一个具备领域意识的深度学习框架，用于统一的地震分析：将频率-空间-时间特征与轨迹注意力机制相结合

《Expert Systems with Applications》：A domain-aware deep learning framework for unified seismic analysis: integrating frequency-spatial-temporal features with trace attention

　　

张浩|陈宏|李翔|李明|龚文音

武汉东湖大学经济学院，中国湖北武汉430212

摘要

当前的深度学习范式在地震数据处理中通常依赖于调整计算机视觉或序列模型，将地震记录有效地视为标准的2D图像或1D时间序列。然而，这些方法经常忽略了地震波场的复杂性及其耦合特性，地震波场本质上跨越了空间、时间和频率维度。为了克服这些限制，本研究提出了一个新颖且统一的框架MDITA-Net（基于多域的迹间注意力网络），旨在尊重地震采集的物理特性。我们引入了一个双分支架构，包括一个多域特征分解（MDFD）机制和一个迹间自注意力（ITSA）模块。MDFD专门将输入数据分解为时间、空间和频率表示，然后通过自适应融合来提取特定于领域的特征。同时，ITSA模块超越了局部感受野的限制，将迹视为交互式标记，从而捕捉到局部地质连续性和长距离结构依赖性。通过整合这些组件，所提出的框架成为多种地球物理任务的多功能支柱。在合成数据和实地数据集上的广泛实验表明，我们的方法在地震随机噪声衰减和阻抗反演任务中显著优于传统的单域基线，证明了显式建模多域交互和迹间相关性的有效性。

引言

地震勘探是成像地下地质结构和估算岩石属性的主要方法。近年来，数据驱动的深度学习方法在地震处理工作流程的各个阶段取得了显著的成功，包括随机噪声衰减、迹插值、地震相分析以及物理属性反演。

尽管取得了这些进展，但在地震数据神经网络架构的设计上仍存在一个关键差距。现有的范式涉及将计算机视觉模型（例如CNN、U-Net）或序列模型（例如RNN、Transformer）直接应用于地震数据处理任务。虽然在一定程度上有效，但这些方法本质上简化了地震信号的地球物理特性：

(1)

图像同化：将地震剖面仅视为灰度图像忽略了地震信号中的物理波传播特性和频谱信息。

(2)

缺乏域间交互：地震数据包含时间域（小波属性）、空间域（结构连续性）和频率域（频谱分解）中的耦合信息。现有模型很少同时利用这三种模式。

(3)

迹独立性假设：许多卷积模型在局部感受野上操作，未能显式建模远距离地震迹之间的长距离依赖性和相关性，这对于理解地质连续性至关重要。

地震数据不仅仅是像素的集合，它在时间域（小波变化）、空间域（反射体的结构连续性）和频率域（对地层的频谱响应）中携带了独特的信息。直接从计算机视觉转移来的标准架构，如U-Net或ResNet，往往无法显式捕捉这些域之间的交互，可能导致特征表示不够理想。在复杂的地质环境中，这种单域特征提取的局限性尤为明显，因为微妙的地层特征编码在频率内容中，或者需要来自远距离迹的上下文才能解决。此外，现有模型通常针对单一任务进行定制，缺乏通用性。

本文的主要目标是开发一个统一、高效且具有领域意识的深度学习框架，专门用于地震特征提取。我们旨在超越图像处理的类比，构建一个基于数学的架构，尊重地震波的多维物理特性。该框架旨在成为各种基于深度学习的地震数据处理任务的多功能支柱。本工作的主要贡献总结如下：

(1)

多域特征分解（MDFD）模块：我们提出了一种特征提取框架，该框架将地震输入明确分解为时间、空间和频率域。专门设计的注意力模块用于提取特定于领域的特征，然后融合形成全面的表示。

(2)

迹间自注意力（ITSA）模块：认识到地震数据由有序的迹组成，我们引入了一种迹间注意力机制来建模迹之间的依赖性。ITSA使网络能够捕捉到局部地质连续性和全局结构一致性。

(3)

统一框架（MDITA-Net）：我们将上述创新整合到一个深度学习框架中，能够处理去噪和反演等不同类型的输入格式。

从哲学角度来看，虽然大多数现有的基于注意力的方法只是采用标准的视觉变换器并将地震块视为自然图像，但MDITA-Net从根本上旨在尊重地震波场的复杂性及其耦合特性。我们不是依赖通用的基于图像的自注意力，而是将地震迹视为交互式标记。这使我们能够显式建模对准确地球物理解释至关重要的特定迹间依赖性和波前连续性。

章节片段

相关工作

深度学习在地震数据处理中的应用发展迅速，从简单的任务特定模型演变为能够处理复杂地球物理挑战的复杂架构。早期和基础研究主要采用计算机视觉视角，将地震数据视为2D自然图像，或者采用序列建模视角，将地震迹视为1D时间序列。在地震反演和参数估计领域，卷积神经网络

方法论

本研究的核心目标是构建一个通用的特征提取框架，可以轻松适应各种下游地震处理任务。所提出的MDITA-Net采用了U形编码器-解码器架构。然而，与仅依赖卷积块的标准U-Net不同，我们的编码器整合了多域特征分解（MDFD）和迹间自注意力（ITSA）模块。

实验结果

本节系统评估了所提出的MDITA-Net框架的有效性和性能。进行了一系列受控实验来验证其多域特征分解（MDFD）模块和迹间自注意力（ITSA）模块的贡献。使用了合成和实地地震数据集，并选择了两个代表性的地震处理任务：地震随机噪声衰减和地震阻抗反演。通过定性

结论

本文提出了MDITA-Net，这是一个统一的、具有地球物理动机的深度学习框架，用于地震数据特征提取。与将地震数据视为通用图像或序列的传统方法不同，MDITA-Net明确考虑了地震波场的多域特性以及地震迹之间的内在依赖性。

通过整合多域特征分解（MDFD）模块和迹间自注意力（ITSA）机制，MDITA-Net有效地

CRediT作者贡献声明

张浩：资源、项目管理、软件、数据管理、撰写——原始草稿、撰写——审阅与编辑。 陈宏：资源、数据管理、撰写——审阅与编辑。 李翔：资源、数据管理、撰写——原始草稿。 李明：资源、数据管理、撰写——审阅与编辑。 龚文音：监督、资金获取、概念化、方法论、撰写——审阅与编辑。

资助

本工作部分得到了中国国家自然科学基金的支持，资助编号为62576325。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。

致谢

作者感谢中国国家自然科学基金的资助支持。