2023年第38卷第2期2023，38(2):0662-0676地球物理学进展ProgressinGeophysicshttp://www．progeophys．cnISSN1004-2903CN11-2982/P李从昀，朱亚洲，杨晓，等．2023．基于Noise-to-Noise自监督学习的地震数据去噪方法．地球物理学进展，38(2):0662-0676，doi:10．6038/pg2023GG0225．LICongYun，ZHUYaZhou，YANGXiao，etal．2023．SeismicdatadenoisingmethodbasedonNoise-to-Noiseself-supervisedlearning．ProgressinGeophysics(inChinese)，38(2):0662-0676，doi:10．6038/pg2023GG0225．基于Noise-to-Noise自监督学习的地震数据去噪方法SeismicdatadenoisingmethodbasedonNoise-to-Noiseself-supervisedlearning李从昀1，朱亚洲1，杨晓2，石太昆3LICongYun1，ZHUYaZhou1，YANGXiao2，SHITaiKun3收稿日期2022-08-28;修回日期2023-01-06．投稿网址http://www．progeophys．cn基金项目国家电网公司依托工程基建新技术研究项目(SGBJSY00JJJS2200566)资助．第一作者简介李从昀，女，1981年生，硕士，高级工程师，主要从事电力勘测设计、管线探测方面的工作．E-mail:jyykcs@126．com1．北京电力经济技术研究院有限公司，北京1000202．国勘数字地球(北京)科技有限公司，北京1000853．中国科学院地质与地球物理研究所，北京1000291．BeijingElectricPowerEconomicandTechnicalＲesearchInstituteCorporation，Beijing100020，China2．GuokanDigitalEarth(Beijing)Technology，Beijing100085，China3．InstituteofGeologyandGeophysics，ChineseAcademyofSciences，Beijing100029，China摘要在地震勘探采集到的地震数据中不可避免的存在随机噪声，而高信噪比的地震数据是地震资料反演和解释的基础．因此随机噪声压制一直是地震资料处理中的重要工作．近些年来，随着深度学习技术的发展，基于卷积神经网络的地震数据去噪方法已经取得了丰硕的成果．常规的监督学习策略需要获取无噪数据作为标签，然而从实际地震数据中获取无噪数据只能通过传统去噪方法进行预处理，以此方法构建标签数据的监督学习去噪网络必然受构建数据集的去噪方法影响．针对此问题，本文提出了一种基于Noise-to-Noise自监督学习的地震数据去噪方法，该方法通过对实际地震数据添加不同等级的噪声构建训练数据集，仅需要含噪地震数据即可训练去噪网络．合成数据测试和实际数据测试表明，本文方法可以有效去除地震数据中的随机噪声，性能优于受数据集构建方法所限的监督学习去噪方法和传统...
