一种基于区域约束与盲奖励像素级强化学习的地震随机噪声衰减方法

摘要: 本发明涉及地震勘探数据随机噪声衰减处理,尤其涉及一种基于区域约束与盲奖励像素级强化学习的地震随机噪声衰减方法。背景技术:1、地震数据是构造成像、属性分析和储层预...
一种基于区域约束与盲奖励像素级强化学习的地震随机噪声衰减方法

本发明涉及地震勘探数据随机噪声衰减处理,尤其涉及一种基于区域约束与盲奖励像素级强化学习的地震随机噪声衰减方法。

背景技术:

1、地震数据是构造成像、属性分析和储层预测的重要基础。受采集环境、仪器状态和近地表非均质性等因素影响,地震记录中常含有空间非平稳的随机噪声;深部、薄层和小尺度构造对应的弱反射又容易被噪声掩盖。随机噪声衰减因此需要同时考虑噪声压制、同相轴连续性、断层边界和弱反射幅值保持,而不能仅以输出平滑程度作为处理目标。

2、现有地震随机噪声衰减方法包括频率-波数域滤波、小波或稀疏变换、低秩近似、预测类方法等模型驱动方法。不同方法分别依赖频谱分离、稀疏性、低秩性或可预测性等假设,具有可解释、无需训练等优点;但当构造形态、噪声强度或频谱随空间明显变化时,固定参数可能造成局部残余噪声或有效反射损伤,通常需要结合资料特征进行参数选择和质量控制。

3、数据驱动方法能够学习复杂的非线性映射,但监督方法通常需要成对含噪-干净样本,真实工区中难以获得严格对应的干净标签;自监督或无监督方法可降低标签依赖,但其有效性仍取决于噪声统计假设和训练数据代表性。部分端到端方法缺少显式的像素级动作与写入强度控制;部分强化学习去噪方法采用有参考奖励或固定更新强度,在无干净标签且区域差异明显的地震资料上仍存在改进空间。

4、因此,需要一种能够利用含噪观测自身统计信息、显式控制不同区域动作写入强度,并在无成对干净标签条件下形成训练反馈的随机噪声衰减方法。

技术实现思路

1、本发明提出的一种基于区域约束与盲奖励像素级强化学习的地震随机噪声衰减方法,以解决上述现有技术中提到的现有地震去噪技术依赖人工调参、需干净训练标签、难以平衡噪声压制与有效信号保护的问题。

2、为了实现上述目的,本发明采用了如下技术方案:一种基于区域约束与盲奖励像素级强化学习的地震随机噪声衰减方法,包括如下步骤:

3、获取待处理的含噪地震观测数据,完成seg-y格式解析、非有限值处理、无效道检查和对称幅值归一化,得到初始去噪状态;

4、基于含噪地震观测数据自身的统计特征,不访问与其配对的干净标签,估计噪声尺度、事件置信度、弱事件支持度和噪声置信度等盲先验上下文;

5、将盲先验上下文映射为取值连续的区域约束权重图,至少包括结构守护图、弱事件守护图和噪声主导图,用于描述各像素需要保护或增强处理的相对程度;

6、构建基于近端策略优化的actor-critic全卷积循环像素级强化学习框架;actor网络以当前去噪状态和循环隐状态为输入,为每个像素输出19类候选动作的概率分布,所述候选动作由保持动作、两类局部平滑动作、五类不同倾角的结构导向中值滤波动作,以及wiener滤波、各向异性扩散、双边滤波、软阈值收缩和高斯平滑的弱/强动作与一类受约束幅值补偿动作组成;critic分支输出像素级状态价值;

7、根据区域守护图的三类区域划分结果,逐像素计算每个位置对应的融合系数,基于融合系数对当前选择的像素级动作的处理结果与上一步的去噪估计结果进行加权融合,得到当前状态的去噪估计结果;

8、构造不依赖干净标签的盲奖励函数,基于盲奖励函数对当前步骤的去噪估计结果进行反馈评分,完成强化学习框架的迭代训练,待模型收敛后输入全量含噪地震观测数据,最终输出去噪后的地震数据。

9、进一步地,所述预处理首先解析seg-y数据并保留原始头信息;对非有限值、全零道和近零方差道进行标记,必要时采用相邻有效道插值;随后以全数据最大绝对幅值a或经验证的稳健幅值尺度进行关于零点对称的归一化,避免对有正负振幅的地震数据引入直流偏移;

10、局部梯度、结构张量、频带能量和邻道相似性等统计特征可用于构造盲先验上下文;在当前实施方式中,actor主干直接接收单通道当前去噪状态,盲先验主要用于区域约束、动作融合和奖励计算,而不是固定拼接为11通道网络输入。

11、进一步地,噪声尺度由含噪观测的高频代理分量估计。若高频分量h由线性高通核k获得,则中位数绝对偏差需要除以高斯校正常数和高通核的二范数,以消除差分算子对噪声方差的放大;也可组合拉普拉斯残差与高斯低通残差两种估计以提高稳健性;

12、基于局部结构张量的最大特征值与最小特征值的差异归一化值,计算每个像素位置的事件置信度,比值越高代表局部结构连续性越强;

13、采用多方向局部滤波响应、邻道相似性和局部幅值支持共同构造弱事件支持度;使用分位数尺度进行稳健归一化,避免单个异常强反射决定全局归一化上限;

14、基于局部高频能量、局部总能量以及结构支持度构造噪声置信度代理;由于高频有效反射也可能产生较大响应,噪声置信度需与结构守护权重联合使用,而不将高频能量直接等同于噪声。上述盲先验均由含噪观测自身计算。

15、进一步地,将事件置信度、弱事件支持度和噪声置信度分别通过分位数阈值与平滑门控函数映射到0至1,得到结构守护权重、弱事件守护权重和噪声主导权重;

16、结构守护权重随事件置信度及邻道相似性提高而增大;弱事件守护权重在具有方向连续性、幅值较弱且结构守护权重未饱和的区域增大;

17、噪声主导权重随高频随机性和残差能量提高而增大,并受结构守护权重抑制。三类权重允许在过渡区域连续重叠,从而避免硬分类边界导致融合系数突变。

18、进一步地,融合系数由三类连续权重进行逐像素凸组合。当前实现可采用基础写入系数0.92、结构参考系数0.85、弱事件参考系数0.72和纯噪声参考系数1.00,按守护权重顺序插值得到最终系数;

19、上述数值为归一化域中的一种实现配置,并非所有数据的固定阈值;可在不访问干净标签的验证切片上依据残差白化程度、结构连续性和幅值稳定性一次确定;

20、最终融合系数截断在0至1。结构或弱事件权重增大时,动作结果写入比例相对降低;噪声主导权重增大时,写入比例相对提高。

21、进一步的,所述actor网络输出每个像素位置对应的像素级动作的选择概率后,训练阶段采用随机采样策略,按actor输出的动作概率分布随机选择像素级动作,保证策略探索充分,避免模型陷入局部最优;

22、推理阶段采用贪心策略,选择每个像素位置动作概率最高的像素级动作为最终执行动作,保证去噪效果的稳定性;

23、其中结构导向中值滤波的邻域沿对应像素的局部结构倾向选取,以降低同相轴连续性受损的风险;软阈值收缩既可根据局部噪声尺度自适应设置,也可在对称归一化域内设置弱、强两档固定阈值。

24、进一步地,盲奖励可按功能分组概括为。其中s、u、g和c分别表示结构保持、风险改善、残差统计约束和动作代价的归一化聚合项;该式用于说明奖励分组,不等同于代码中每个逐像素门控、奖励与惩罚项的逐项展开。

25、s为结构保持项,依据处理前后局部结构张量方向、邻道相干性和同相轴连续性等代理量构造;不将含噪观测直接当作干净目标计算常规ssim,以免奖励噪声复制。

26、u为风险改善项,采用上一步风险代理减去当前步风险代理,并按噪声方差尺度归一化;当前实现使用残差能量与输出曲率构成的sure启发式代理,而不是严格的stein无偏风险估计。

27、g为残差约束项,依据去噪残差的白化程度、局部自相关和方差与噪声尺度的一致性构造;不预设真实随机噪声必须严格服从高斯分布。

28、各奖励分量先进行截断或尺度归一化后再加权组合,计算过程中不访问成对干净标签;其有效性依赖噪声尺度代理和结构先验的适用性,因此仍需对目标资料进行无参考质量控制。

29、进一步地,一种可复现训练配置为:样本块大小70×70,批量大小64,每条轨迹10步,ppo小批量大小16、每批更新2轮,策略截断阈值0.2,广义优势估计参数0.95,梯度范数上限0.5;

30、训练可设置最大迭代轮数,并联合监测奖励移动平均值、残差统计量和结构保持代理;仅当多项指标在连续若干轮内稳定时提前停止。上述参数为当前实现示例,可根据显存和数据规模调整。训练不要求成对干净标签。

31、进一步地,推理结束后采用预处理阶段记录的对称幅值尺度a进行反归一化;若归一化前执行了去均值,还需加回相同中心值。被截断的极端振幅不能仅靠反归一化精确恢复,因此默认采用最大绝对幅值尺度以避免不可逆截断。

32、保存原始seg-y文本头、二进制头和各道道头;写出时复制不受处理影响的字段,并更新样点格式、样点数、处理历史等与输出实际内容有关的字段。

33、生成符合目标seg-y修订版和字节序要求的数据文件,并在写出后重新读取校验道数、样点数、采样间隔、坐标与幅值范围。

34、进一步地,基本实现面向二维叠后剖面;三维体可采用重叠切片方式处理并检查跨切片一致性,叠前道集可增加offset维特征和振幅趋势约束。三维与叠前处理属于需要单独验证的扩展实施方式。

35、与现有的技术相比,本发明的有益效果是:

36、本发明利用含噪观测自身构造盲先验和奖励代理,可减少对成对干净标签、合成干净目标和逐样本人工调参的依赖;区域阈值、奖励权重和动作参数仍需在代表性无参考验证切片上确定并记录,以保证处理流程可复现。

37、本发明通过连续区域守护权重与像素级融合系数调制,在结构、弱事件和噪声主导区域之间平滑改变动作写入强度,有助于降低硬分区边界伪影,并改善噪声压制与结构保持之间的平衡。

38、本发明通过像素级多动作决策和近端策略优化,根据局部状态选择不同强度的处理动作;盲奖励同时考虑风险改善、结构保持、残差统计和动作代价,降低策略仅追求平滑或采用过强动作的倾向。

39、本方法可直接用于二维剖面或逐切片处理三维数据;若用于三维体或叠前道集,可增加跨线/偏移维特征、三维算子或振幅一致性约束。此类扩展需要针对相应数据类型单独验证,不能由二维随机噪声实验结果直接推定其效果。