线性投影操作；

26、采用二维选择性扫描对二维地震特征进行重排，将二维地震特征分别沿时间采样方向和地震道方向的多条扫描路径组织为多个方向序列：

27、

28、其中，表示不同扫描方向，包括时间采样方向和地震道方向，表示扫描路径数，表示第个扫描方向的二维地震特征序列，表示二维选择性扫描；

29、基于多个方向序列，对各方向序列分别进行选择性状态空间建模，对于第条扫描路径对应的方向序列，其状态更新和输出过程可表示为：

30、

31、其中，表示第个尺度上第条扫描路径中第个位置的隐藏状态，表示第个尺度上第条扫描路径中第个位置的输出特征，表示第个尺度上第条扫描路径中第个位置的输入映射参数，表示第个尺度上第条扫描路径中第个位置的输出映射参数，表示输入至输出的直通参数，表示第个尺度上第条扫描路径中第个位置的状态转移参数、第个尺度上第条扫描路径中第个位置的输入特征；

32、将各扫描方向得到的输出序列按照相应扫描路径恢复至二维特征域，并通过交叉合并操作进行融合，得到所述曼巴全局状态建模分支输出的全局状态特征：

33、

34、

35、其中，表示第条扫描路径对应的输出序列，表示第条扫描路径对应序列的总长度，表示将多个方向的输出序列恢复至二维特征域并进行交叉合并操作，表示输出线性投影操作，表示第个尺度上曼巴全局状态建模分支输出的全局状态特征;

36、进一步，所述步骤3中残差通道注意力融合模块的具体步骤为：

37、首先利用1×1卷积进行通道映射，公式为：

38、

39、其中，和分别表示对局部卷积特征和全局状态特征进行通道投影操作，和分别表示对和进行通道投影操作后的结果；

40、之后，将两类特征在通道维度进行拼接，其联合特征表示为：

41、

42、其中，表示通道维度拼接操作；

43、对联合特征进行全局平均池化，公式为：

44、

45、其中，第个尺度的联合特征在第个通道上的全局统计响应，和分别表示第个尺寸下特征图的空间尺寸，表示联合特征在空间位置及第个通道上的响应值；

46、通过轻量化非线性映射生成第个尺寸的通道注意力权重：

47、

48、其中，和表示可学习映射参数，表示非线性激活函数，表示函数，表示第个尺寸的通道注意力权重，表示各通道的全局统计响应组成的通道描述向量；

49、最终，融合过程可表示为：

50、

51、其中，表示逐元素乘积，表示输出通道映射，为融合局部和全局后的特征。

52、6.根据权利要求5所述的一种多尺度卷积曼巴地震数据插值去噪同步处理方法，其特征在于：所述步骤3中的多尺度小波变换下采样层对融合局部和全局后的特征进行离散小波变换，得到低频大尺度分量和多个方向的高频小尺度分量，公式为：

53、

54、其中，表示离散小波变换，表示低频大尺度分量，表征地震反射的整体趋势、背景构造和大尺度同相轴连续性，、和分别表示不同方向的高频小尺度分量，表征局部边界、振幅突变、薄层响应、小尺度纹理变化以及断续反射细节；

55、将低频大尺度分量和多个方向的高频小尺度分量沿通道维度进行拼接，并通过1×1卷积调整通道数，得到下一尺度的输入特征，公式为：

56、

57、其中，表示通道维度拼接操作，表示1×1卷积映射操作，表示第个尺度的输入特征。

58、进一步，所述步骤3中的解码阶段按照与编码阶段相反的尺度顺序逐级恢复特征空间分辨率，具体步骤为：

59、将最深编码尺度的输出特征作为解码阶段的初始输入特征，对于由第个尺度恢复至第个尺度的解码过程，设第个尺度的解码输入特征为，其中，在首次解码时，为最深编码尺度的输出特征，在后续解码过程中，为前一解码单元输出的对应尺度解码特征：

60、

61、其中，表示子带映射操作，分别表示用于逆小波重构的低频大尺度子带特征和不同方向的高频小尺度子带特征；

62、随后，通过逆离散小波变换将低频大尺度子带特征和不同方向的高频小尺度子带特征恢复至第个尺度的空间分辨率：

63、

64、其中，表示逆离散小波变换，即表示上采样，表示经逆小波变换恢复后的第个尺度特征，即指第个尺度的空间分辨率；

65、将编码阶段得到的融合局部和全局后的特征与解码阶段得到的第个尺度特征对应尺度跳跃连接在通道维度进行融合，并通过卷积细化操作获得第个尺度的解码输出特征：

66、

67、其中，表示后续卷积细化操作；

68、再基于进行逐级解码获得最高空间分辨率尺度的解码输出特征；

69、最终通过1×1卷积将解码输出特征映射至单通道地震数据空间，得到多尺度卷积曼巴融合网络最终输出的插值去噪结果：

70、

71、其中，表示多尺度卷积曼巴融合网络输出的地震数据插值去噪结果。

72、进一步，所述步骤4中：

73、复合损失函数为：

74、

75、分区重构损失为

76、

77、结构相似性损失为：

78、

79、梯度一致性损失为：

80、

81、其中，分别表示分区重构损失、结构相似性损失和梯度一致性损失的权重，和分别表示缺失区域与有效观测区域的权重，为防止分母为0的极小常数，沿地震道排列方向的梯度算子，表示沿时间采样方向的梯度算子，表示一范数，表示采样掩码，表示完整且不含随机噪声的目标地震数据。

82、一种多尺度卷积曼巴地震数据插值去噪同步处理系统，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序以实现所述一种多尺度卷积曼巴地震数据插值去噪同步处理方法的步骤。

83、本发明同现有技术相比，其有益效果表现在：

84、一、本发明将插值与去噪统一为同一掩码约束下的重构任务，可降低串行流程中插值误差和去噪误差相互放大的风险，即本发明将地震数据插值与随机噪声压制统一建模，避免了传统“先插值、后去噪”或“先去噪、后插值”串行流程中可能产生的误差传递问题，能够在恢复缺失采样的同时压制随机噪声，提高地震数据处理流程的一致性和稳定性；

85、二、本发明中的局部卷积特征提取分支与基于视觉状态空间的曼巴全局状态建模分支协同工作，使多尺度卷积曼巴融合网络兼具弱反射细节保持能力和连续缺失区域的长程同相轴延续能力，即本发明通过局部卷积特征提取分支提取邻域范围内的振幅变化、短周期波形、弱反射细节和局部边界信息，有利于保持地震剖面中的局部振幅特征、薄层响应和小尺度反射结构，减少插值去噪过程中有效弱信号被过度平滑的问题，基于视觉状态空间的曼巴全局状态建模分支，通过二维选择性扫描对地震特征进行多方向状态传播和上下文聚合，能够在时间采样方向和地震道方向上同时建立长程结构联系，增强连续缺失道、弯曲同相轴和复杂构造背景下的同相轴延续能力；

86、三、本发明采用残差通道注意力融合模块对局部卷积特征和全局状态特征进行自适应融合，能够根据不同通道特征对当前重构任务的贡献动态分配权重，既避免全局特征削弱局部弱反射，又减少局部噪声纹理对重构结果的影响，从而提高局部细节保持与整体结构连续性的平衡能力；

87、四、本发明中的小波尺度变换能够在下采样和上采样过程中保留多频带信息，减少传统池化和转置卷积引起的高频细节损失及重构伪影，本发明采用离散小波变换替代传统最大池化进行编码下采样，并采用逆离散小波变换替代转置卷积进行解码上采样，能够在尺度变换过程中保留低频构造趋势和高频边界细节，减少常规池化造成的高频信息损失以及转置卷积可能引入的重构伪影；

88、五、本发明中的复合损失函数同时约束振幅保真、结构连续性和局部梯度一致性，可提高地震数据在缺失道补全、随机噪声压制和有效信号保护之间的平衡能力；

89、六、本发明适用于随机缺失、连续缺失以及含随机噪声的地震资料重构场景，能够提高缺失道补全结果的波形一致性、同相轴连续性和振幅保真度，为后续偏移成像、属性分析、储层预测和地震解释提供更高质量的基础数据。