基于多尺度增强级联残差网络的DAS地震资料背景噪声衰减方法

钟铁，王玮钰，王伟，董士琦*，卢绍平，董新桐

（1.现代电力系统仿真控制与绿色电能新技术教育部重点实验室，吉林吉林 132012；2.东北电力大学电气工程学院，吉林吉林 132012；3.国网四川省电力公司资阳供电公司，四川资阳 641300；4.中国石油勘探开发研究院西北分院，甘肃兰州 730020；5.中山大学地球科学与工程学院，广东广州 510275；6.吉林大学仪器科学与电气工程学院，吉林长春 130026）

0 引言

分布式光纤声学传感(Distributed Optical Fiber Acoustic Sensing，DAS)是一种新型的地震资料采集技术，在VSP测量和微地震监测领域具有潜在应用前景[1]。区别于传统采集技术，DAS 利用光纤中光散射信号的相位变化记录地震波场引起的应变信息，从而获得地震数据[2]。相较于电子检波器，DAS 具有采集密度高、成本低和抗电磁干扰能力强等优势[3]。但是，DAS 系统中微弱的光散射信号极易受到背景噪声的污染，导致接收信号畸变，严重影响地震记录质量[4]。DAS记录中的噪声主要以仪器噪声和采集噪声为主，包括衰落噪声、低频噪声、水平噪声和随机噪声等，且表现出较为复杂的特性。如何有效压制DAS 资料噪声、提升记录质量，已成为地震资料处理领域研究热点之一[5]。

针对随机噪声消减问题，维纳滤波[6]、带通滤波、f-x反褶积[7]和中值滤波[8]等经典方法主要利用有效信号和背景噪声在物理特性或频带方面的差异实现信噪分离。但是上述方法通常是建立在一定先验假设基础上的，当实际噪声与先验假设存在差异时，去噪效果差[9]。以S 变换[10]和时频峰值滤波[11]为代表的时频分析去噪方法利用信号和噪声在时频空间分布区域差异，结合合适的阈值函数，达到噪声成分的抑制和有效信号的恢复。类似地，小波变换[12]、曲波变换[13]、Seislet变换[14]和Shearlet变换[15]等基于稀疏变换的方法同样通过对含噪信号进行稀疏分解，结合有效信号和噪声的稀疏特征，选择合适的阈值函数，重构有效反射信息。但是，阈值函数的选取对于去噪效果影响极大，尤其是面对混叠噪声时，很难确定最优门限，无法有效重构反射信息[16]。此外，经验模态分解[17]和变分模态分解[18]等去噪方法可以将含噪信号分解为不同模态成分，结合信噪特征选择信号主导模态，完成地震信号恢复。但是，面对模态混叠问题[19]，如何有效平衡信号恢复和噪声压制能力是需要进一步解决的关键问题之一。此外，以低秩矩阵分解[20]、奇异谱分析[21]、稳健主成分分析[5]和扩散滤波[22]等为代表的去噪方法也逐渐应用到实际地震数据去噪任务，但在处理性能方面仍有提升空间。上述方法虽然在传统地震噪声消减领域取得了效果，但是在面对低信噪比(Signal-to-Noise Ratio，SNR)、复杂地震资料时，去噪能力会明显下降。同时，由于缺乏对DAS噪声性质的可靠认知，目前仅有少量传统方法可用于DAS资料处理，代表性方法包括加权平均叠加[23]、线性滤波[24]和二维带通滤波[25]等，很难满足地震勘探的工业需求。因此，有必要开发智能消噪方法，持续提升DAS资料处理水平。

目前，基于深度学习的数据处理方法逐渐应用于地震资料处理领域[26-29]。相较于传统方法通过人工方式调节滤波参数，深度学习方法主要通过学习训练数据高维隐藏特征，自适应获得含噪数据和纯净记录之间的非线性映射关系，实现智能去噪[30]。针对地震勘探资料去噪问题，国内外研究人员进行了前期研究工作，前馈去噪卷积神经网络(Feed-forward Denoising Convolutional Neural Network,DnCNN)[31]和残差网络[32]等经典网络框架已经取得了成功应用。但是经典网络框架普遍结构比较简单，缺乏必要的信息交互和多尺度特征提取能力，在面对复杂的DAS 噪声时，无法有效恢复被强光学噪声污染的弱上行反射信息[33]。后续提出的改进方法大致可以分为以下三类：一是与经典网络结合、改进的卷积神经网络(Convolutional Neural Network，CNN)去噪框架[34]；二是自监督学习方法[35]；三是基于生成对抗网络(Generative Adversarial Network，GAN)的去噪策略[33]。除此之外，陆续也有新的CNN 去噪网络框架被提出及应用[36]，取得了较传统网络方法更优的去噪结果。

上述人工智能方法无法充分利用DAS 数据跨尺度的内在相关性，限制了对于精细特征的提取能力。本文提出了一种多尺度增强级联残差网络(Multiscale Enhanced Cascade Residual Network，MECRN)，并将其应用到实际DAS 资料处理。该网络引入一种基于空洞卷积的多尺度特征融合方案，对地震数据的不同尺度特征进行提取和组合，使得特征映射包含了原始数据更详细的信息，增强了网络对细节的恢复能力。另外结合浅层和深层特征的多尺度增强级联网络结构，能够促进特征和梯度的传播，避免了网络加深导致的浅层特征丢失问题。同时，MECRN 采用双路径的增强残差结构，从给定的含噪资料中提取浅层信息，并通过多尺度残差块组实现多尺度特征提取，结合跳跃连接方式避免浅层信息丢失。在此基础上，通过残差学习方式整合全局和局部特征，提高重构特征的精度。合成数据和实际资料的去噪结果均表明，MECRN 在压制DAS 复杂背景噪声和恢复弱反射信号方面均取得了很好的效果。

1 MECRN 的网络结构和去噪原理

1.1 MECRN 的网络结构

本文提出的MECRN 基本结构如图1所示。MECRN 采用双路径的增强残差结构，分别通过级联结构和全局残差路径充分利用来自浅层的特征信息。其中级联机制不仅促进了特征和梯度的传播，还简化了模型训练。全局残差路径直接从原始含噪数据中捕获长距离空间特征，利用浅层特征提高去噪性能。

图1 MECRN 的网络结构

在MECRN 中，上层支路利用多尺度残差块组实现地震记录特征的初步提取。多尺度残差块组由具有跳跃连接的多尺度特征提取块级联组成。堆叠多尺度特征提取块并在块间添加密集连接，保留了浅层特征的短期和长期记忆。每个多尺度特征提取块还包含四个空洞多尺度单元，结构如图2a所示。空洞多尺度单元中利用了空洞卷积方式，结合具有不同扩张率(d)的并行卷积提取多尺度特征信息，在不改变特征图大小的同时扩大感受野，有效控制参数数量和计算成本。空洞多尺度单元将前段输入特征馈送到三个并行的空洞卷积中，以获取不同尺度的输出特征，进而将得到的输出特征一起发送到1×1卷积(Conv1×1)层，对不同尺度的特征进行整体压缩和融合，降低计算成本。在此基础上，再经过激活函数ReLU 作用和普通3×3卷积(Conv3×3)压缩输出维度后，通过残差学习与并行卷积的输入特征融合，以此避免随网络加深造成浅层信息的丢失。

图2 空洞多尺度单元（a）和多尺度特征融合模块（b）的网络结构

为了优化具有不同尺度的卷积模块中的稀疏局部特征，本文将多尺度特征融合模块用于直接提取初级特征，其输出通过长跳跃连接与多尺度残差块组的输出在重构块进行全特征融合。重构块通过残差学习和普通Conv3×3 将全局特征和局部特征结合起来，将低频特征转化为高频特征，防止长期依赖问题。信息细化块通过四个级联的特征细化单元加一个卷积滤波器来细化特征，利用重构块提取的粗高频特征，学习更精确的高频特征，起到减小预测噪声与真实噪声之间差异的作用，并得到最终的去噪结果。

1.2 去噪原理

本文使用MECRN 压制DAS 地震数据的背景噪声。地震数据y可表示为有效信号x与噪声n在时、空域的叠加，即

MECRN 的估计噪声与输入数据间的非线性映射关系可以表示为

式中：Θ={w，b}为网络参数，其中w表示权重，b表示偏置；为噪声估计，即网络预测的噪声。通过从含噪记录中减去估计的噪声即可获得去噪后数据，即

利用损失函数对网络参数进行优化训练。估计噪声与真实噪声之间的损失函数为

式中：K为训练数据块数；‖·‖F表示Frobenius 范数。损失函数越小，估计的噪声与真实噪声越相似。网络经过训练后，其输出噪声无限接近于随机噪声n，故无限接近于有效信号x。

2 网络训练及参数选取

2.1 训练集的构建

丰富且高质量的训练集可以增强有监督网络的学习能力，也可以提高数据处理的质量[37]，训练集的真实性和完备性对网络的学习能力和去噪性能都有很大的影响。本文利用正演数据和实际勘探数据构建包含正演信号和实际噪声的高保真训练集。

近年来脑卒中的发病率逐渐提升，对人们生活质量乃至于生命健康都会造成影响。虽然当前在诊疗技术方面已经得到了良好的发展，但是，很多患者在治疗之后还会存在肢体功能方面的问题，不能保证诊疗与护理效果。因此，需要探索最佳的护理措施[5]。

为保证正演数据的合理性，对实际DAS-VSP 地震记录进行分析，构建二维地层模型(图3a)。使用主频(15～120 Hz)变化的Ricker子波作为震源，利用弹性波方程模拟波场信息，获得用于构建信号训练集的模拟正演记录(图3b)。为保证训练数据的泛化性，共模拟了200 张不同地层结构下由不同主频激发得到的VSP 记录，利用64×64 的滑动窗截取模拟记录，共获得20000个信号片，构建了有效信号训练集。

图3 地层模型（a）及其合成记录（b）

为了准确地估计DAS 噪声、实现有效的噪声信号分离，有必要构造尽可能丰富的DAS 噪声集训练MECRN。DAS 噪声集主要是从无震源条件下获得的实际DAS-VSP 噪声数据中提取。图4为DAS噪声记录，包含的五种典型DAS噪声，包括随机噪声、水平噪声、衰落噪声、低频噪声和相干噪声。随机噪声是DAS数据中最常见的噪声，属于常规井下环境噪声干扰，可由机器运转、地下随机振动、电流干扰等原因产生。该类型噪声往往频带较宽、能量较强，在数据中分布较为均匀。水平噪声是由光学测量中耦合振动引起，大多由电子元件的潜在泄漏所产生，呈水平状分布，且频率较低。衰落噪声主要是由采集系统中后向散射光的破坏性干扰引起，包括干扰衰落和偏振衰落，通常表现为具有较高振幅的长周期噪声序列。低频噪声是由采集系统本身的硬件原因所致，该噪声主频相对较低、能量极强，在数据中表现为较大面积的黑色或白色区域，对DAS-VSP 数据影响较大，尤其影响信号细节特征的恢复。相干噪声主要是因光纤与井壁耦合不好，在记录过程中由规则机械振动产生。与DAS 信号集构建类似，利用64×64 的滑动窗函数截取获得38625 个64×64 的DAS 噪声片，经幅值归一化后得到DAS 噪声训练集。图5 为典型信号片和噪声片。在此基础上，为保证MECRN 的泛化能力，本文随机选择信号片和噪声片进行组合。将噪声片能量进行缩放后与信号片进行叠加，得到SNR 随机分布在[-10 dB，0]范围内的含噪数据片，并与有效信号训练数据一起作为MECRN 网络的输入，共同完成网络的训练。

图4 DAS-VSP 资料噪声记录

图5 典型训练数据

2.2 实验环境及训练策略

本文使用软件平台为Matlab2017b，为满足网络训练需求，利用NVidia GeForce GTX 2026、CPU(Intel(R)Core(TM)i5-9400f 和16-GB RAM 组成硬件实验环境。在训练过程中，基于实验环境硬件条件，使用Adam 优化器实现网络参数优化。另外，网络的初始学习率设置为1×10－3，随着迭代次数的增加逐渐降到1×10－5；批标准化大小设置为64。为了方便训练，对训练数据进行了归一化处理，训练周期设置为60。经过60 个训练周期，损失函数也趋于稳定，选取性能最优模型用于处理模拟数据和实际DAS 记录。

3 模拟数据处理结果分析

为了验证MECRN 网络的去噪性能，首先对模拟含噪DAS 记录进行处理。对图3b的模拟地震记录添加实际DAS 噪声(图6a)，其中包括衰落噪声、水平噪声和时变光学噪声，获得SNR 为-4 dB 的含噪记录(图6b)。由于强噪声的存在，反射信号被严重污染，特别是深层弱反射信息极难辨识(红色箭头所示)。

图6 实际DAS 噪声（a）及合成的含噪记录（b）

3.1 对比方法及参数设置

为了准确反映MECRN 网络的去噪性能，本文选用小波变换、带通滤波和DnCNN 作为对比方法，对图6b所示模拟含噪DAS 数据进行处理，并对处理结果进行定性和定量分析。选择db4小波作为小波变换基函数，分解层数为15 层，通过软阈值法实现噪声衰减。带通滤波频率范围设置为20～70 Hz，以实现信号的有效保留。DnCNN 为20 层网络结构，网络参数与参考文献[38]中一致。为保证去噪结果的客观性，DnCNN 与MECRN 使用相同的训练集和实验环境。

3.2 去噪结果比较

利用MECRN 和对比方法对模拟含噪DAS 记录进行处理，去噪结果和滤除的噪声如图7所示。小波变换法不能准确恢复出有效信号，对噪声压制效果不明显，只有部分高频噪声被滤掉(图7a)。虽然带通滤波在一定程度上恢复了有效信号，但无法有效抑制同频噪声且有效信号失真(图7b)。此外，这两种传统方法的滤除噪声中，具有明显信号成分残留。DnCNN和MECRN 法对DAS噪声压制效果明显，恢复的有效反射同相轴清晰、连续，滤除的噪声同实际DAS 噪声表现出相近的特征(图7c、图7d)。但是，DnCNN 在压制DAS 噪声的同时，对有效信号有损伤，去噪结果中仍有少量噪声残留(图7c)；MECRN 表现出更强的去噪能力，恢复的同相轴更连续，去噪结果中无明显噪声残留(图7d)。

图7 四种方法的去噪结果（上）及滤除的噪声（下）对比

合成含噪数据与四种方法去噪结果的局部放大对比如图8所示。时变光学噪声导致反射同相轴受到严重污染(图8a)；小波变换法不能抑制强噪声干扰(图8b)；带通滤波虽然可以恢复同相轴信息，但噪声残留明显(图8c)；相较而言，DnCNN 虽然可以有效抑制噪声，但是恢复的同相轴信息有明显缺失(图8d)；MECRN 恢复的弱信号在连续性和清晰度方面都明显优于其他三种方法，并且噪声衰减更彻底(图8e)。

图8 四种方法的去噪结果局部放大对比

合成纯净记录及叠加噪声与四种方法去噪结果及去除的噪声的F-K谱的对比如图9所示。首先，纯净信号和实际DAS背景噪声在频域存在明显混叠，消减难度较大(图9a)。其次，如图9b和图9c所示，小波变换和带通滤波法不能有效去除混叠的DAS实际噪声，前者仅能滤除部分高频干扰，后者不能抑制通带内的噪声成分。相比来说，DnCNN和MECRN法可以有效实现混叠噪声的滤除，但是DnCNN 结果中有明显噪声残留，MECRN恢复的信号同纯净信号最为接近(图9d、图9e)，这也充分验证了MECRN法的有效性。

图9 四种方法去噪结果（上）及滤除噪声（下）的F-K 谱对比

3.3 去噪结果定量比较

本文主要利用SNR和均方根误差(RMSE)对不同方法去噪结果进行量化分析。SNR 用于表征噪声衰减能力，而RMSE 侧重于反映信号保持能力。SNR 和RMSE定义为

式中：x为纯净信号；表示处理结果；M和N分别为道数和每道样点数。

应用四种方法对不同SNR的含噪记录进行处理，去噪结果的SNR 和RMSE 统计如表1所示。以去噪前SNR 为-2 dB 的数据为例，MECRN 法处理结果的SNR 为20.97 dB，提升了约22 dB；DnCNN 法处理结果的SNR为15.04 dB，提升约17 dB，表明MECRN 法可以在提升弱反射信号的同时有效压制复杂DAS 背景噪声，且去噪能力更强。

表1 不同SNR 数据四种方法去噪结果的SNR 和RMSE 统计

4 实际DAS 资料处理结果分析

A 井实际DAS-VSP 记录(图10)采集于中国东北地区，共由1372 道记录组成，采样频率为2500 Hz。记录中噪声类型多样且性质复杂，如衰落噪声(黄色箭头所示)、水平噪声(红色箭头所示)、时变光学噪声(绿色箭头所示)和耦合噪声(蓝色箭头所示)，严重影响了有效信息的提取。分别应用小波变换、带通滤波、DnCNN 和MECRN 法对实际DAS 记录进行处理，结果如图11所示。小波变换、带通滤波选取与合成记录处理时相同的滤波参数。由于无法利用实际记录构建信号训练集，DnCNN 和MECRN 则使用最优合成记录处理模型。

图10 A 井实际DAS-VSP 记录

图11 A 井实际DAS-VSP 数据四种方法去噪结果（上）及去除的噪声（下）对比

小波变换法无法有效抑制DAS-VSP记录中的复杂噪声，去噪记录的反射信息并未得到有效恢复(图11a)。带通滤波法虽然表现出一定的噪声消减能力，但去噪结果中仍然残留部分噪声，信号表现出过度平滑的特征，频率成分出现变化(图11b)。由图11c 和图11d 可以发现：深度学习方法可以取得较传统方法更好的处理结果，与合成记录处理结果可相互验证；DnCNN 对于衰落噪声抑制能力较弱，去噪结果中存在大量衰落噪声残留(红色箭头所示)；MECRN 可以更有效地抑制时变光学噪声，准确地恢复受噪声污染的弱反射信息(绿色方框所示)。

A 井原始DAS-VSP 记录及四种方法去噪结果的局部放大对比如图12所示，可以看到：小波变换法处理之后，有效信号依然被强时变光学噪声掩盖(图12b)；带通滤波无法有效抑制同频噪声且恢复的有效信号存在频带展宽现象(图12c)；DnCNN 法整体上对噪声压制效果良好，但针对光学噪声污染的弱同相轴信息恢复不佳，且在处理结果中还残留有部分光学噪声(图12d)；MECRN 法处理结果中噪声得到了更彻底的压制，恢复的有效信号更加光滑、连续，同时还可重构出其他传统方法无法恢复的弱反射信息(图12e)。

图12 A 井实际DAS-VSP 数据与四种方法去噪结果的局部放大对比

为验证模型的泛化能力，对不同工区B井的DASVSP 数据(图13)进行处理，结果如图14所示。小波变换未能恢复隐藏在时变光学噪声中的反射同相轴信息(图14a)；同样，带通滤波的去噪能力表现出一定的局限性，无法重构弱反射信号(图14b)。尽管DnCNN可以提供更好的去噪性能，但仍然可以直观地观察到残余噪声(图14c)。相较而言，MECRN 表现出了较好的去噪效果，在微弱信号恢复方面明显优于其他方法，恢复的同相轴更清晰、更连续(图14d)。

图13 B 井实际DAS-VSP 记录

图14 B 井实际DAS-VSP 数据四种方法去噪结果（上）及去除的噪声（下）对比

实验结果表明，在MECRN 处理低SNR 实际DAS 记录时，仍然能够获得高精度的处理结果，拥有较强的去噪能力，验证了本文网络在去噪性能和信号恢复能力方面的优势，能满足DAS-VSP 数据处理的要求。

5 结论

针对实际DAS-VSP 记录SNR 低、噪声种类复杂且污染严重的问题，本文提出了一种基于多尺度的增强级联残差网络(MECRN)压制DAS地震数据中的背景噪声。MECRN 采用双路径的增强残差结构，通过两种路径同时从给定的噪声图像中提取浅层信息，融合不同路径预测结果。此外，引入空洞卷积和多尺度模块提取不同尺度和级别的特征，并通过跳跃连接将浅层特征融入后续相邻块组，整合前期模块获取的特征，避免了浅层信息丢失。最后通过残差学习整合全局和局部特征，并对重建的特征细化，重构出高质量VSP数据。

为了证明网络的有效性，利用MECRN 对合成含噪数据和实际DAS记录进行处理，并与传统方法和其他深度学习方法进行对比，结果表明MECRN 可以有效抑制复杂DAS数据的背景噪声，恢复受噪声污染的弱反射信息，SNR 提升超过了22 dB。因此，MECRN在DAS资料处理领域具有一定的应用前景，也可为后续高效消噪网络设计提供必要参考。