面向地震波初至智能拾取的超分辨率深度残差方法研究

针对常规语义分割网络在初至拾取中存在精度低、泛化能力差等问题，基于 U-Net网络，结合残差学习模块和亚像素卷积方法，构建了一种超分辨率深度残差网络的初至智能拾取方法(SD-Net)。该方法使用具有跳跃连接的 U 型网络融合地震数据的多尺度信息，端到端的训练方式简化工作。首先，在 SD-Net 的下采样阶段引入残差学习模块，克服深层网络退化问题，有效提高对地震数据的学习能力；其次，上采样阶段采用亚像素卷积方法，通过卷积和多通道间像素重组实现特征图超分辨率重建，更高精度定位初至；另外，利用迁移学习将模型应用于中、低信噪比模拟数据，仅需少量标注数据即可训练得到最优初至拾取模型。实际算例表明：与 U-Net 方法相比，SD-Net 训练效率明显提高；网络模型具有更高准确率和鲁棒性；迁移学习模型预测的结果验证了 SD-Net 具有较强的泛化能力；该方法对实际生产中实现高效、准确的初至智能拾取具有重要意义。