基于多尺度增強級聯殘差網絡的DAS地震資料背景噪聲衰減方法

鐘鐵，王瑋鈺，王偉，董士琦*，盧紹平，董新桐

（1.現代電力系統仿真控制與綠色電能新技術教育部重點實驗室，吉林吉林 132012；2.東北電力大學電氣工程學院，吉林吉林 132012；3.國網四川省電力公司資陽供電公司，四川資陽 641300；4.中國石油勘探開發研究院西北分院，甘肅蘭州 730020；5.中山大學地球科學與工程學院，廣東廣州 510275；6.吉林大學儀器科學與電氣工程學院，吉林長春 130026）

0 引言

分布式光纖聲學傳感(Distributed Optical Fiber Acoustic Sensing，DAS)是一種新型的地震資料采集技術，在VSP測量和微地震監測領域具有潛在應用前景[1]。區別于傳統采集技術，DAS 利用光纖中光散射信號的相位變化記錄地震波場引起的應變信息，從而獲得地震數據[2]。相較于電子檢波器，DAS 具有采集密度高、成本低和抗電磁干擾能力強等優勢[3]。但是，DAS 系統中微弱的光散射信號極易受到背景噪聲的污染，導致接收信號畸變，嚴重影響地震記錄質量[4]。DAS記錄中的噪聲主要以儀器噪聲和采集噪聲為主，包括衰落噪聲、低頻噪聲、水平噪聲和隨機噪聲等，且表現出較為復雜的特性。如何有效壓制DAS 資料噪聲、提升記錄質量，已成為地震資料處理領域研究熱點之一[5]。

針對隨機噪聲消減問題，維納濾波[6]、帶通濾波、f-x反褶積[7]和中值濾波[8]等經典方法主要利用有效信號和背景噪聲在物理特性或頻帶方面的差異實現信噪分離。但是上述方法通常是建立在一定先驗假設基礎上的，當實際噪聲與先驗假設存在差異時，去噪效果差[9]。以S 變換[10]和時頻峰值濾波[11]為代表的時頻分析去噪方法利用信號和噪聲在時頻空間分布區域差異，結合合適的閾值函數，達到噪聲成分的抑制和有效信號的恢復。類似地，小波變換[12]、曲波變換[13]、Seislet變換[14]和Shearlet變換[15]等基于稀疏變換的方法同樣通過對含噪信號進行稀疏分解，結合有效信號和噪聲的稀疏特征，選擇合適的閾值函數，重構有效反射信息。但是，閾值函數的選取對于去噪效果影響極大，尤其是面對混疊噪聲時，很難確定最優門限，無法有效重構反射信息[16]。此外，經驗模態分解[17]和變分模態分解[18]等去噪方法可以將含噪信號分解為不同模態成分，結合信噪特征選擇信號主導模態，完成地震信號恢復。但是，面對模態混疊問題[19]，如何有效平衡信號恢復和噪聲壓制能力是需要進一步解決的關鍵問題之一。此外，以低秩矩陣分解[20]、奇異譜分析[21]、穩健主成分分析[5]和擴散濾波[22]等為代表的去噪方法也逐漸應用到實際地震數據去噪任務，但在處理性能方面仍有提升空間。上述方法雖然在傳統地震噪聲消減領域取得了效果，但是在面對低信噪比(Signal-to-Noise Ratio，SNR)、復雜地震資料時，去噪能力會明顯下降。同時，由于缺乏對DAS噪聲性質的可靠認知，目前僅有少量傳統方法可用于DAS資料處理，代表性方法包括加權平均疊加[23]、線性濾波[24]和二維帶通濾波[25]等，很難滿足地震勘探的工業需求。因此，有必要開發智能消噪方法，持續提升DAS資料處理水平。

目前，基于深度學習的數據處理方法逐漸應用于地震資料處理領域[26-29]。相較于傳統方法通過人工方式調節濾波參數，深度學習方法主要通過學習訓練數據高維隱藏特征，自適應獲得含噪數據和純凈記錄之間的非線性映射關系，實現智能去噪[30]。針對地震勘探資料去噪問題，國內外研究人員進行了前期研究工作，前饋去噪卷積神經網絡(Feed-forward Denoising Convolutional Neural Network,DnCNN)[31]和殘差網絡[32]等經典網絡框架已經取得了成功應用。但是經典網絡框架普遍結構比較簡單，缺乏必要的信息交互和多尺度特征提取能力，在面對復雜的DAS 噪聲時，無法有效恢復被強光學噪聲污染的弱上行反射信息[33]。后續提出的改進方法大致可以分為以下三類：一是與經典網絡結合、改進的卷積神經網絡(Convolutional Neural Network，CNN)去噪框架[34]；二是自監督學習方法[35]；三是基于生成對抗網絡(Generative Adversarial Network，GAN)的去噪策略[33]。除此之外，陸續也有新的CNN 去噪網絡框架被提出及應用[36]，取得了較傳統網絡方法更優的去噪結果。

上述人工智能方法無法充分利用DAS 數據跨尺度的內在相關性，限制了對于精細特征的提取能力。本文提出了一種多尺度增強級聯殘差網絡(Multiscale Enhanced Cascade Residual Network，MECRN)，并將其應用到實際DAS 資料處理。該網絡引入一種基于空洞卷積的多尺度特征融合方案，對地震數據的不同尺度特征進行提取和組合，使得特征映射包含了原始數據更詳細的信息，增強了網絡對細節的恢復能力。另外結合淺層和深層特征的多尺度增強級聯網絡結構，能夠促進特征和梯度的傳播，避免了網絡加深導致的淺層特征丟失問題。同時，MECRN 采用雙路徑的增強殘差結構，從給定的含噪資料中提取淺層信息，并通過多尺度殘差塊組實現多尺度特征提取，結合跳躍連接方式避免淺層信息丟失。在此基礎上，通過殘差學習方式整合全局和局部特征，提高重構特征的精度。合成數據和實際資料的去噪結果均表明，MECRN 在壓制DAS 復雜背景噪聲和恢復弱反射信號方面均取得了很好的效果。

1 MECRN 的網絡結構和去噪原理

1.1 MECRN 的網絡結構

本文提出的MECRN 基本結構如圖1所示。MECRN 采用雙路徑的增強殘差結構，分別通過級聯結構和全局殘差路徑充分利用來自淺層的特征信息。其中級聯機制不僅促進了特征和梯度的傳播，還簡化了模型訓練。全局殘差路徑直接從原始含噪數據中捕獲長距離空間特征，利用淺層特征提高去噪性能。

圖1 MECRN 的網絡結構

在MECRN 中，上層支路利用多尺度殘差塊組實現地震記錄特征的初步提取。多尺度殘差塊組由具有跳躍連接的多尺度特征提取塊級聯組成。堆疊多尺度特征提取塊并在塊間添加密集連接，保留了淺層特征的短期和長期記憶。每個多尺度特征提取塊還包含四個空洞多尺度單元，結構如圖2a所示?？斩炊喑叨葐卧欣昧丝斩淳矸e方式，結合具有不同擴張率(d)的并行卷積提取多尺度特征信息，在不改變特征圖大小的同時擴大感受野，有效控制參數數量和計算成本?？斩炊喑叨葐卧獙⑶岸屋斎胩卣黟佀偷饺齻€并行的空洞卷積中，以獲取不同尺度的輸出特征，進而將得到的輸出特征一起發送到1×1卷積(Conv1×1)層，對不同尺度的特征進行整體壓縮和融合，降低計算成本。在此基礎上，再經過激活函數ReLU 作用和普通3×3卷積(Conv3×3)壓縮輸出維度后，通過殘差學習與并行卷積的輸入特征融合，以此避免隨網絡加深造成淺層信息的丟失。

圖2 空洞多尺度單元（a）和多尺度特征融合模塊（b）的網絡結構

為了優化具有不同尺度的卷積模塊中的稀疏局部特征，本文將多尺度特征融合模塊用于直接提取初級特征，其輸出通過長跳躍連接與多尺度殘差塊組的輸出在重構塊進行全特征融合。重構塊通過殘差學習和普通Conv3×3 將全局特征和局部特征結合起來，將低頻特征轉化為高頻特征，防止長期依賴問題。信息細化塊通過四個級聯的特征細化單元加一個卷積濾波器來細化特征，利用重構塊提取的粗高頻特征，學習更精確的高頻特征，起到減小預測噪聲與真實噪聲之間差異的作用，并得到最終的去噪結果。

1.2 去噪原理

本文使用MECRN 壓制DAS 地震數據的背景噪聲。地震數據y可表示為有效信號x與噪聲n在時、空域的疊加，即

MECRN 的估計噪聲與輸入數據間的非線性映射關系可以表示為

式中：Θ={w，b}為網絡參數，其中w表示權重，b表示偏置；為噪聲估計，即網絡預測的噪聲。通過從含噪記錄中減去估計的噪聲即可獲得去噪后數據，即

利用損失函數對網絡參數進行優化訓練。估計噪聲與真實噪聲之間的損失函數為

式中：K為訓練數據塊數；‖·‖F表示Frobenius 范數。損失函數越小，估計的噪聲與真實噪聲越相似。網絡經過訓練后，其輸出噪聲無限接近于隨機噪聲n，故無限接近于有效信號x。

2 網絡訓練及參數選取

2.1 訓練集的構建

豐富且高質量的訓練集可以增強有監督網絡的學習能力，也可以提高數據處理的質量[37]，訓練集的真實性和完備性對網絡的學習能力和去噪性能都有很大的影響。本文利用正演數據和實際勘探數據構建包含正演信號和實際噪聲的高保真訓練集。

近年來腦卒中的發病率逐漸提升，對人們生活質量乃至于生命健康都會造成影響。雖然當前在診療技術方面已經得到了良好的發展，但是，很多患者在治療之后還會存在肢體功能方面的問題，不能保證診療與護理效果。因此，需要探索最佳的護理措施[5]。

為保證正演數據的合理性，對實際DAS-VSP 地震記錄進行分析，構建二維地層模型(圖3a)。使用主頻(15～120 Hz)變化的Ricker子波作為震源，利用彈性波方程模擬波場信息，獲得用于構建信號訓練集的模擬正演記錄(圖3b)。為保證訓練數據的泛化性，共模擬了200 張不同地層結構下由不同主頻激發得到的VSP 記錄，利用64×64 的滑動窗截取模擬記錄，共獲得20000個信號片，構建了有效信號訓練集。

圖3 地層模型（a）及其合成記錄（b）

為了準確地估計DAS 噪聲、實現有效的噪聲信號分離，有必要構造盡可能豐富的DAS 噪聲集訓練MECRN。DAS 噪聲集主要是從無震源條件下獲得的實際DAS-VSP 噪聲數據中提取。圖4為DAS噪聲記錄，包含的五種典型DAS噪聲，包括隨機噪聲、水平噪聲、衰落噪聲、低頻噪聲和相干噪聲。隨機噪聲是DAS數據中最常見的噪聲，屬于常規井下環境噪聲干擾，可由機器運轉、地下隨機振動、電流干擾等原因產生。該類型噪聲往往頻帶較寬、能量較強，在數據中分布較為均勻。水平噪聲是由光學測量中耦合振動引起，大多由電子元件的潛在泄漏所產生，呈水平狀分布，且頻率較低。衰落噪聲主要是由采集系統中后向散射光的破壞性干擾引起，包括干擾衰落和偏振衰落，通常表現為具有較高振幅的長周期噪聲序列。低頻噪聲是由采集系統本身的硬件原因所致，該噪聲主頻相對較低、能量極強，在數據中表現為較大面積的黑色或白色區域，對DAS-VSP 數據影響較大，尤其影響信號細節特征的恢復。相干噪聲主要是因光纖與井壁耦合不好，在記錄過程中由規則機械振動產生。與DAS 信號集構建類似，利用64×64 的滑動窗函數截取獲得38625 個64×64 的DAS 噪聲片，經幅值歸一化后得到DAS 噪聲訓練集。圖5 為典型信號片和噪聲片。在此基礎上，為保證MECRN 的泛化能力，本文隨機選擇信號片和噪聲片進行組合。將噪聲片能量進行縮放后與信號片進行疊加，得到SNR 隨機分布在[-10 dB，0]范圍內的含噪數據片，并與有效信號訓練數據一起作為MECRN 網絡的輸入，共同完成網絡的訓練。

圖4 DAS-VSP 資料噪聲記錄

圖5 典型訓練數據

2.2 實驗環境及訓練策略

本文使用軟件平臺為Matlab2017b，為滿足網絡訓練需求，利用NVidia GeForce GTX 2026、CPU(Intel(R)Core(TM)i5-9400f 和16-GB RAM 組成硬件實驗環境。在訓練過程中，基于實驗環境硬件條件，使用Adam 優化器實現網絡參數優化。另外，網絡的初始學習率設置為1×10－3，隨著迭代次數的增加逐漸降到1×10－5；批標準化大小設置為64。為了方便訓練，對訓練數據進行了歸一化處理，訓練周期設置為60。經過60 個訓練周期，損失函數也趨于穩定，選取性能最優模型用于處理模擬數據和實際DAS 記錄。

3 模擬數據處理結果分析

為了驗證MECRN 網絡的去噪性能，首先對模擬含噪DAS 記錄進行處理。對圖3b的模擬地震記錄添加實際DAS 噪聲(圖6a)，其中包括衰落噪聲、水平噪聲和時變光學噪聲，獲得SNR 為-4 dB 的含噪記錄(圖6b)。由于強噪聲的存在，反射信號被嚴重污染，特別是深層弱反射信息極難辨識(紅色箭頭所示)。

圖6 實際DAS 噪聲（a）及合成的含噪記錄（b）

3.1 對比方法及參數設置

為了準確反映MECRN 網絡的去噪性能，本文選用小波變換、帶通濾波和DnCNN 作為對比方法，對圖6b所示模擬含噪DAS 數據進行處理，并對處理結果進行定性和定量分析。選擇db4小波作為小波變換基函數，分解層數為15 層，通過軟閾值法實現噪聲衰減。帶通濾波頻率范圍設置為20～70 Hz，以實現信號的有效保留。DnCNN 為20 層網絡結構，網絡參數與參考文獻[38]中一致。為保證去噪結果的客觀性，DnCNN 與MECRN 使用相同的訓練集和實驗環境。

3.2 去噪結果比較

利用MECRN 和對比方法對模擬含噪DAS 記錄進行處理，去噪結果和濾除的噪聲如圖7所示。小波變換法不能準確恢復出有效信號，對噪聲壓制效果不明顯，只有部分高頻噪聲被濾掉(圖7a)。雖然帶通濾波在一定程度上恢復了有效信號，但無法有效抑制同頻噪聲且有效信號失真(圖7b)。此外，這兩種傳統方法的濾除噪聲中，具有明顯信號成分殘留。DnCNN和MECRN 法對DAS噪聲壓制效果明顯，恢復的有效反射同相軸清晰、連續，濾除的噪聲同實際DAS 噪聲表現出相近的特征(圖7c、圖7d)。但是，DnCNN 在壓制DAS 噪聲的同時，對有效信號有損傷，去噪結果中仍有少量噪聲殘留(圖7c)；MECRN 表現出更強的去噪能力，恢復的同相軸更連續，去噪結果中無明顯噪聲殘留(圖7d)。

圖7 四種方法的去噪結果（上）及濾除的噪聲（下）對比

合成含噪數據與四種方法去噪結果的局部放大對比如圖8所示。時變光學噪聲導致反射同相軸受到嚴重污染(圖8a)；小波變換法不能抑制強噪聲干擾(圖8b)；帶通濾波雖然可以恢復同相軸信息，但噪聲殘留明顯(圖8c)；相較而言，DnCNN 雖然可以有效抑制噪聲，但是恢復的同相軸信息有明顯缺失(圖8d)；MECRN 恢復的弱信號在連續性和清晰度方面都明顯優于其他三種方法，并且噪聲衰減更徹底(圖8e)。

圖8 四種方法的去噪結果局部放大對比

合成純凈記錄及疊加噪聲與四種方法去噪結果及去除的噪聲的F-K譜的對比如圖9所示。首先，純凈信號和實際DAS背景噪聲在頻域存在明顯混疊，消減難度較大(圖9a)。其次，如圖9b和圖9c所示，小波變換和帶通濾波法不能有效去除混疊的DAS實際噪聲，前者僅能濾除部分高頻干擾，后者不能抑制通帶內的噪聲成分。相比來說，DnCNN和MECRN法可以有效實現混疊噪聲的濾除，但是DnCNN 結果中有明顯噪聲殘留，MECRN恢復的信號同純凈信號最為接近(圖9d、圖9e)，這也充分驗證了MECRN法的有效性。

圖9 四種方法去噪結果（上）及濾除噪聲（下）的F-K 譜對比

3.3 去噪結果定量比較

本文主要利用SNR和均方根誤差(RMSE)對不同方法去噪結果進行量化分析。SNR 用于表征噪聲衰減能力，而RMSE 側重于反映信號保持能力。SNR 和RMSE定義為

式中：x為純凈信號；表示處理結果；M和N分別為道數和每道樣點數。

應用四種方法對不同SNR的含噪記錄進行處理，去噪結果的SNR 和RMSE 統計如表1所示。以去噪前SNR 為-2 dB 的數據為例，MECRN 法處理結果的SNR 為20.97 dB，提升了約22 dB；DnCNN 法處理結果的SNR為15.04 dB，提升約17 dB，表明MECRN 法可以在提升弱反射信號的同時有效壓制復雜DAS 背景噪聲，且去噪能力更強。

表1 不同SNR 數據四種方法去噪結果的SNR 和RMSE 統計

4 實際DAS 資料處理結果分析

A 井實際DAS-VSP 記錄(圖10)采集于中國東北地區，共由1372 道記錄組成，采樣頻率為2500 Hz。記錄中噪聲類型多樣且性質復雜，如衰落噪聲(黃色箭頭所示)、水平噪聲(紅色箭頭所示)、時變光學噪聲(綠色箭頭所示)和耦合噪聲(藍色箭頭所示)，嚴重影響了有效信息的提取。分別應用小波變換、帶通濾波、DnCNN 和MECRN 法對實際DAS 記錄進行處理，結果如圖11所示。小波變換、帶通濾波選取與合成記錄處理時相同的濾波參數。由于無法利用實際記錄構建信號訓練集，DnCNN 和MECRN 則使用最優合成記錄處理模型。

圖10 A 井實際DAS-VSP 記錄

圖11 A 井實際DAS-VSP 數據四種方法去噪結果（上）及去除的噪聲（下）對比

小波變換法無法有效抑制DAS-VSP記錄中的復雜噪聲，去噪記錄的反射信息并未得到有效恢復(圖11a)。帶通濾波法雖然表現出一定的噪聲消減能力，但去噪結果中仍然殘留部分噪聲，信號表現出過度平滑的特征，頻率成分出現變化(圖11b)。由圖11c 和圖11d 可以發現：深度學習方法可以取得較傳統方法更好的處理結果，與合成記錄處理結果可相互驗證；DnCNN 對于衰落噪聲抑制能力較弱，去噪結果中存在大量衰落噪聲殘留(紅色箭頭所示)；MECRN 可以更有效地抑制時變光學噪聲，準確地恢復受噪聲污染的弱反射信息(綠色方框所示)。

A 井原始DAS-VSP 記錄及四種方法去噪結果的局部放大對比如圖12所示，可以看到：小波變換法處理之后，有效信號依然被強時變光學噪聲掩蓋(圖12b)；帶通濾波無法有效抑制同頻噪聲且恢復的有效信號存在頻帶展寬現象(圖12c)；DnCNN 法整體上對噪聲壓制效果良好，但針對光學噪聲污染的弱同相軸信息恢復不佳，且在處理結果中還殘留有部分光學噪聲(圖12d)；MECRN 法處理結果中噪聲得到了更徹底的壓制，恢復的有效信號更加光滑、連續，同時還可重構出其他傳統方法無法恢復的弱反射信息(圖12e)。

圖12 A 井實際DAS-VSP 數據與四種方法去噪結果的局部放大對比

為驗證模型的泛化能力，對不同工區B井的DASVSP 數據(圖13)進行處理，結果如圖14所示。小波變換未能恢復隱藏在時變光學噪聲中的反射同相軸信息(圖14a)；同樣，帶通濾波的去噪能力表現出一定的局限性，無法重構弱反射信號(圖14b)。盡管DnCNN可以提供更好的去噪性能，但仍然可以直觀地觀察到殘余噪聲(圖14c)。相較而言，MECRN 表現出了較好的去噪效果，在微弱信號恢復方面明顯優于其他方法，恢復的同相軸更清晰、更連續(圖14d)。

圖13 B 井實際DAS-VSP 記錄

圖14 B 井實際DAS-VSP 數據四種方法去噪結果（上）及去除的噪聲（下）對比

實驗結果表明，在MECRN 處理低SNR 實際DAS 記錄時，仍然能夠獲得高精度的處理結果，擁有較強的去噪能力，驗證了本文網絡在去噪性能和信號恢復能力方面的優勢，能滿足DAS-VSP 數據處理的要求。

5 結論

針對實際DAS-VSP 記錄SNR 低、噪聲種類復雜且污染嚴重的問題，本文提出了一種基于多尺度的增強級聯殘差網絡(MECRN)壓制DAS地震數據中的背景噪聲。MECRN 采用雙路徑的增強殘差結構，通過兩種路徑同時從給定的噪聲圖像中提取淺層信息，融合不同路徑預測結果。此外，引入空洞卷積和多尺度模塊提取不同尺度和級別的特征，并通過跳躍連接將淺層特征融入后續相鄰塊組，整合前期模塊獲取的特征，避免了淺層信息丟失。最后通過殘差學習整合全局和局部特征，并對重建的特征細化，重構出高質量VSP數據。

為了證明網絡的有效性，利用MECRN 對合成含噪數據和實際DAS記錄進行處理，并與傳統方法和其他深度學習方法進行對比，結果表明MECRN 可以有效抑制復雜DAS數據的背景噪聲，恢復受噪聲污染的弱反射信息，SNR 提升超過了22 dB。因此，MECRN在DAS資料處理領域具有一定的應用前景，也可為后續高效消噪網絡設計提供必要參考。