SIFFNet：一种用于抑制多种DAS-VSP噪声的语义信息特征融合网络

《Computers & Geosciences》：SIFFNet: A semantic information feature fusion network for suppressing diverse DAS-VSP noise

　　

林洪波|李世帅|杨青晨|张泽远|陈俊涵

中国吉林大学通信工程学院

摘要

分布式声学传感（DAS）技术为垂直地震剖面（VSP）采集提供了一种密集且成本效益高的解决方案。然而，由于仪器限制和恶劣的采集环境，DAS-VSP数据常常受到具有复杂特性且与地震事件在空间上相似的各种噪声的污染。这种噪声严重限制了现有去噪方法的适应性，使得在信噪比（SNR）较低的情况下恢复微弱反射信号变得特别具有挑战性。为了解决这些问题，我们提出了一种语义信息特征融合网络（SIFFNet），该网络将语义表示与DAS-VSP数据的非局部相似性特征相结合，以指导去噪过程。具体来说，为了更好地区分信号和定向噪声，我们引入了一种轻量级的自相似性注意力机制来提取非局部相似性特征，从而能够更准确地辨别细微差异。此外，我们学习了地震信号的高级语义表示，并通过混合语义-特征融合策略增强了微弱反射特征。在这些融合特征的指导下，双分支去噪网络在保留地震事件全局形态的同时恢复了局部细节。在合成和实地DAS-VSP数据集上的广泛测试表明，SIFFNet的表现始终优于最先进的去噪模型，在有效抑制各种类型噪声的同时，实现了对空间细节和全局结构连续性的更好保留。通过明确结合语义引导和非局部相似性建模，SIFFNet为低SNR下的DAS-VSP中的微弱反射恢复提供了一种稳健的方法。

引言

分布式声学传感技术在地震勘探中发展迅速（Mjehovich等人，2023年）。由于其全井覆盖、高时空分辨率和相对较低的成本，DAS已成功应用于垂直地震剖面测量，支持深地勘探和详细的结构分析（Mad Zahir等人，2023年）。然而，由于恶劣的环境条件和设备限制，DAS-VSP数据常常受到各种噪声的干扰（Dong等人，2020a；Dong等人，2020b；Feng和Li，2021年；Zhong等人，2021年；Li等人，2022年）。这些噪声具有非均匀的空间分布，许多噪声具有与地震信号相似的定向特性，例如水平噪声或棋盘噪声。复杂的噪声特性使得在低SNR条件下难以区分微弱的地震信号和噪声。因此，抑制多种噪声并恢复微弱的有效信号对于提高DAS-VSP数据质量和确保可靠的成像和解释至关重要（Van den Ende等人，2023年）。

已经探索了多种DAS-VSP去噪方法。传统方法针对特定类型的噪声设计有针对性的滤波器，利用信号和噪声在时频特性（Zhou等人，2017年）、统计特征（He等人，2023年）、结构模式（Fang等人，2020年）和稀疏性（Chen等人，2019年）方面的差异。对于多类型噪声，采用了结合定向中值滤波器、带通滤波器和倾角滤波器的级联滤波器（Chen等人，2022年；Oboué等人，2024年），但其性能严重依赖于手动参数调整，当噪声特性与微弱信号重叠时往往失效。

基于机器学习的去噪方法通过学习自适应参数来抑制噪声，从而克服了这些限制。早期方法通过学习字典或主成分来表示有效信号特征来提高去噪性能（Chen等人，2023年；Xu等人，2024年）。最近，深度学习通过强大的非线性拟合和特征提取进一步提升了DAS去噪性能。基于卷积神经网络（CNN）的模型已被广泛用于地震去噪（Lin等人，2020年；Zhao等人，2023年），并取得了有希望的结果（Lin等人，2023年）。为了处理更复杂的去噪任务，应用了CNN和其他深度学习模型的变体，包括U-Net（Yang等人，2023年）、生成对抗网络（GAN，Wu等人，2023年）、扩散模型（Sun和Li，2024年）和强化学习去噪（Liang等人，2023年）。

为了提高对复杂DAS噪声的适应性，引入了注意力机制和多尺度策略（Shi等人，2021年；Zhong等人，2022年）。注意力机制被引入DAS-VSP去噪模型中，以增强网络关注重要特征的能力，同时抑制不相关的特征。空间注意力捕捉空间位置之间的依赖性，突出关键区域，而通道注意力识别关键通道特征。相比之下，混合注意力结合了两者，以全面增强重要特征（Zhu等人，2023年）。基于注意力的模型有效地抑制了复杂的DAS背景并恢复了微弱信号（Wang等人，2023年；Dong等人，2023年；Li等人，2024年）。多尺度策略整合了不同分辨率的地震信号特征，从而提高了对多种噪声的适应性。在DAS-VSP去噪中，U-Net被广泛用于提取不同尺度上的细粒度细节和全局结构（Yang等人，2023年）。基于GAN的框架（Ma等人，2023年）利用跨尺度特征关系进行更可靠的恢复。结合注意力的膨胀金字塔网络（Zhong等人，2023年）有效抑制了DAS-VSP中的复杂背景噪声。

尽管取得了这些进展，DAS-VSP去噪仍面临三个关键挑战。首先，大多数深度学习模型主要依赖于卷积，这对于局部特征提取是有效的，但不足以捕捉对于区分类似上行波和下行波的定向噪声至关重要的长距离依赖性。虽然自注意力可以在一定程度上解决这个问题，但其计算成本对于高分辨率DAS数据来说过高（Tay等人，2022年），因此轻量级的非局部模块至关重要。其次，现有网络很少结合领域特定的先验知识，限制了它们保留微弱但地质上重要信号的能力。在地震处理中，“语义”可以被视为抽象为有意义的结构，如层位、波前或首次到达。语义引导的网络可以通过指导低级特征学习来提高鲁棒性，并已在医学成像和遥感中成功应用。这些方法在DAS-VSP中基本上尚未得到探索，而在实际场景中结合地震特定的语义，特别是在语义学习标记较弱的情况下（Monteiro等人，2022年；Zhong等人，2025年），对于提高泛化能力和避免过度抑制微弱信号具有潜力。第三，对于简单架构来说，同时建模局部细节和全局特征仍然具有挑战性。如果没有有效的多尺度集成，深度去噪模型可能会扭曲地震事件的形态并丢失细节。

为了解决这些挑战，我们提出了一种用于DAS-VSP去噪的语义信息特征融合网络SIFFNet。SIFFNet将高级语义表示与非局部自相似性特征相结合，以提高区分能力和效率。我们设计了一个轻量级的自相似性注意力模块，能够在不产生传统注意力高成本的情况下捕获非局部相似性特征，从而准确区分定向噪声和地震事件。我们引入了一种混合语义-特征融合策略，将高级语义表示与非局部相似性特征相结合，从而在领域特定指导下更好地表示微弱反射。此外，双分支去噪子网络在保留地震事件全局形态的同时恢复了细粒度局部细节。在合成和实地DAS-VSP数据集上的实验表明，与最先进的基线相比，SIFFNet在空间细节和形态的保留方面表现更优，为DAS数据处理提供了稳健的微弱反射恢复解决方案。

章节片段

方法论

我们提出了基于先验的SIFFNet来去除DAS-VSP数据中的多类型噪声。在本节中，我们将介绍所提出的去噪模型的架构及其去噪原理。

实验与应用

我们在合成DAS-VSP数据和两个实地DAS-VSP数据上评估了SIFFNet的去噪性能。去噪结果与带通滤波（BP）、DnCNN（Dong等人，2020a）、U-Net（J.X. Xu等人，2024）和BCDNet（Lin等人，2020）进行了比较，这些方法已知对抑制DAS-VSP噪声有效。根据DAS-VSP噪声和有效地震信号的频率特性，我们将BP的截止频率带设置为[30, 150] Hz。

结论

我们提出SIFFNet通过结合非局部相似性先验和语义信息来抑制多类型DAS-VSP噪声并恢复微弱的有效地震信号。理论分析、测试结果和消融实验表明，改进的LSSA能够有效且高效地捕获地震信号的非局部相似性先验，而设计的语义映射可以通过设计的SIE准确预测。通过有效整合语义和非局部相似性，SIFFNet学习了

CRediT作者贡献声明

林洪波：撰写 – 审稿与编辑、监督、项目管理、形式分析。李世帅：撰写 – 原始草稿、软件、方法论、数据管理、概念化。杨青晨：撰写 – 审稿与编辑、验证。张泽远：撰写 – 审稿与编辑、可视化、软件。陈俊涵：撰写 – 审稿与编辑、软件。

利益冲突声明

作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。

致谢

本工作得到了吉林省自然科学基金（项目编号：20240101060JC）的支持，并由中国留学基金委（编号：202306170206）资助。