具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在现有技术中，在基于深度学习技术去除地震资料中的面波噪声的过程中，由于目前的深度学习技术采用常规去噪后的数据作为样本标签，而传统面波去噪方法本身存在技术缺陷，因而无法提供精确的样本标签，这导致了深度学习技术在面波去噪领域难以超越传统去噪方法，无法较好地地去除地震资料中的面波。基于此，本发明实施例提供一种地震数据的面波噪声去除方案，该方案可以提供精确样本，从而可以更有效地去除地震资料中的面波。以下基于地上地震资料为例，结合附图来详细描述本发明实施例。

图1是根据本发明实施例的地震数据面波噪声去除方法的流程图，如图1所示，该方法包括：

步骤101，获取包含面波噪声的原始地震数据，该原始地震数据如图2所示，其中，横坐标为道号(Trace Number)，纵坐标为时间(Time)。

步骤102，基于预定规则将所述原始地震数据分割为低频数据和高频数据，其中，所述低频数据包括：第一低频子数据(LP1)和第二低频子数据(LP2)，所述高频数据包括：第一高频子数据(HP1)和第二高频子数据(HP2)。这里的预定规则为频率域分割规则和时空域分割规则。

由于面波噪声存在于低频段中，高频段中不含面波噪声，因而，可以先根据频率域分割规则将所述原始地震数据分割为图3所示的低频数据(LP)和图4所示的高频数据(HP)，则低频数据中包括面波噪声和有效信息，而高频数据中不含面波噪声，仅包含有效信息。

在一个实施例中，因为面波只存在于数据低频部分，因而可以构建低通滤波器，使滤波器高截至频率大于面波噪声的最大有效频率。利用该滤波器，输入原始地震数据进行滤波，得到含面波噪声的数据(上述LP)，将原始地震数据减去含面波部分数据就可以得到不含面波部分数据(上述HP)。类似地，也可以采用小波变换方法，大尺度部分含有面波噪声，小尺度部分不含面波噪声。

之后，根据面波噪声具有低速度的特点，基于时空域分割规则将所述低频数据分割为图5所示的第一低频子数据(LP1)和图6所示的第二低频子数据(LP2)，所述第二低频子数据包括所述面波噪声。同时，基于所述时空域分割规则对所述高频数据进行分割为图7所示的第一高频子数据(HP1)和图8所示的第二高频子数据(HP2)。其中，HP1和LP1对应，HP2和LP2对应。

在一个实施例中，基于面波噪声视速度低，这里的视速度是指地面观测炮检点距离除以时间的值，给定一个视速度使之大于输入地震数据中的最大面波视速度，按照该给定视速度将输入地震数据分解为两部分，视速度大于给定视速度的数据(例如，LP1)和视速度小于给定视速度的数据(例如，LP2)。

步骤103，根据已训练的神经网络和预先设置的滤波器对所述第二高频子数据(HP2)进行校正处理，以生成第二高频校正数据(校正后的PLP2)，该校正处理包括：高低频转换处理。

在实际操作中，神经网络可以是多层神经网络，例如，多层全连接卷积神经网络(CNN)。该神经网络模型实现从高频段信号预测低频段信号的目的，即用于实现高低频转换处理。

在一个实施例中，可以根据历史地震数据对神经网络进行训练。该训练过程具体包括：获取历史地震数据，该历史地震数据包括：历史第一低频子数据(LP1)和历史第一高频子数据(HP1)；之后将所述历史第一低频子数据LP1和所述历史第一高频子数据HP1作为训练数据来训练所述神经网络。

这里，将历史第一低频子数据(LP1)和历史第一高频子数据(HP1)作为训练样本，使得输入HP1数据得到的预测结果与LP1数据差异最小，以此来训练深度学习神经网络模型，以实现高频数据到低频数据的转换。

上述作为训练样本的历史第一低频子数据(LP1)和历史第一高频子数据(HP1)是基于时空域分割规则得到的，相比于现有技术中的样本标签(即，训练数据)，这两个子数据不含面波噪声，仅含有有效信息，因而比现有技术中的训练数据更精确，从而可以训练出更精确地神经网络，进而可以更好地地去除地震资料中的面波噪声。

之后，将上述第二高频子数据(HP2)输入至已训练的神经网络中，生成预测数据(PLP2)，该PLP2为低频数据，可以认为是数据LP2中不含面波部分。

在校正过程中，先将第二高频子数据(HP2)输入至已训练的神经网络，生成预测数据(PLP2)；随后再将预测数据(PLP2)输入至设置好的滤波器，就可以输出第二高频校正数据(PLP2')。

步骤104，根据所述第二高频校正数据(PLP2')和所述第二低频子数据(LP2)对所述原始地震数据进行去除面波噪声操作，以生成去除面波噪声后的地震数据。

具体而言，先根据所述第二高频校正数据(PLP2')和所述第二低频子数据LP2确定所述面波噪声；之后，将所述原始地震数据与所述面波噪声执行减操作，以生成所述去除面波噪声后的地震数据。

在一个实施例中，第二高频校正数据(PLP2')和第二低频子数据LP2的差即为最终预测的面波噪声(包括面波及其散射噪声)(N)。将得到的噪声N从原始地震数据中减去，就可以得到最终去除面波的地震数据。

本发明实施例基于面波噪声的低频段和低速度特性，对原始地震数据进行频率域分割处理和时空域分割处理，得到第一低频子数据(LP1)和第二低频子数据(LP2)、第一高频子数据(HP1)和第二高频子数据(HP2)，其中，仅LP2含有面波噪声，其余三个子数据中均不含面波噪声，之后对HP2基于预先训练的神经网络和滤波器进行校正得到PLP2'，随后根据PLP2'和第二低频子数据(LP2)对原始地震数据进行去除面波噪声操作，以生成去除面波噪声后的地震数据，由于神经网络的训练数据为历史第一低频子数据LP1和历史第一高频子数据HP1，相比于现有技术，这两个子数据均不含面波噪声，因而可以训练得到更精确的神经网络，从而可以得到更精确的预测数据，进而可以更有效地去除原始地震数据中的面波噪声。

在具体实施过程中，上述滤波器是对神经网络输出的低频数据PLP2进行校正，以使得LP2与校正后的PLP2(即，PLP2')相减后剩余误差最小，LP2与PLP2'这两者之差即为最终预测的面波噪声(N)。

该滤波器，可以基于用于训练神经网络的历史地震数据来预先设置，该历史地震数据还可以包括：历史第二高频校正数据(该数据可以通过训练好的神经网络得到)和历史第二低频子数据(LP2)。具体地，可以根据历史第二高频校正数据和历史第二低频子数据(LP2)执行减操作后的剩余误差值来设置所述滤波器。

例如，可以通过如下公式来设置滤波器：

其中，w表示一维滤波器算子组成的卷积矩阵，|| ||₁表示L1范数。

需要说明的是，在本文中所有涉及到的地震数据都可以认为是矩阵。

基于上述公式，通过求解最优化问题来构建或设置滤波器w，该滤波器w使LP2与校正后的PLP2相减后L1范数下误差最小。

在实际操作中，也可以使用L2范数来设置滤波器w。

图9是根据本发明实施例的地震数据面波噪声去除方法的详细流程图，如图9所示，该流程包括：

步骤901，基于面波存在于低频段中，高频段中不含面波，设计一个频率域分割模块，将原始地震数据(D)分解为含面波部分(LP)和不含面波部分(HP)，其中，含面波数据中既包含有效信号，又包含面波噪声。

步骤902，根据面波的低速度特点，设计一个时空域分割模块，将数据LP分为两部分：不含面波部分(LP1)和含面波部分(LP2)。利用同样的时空域分割模块将数据HP分为两部分HP1和HP2，其中，HP1和LP1对应，HP2和LP2对应。

步骤903，深度学习神经网络训练，搭建一个多层神经网络，该深度学习神经网络模型可以实现从高频段信号预测低频段信号的目的。将数据LP1和HP1作为训练样本，训练一个深度学习神经网络模型，使得输入HP1数据得到的预测结果与LP1数据差异最小。

步骤904，应用步骤903得到的深度学习神经网络模型，将数据HP2输入深度学习神经网络，得到一个预测结果PLP2，预测的PLP2可认为是数据LP2中不含面波的部分。

步骤905，基于如下公式设计一个滤波器，对数据PLP2进行校正，使LP2与校正后的PLP2(PLP2')相减后剩余误差最小，两者之差即为最终预测的面波及其散射噪声(N)。

通过求解上述最优化问题构建滤波器w，使LP2与校正后的PLP2相减后L1范数下误差最小。

步骤906，将步骤905预测的噪声N从原始地震数据D中减去，得到最终去除面波的地震数据。

本发明实施例基于面波频率低和视速度低的特点，将原始地震数据进行了频率域和时空域的分割，利用面波区域外的体波数据制作精确的标签数据，解决了深度学习样本不足和精度低的问题，实现了保真去除地震资料中面波及其散射噪声的目的，提高了地震资料信噪比。

基于相似的发明构思，本发明实施例还提供一种地震数据的面波噪声去除装置，优选地，该装置可用于实现上述方法实施例中的流程。

图10是根据本发明实施例的地震数据面波噪声去除装置的结构框图，如图10所示，该装置包括：数据获取单元1、分割单元2、校正单元3和噪声去除单元4，其中：

数据获取单元1，用于获取包含面波噪声的原始地震数据；

分割单元2，用于基于预定规则将所述原始地震数据分割为低频数据和高频数据，其中，所述低频数据包括：第一低频子数据LP1和第二低频子数据LP2，所述高频数据包括：第一高频子数据HP1和第二高频子数据HP2，所述第二低频子数据包括所述面波噪声；

校正单元3，用于根据已训练的神经网络和预先设置的滤波器对所述第二高频子数据HP2进行校正处理，以生成第二高频校正数据(校正后的PLP2)，所述校正处理包括：高低频转换处理；

噪声去除单元4，用于根据所述第二高频校正数据和所述第二低频子数据LP2对所述原始地震数据进行去除面波噪声操作，以生成去除面波噪声后的地震数据。

本发明实施例基于面波噪声的低频段和低速度特性，分割单元2对数据获取单元1获取的原始地震数据进行频率域分割处理和时空域分割处理，得到第一低频子数据(LP1)和第二低频子数据(LP2)、第一高频子数据(HP1)和第二高频子数据(HP2)，其中，仅LP2含有面波噪声，其余三个子数据中均不含面波噪声，之后校正单元3对HP2基于预先训练的神经网络和滤波器进行校正得到PLP2'，随后噪声去除单元4根据PLP2'和第二低频子数据(LP2)对原始地震数据进行去除面波噪声操作，以生成去除面波噪声后的地震数据，由于神经网络的训练数据为历史第一低频子数据LP1和历史第一高频子数据HP1，相比于现有技术，这两个子数据均不含面波噪声，因而可以训练得到更精确的神经网络，从而可以得到更精确的预测数据，进而可以更有效地去除原始地震数据中的面波噪声。

在实际操作中，如图11所示，上述装置还包括：神经网络训练单元5，用于训练所述神经网络。

如图12所示，上述神经网络训练单元5包括：历史数据获取模块51和训练模块52，其中：

历史数据获取模块51，用于获取历史地震数据，所述历史地震数据包括：历史第一低频子数据LP1和历史第一高频子数据HP1；

训练模块52，用于将所述历史第一低频子数据LP1和所述历史第一高频子数据HP1作为训练数据来训练所述神经网络。

在实际操作中，历史地震数据还包括：历史第二高频校正数据和历史第二低频子数据LP2。

继续参见图11，上述装置还包括：滤波器设置单元6，用于设置所述滤波器。具体地，所述滤波器设置单元6具体用于：根据所述历史第二高频校正数据和所述历史第二低频子数据LP2执行减操作后的剩余误差值来设置所述滤波器。

具体地，如图13所示，上述分割单元2包括：频率域分割模块21、低频子数据生成模块22和高频子数据生成模块23，其中：

频率域分割模块21，用于根据频率域分割规则将所述原始地震数据分割为低频数据和高频数据，所述低频数据包括所述面波噪声；

低频子数据生成模块22，用于基于时空域分割规则将所述低频数据分割为所述第一低频子数据LP1和所述第二低频子数据LP2；

高频子数据生成模块23，用于基于所述时空域分割规则对所述高频数据进行分割为所述第一高频子数据HP1和所述第二高频子数据HP2。

如图14所示，校正单元3包括：预测数据生成模块31和校正模块32，其中：

预测数据生成模块31，用于将所述第二高频子数据HP2输入至已训练的神经网络进行高低频转换处理，以生成预测数据PLP2；

校正模块32，用于将所述预测数据PLP2输入至所述滤波器，以输出所述第二高频校正数据。

具体地，如图15所示，噪声去除单元4包括：噪声确定模块41和噪声去除模块42，其中：

噪声确定模块41，用于根据所述第二高频校正数据和所述第二低频子数据LP2确定所述面波噪声；

噪声去除模块42，用于将所述原始地震数据与所述面波噪声执行减操作，以生成所述去除面波噪声后的地震数据。

上述各单元、各模块的具体执行过程，可以参见上述方法实施例中的描述，此处不再赘述。

在实际操作中，上述各单元、各模块可以组合设置、也可以单一设置，本发明不限于此。

本实施例还提供一种电子设备，该电子设备可以是台式计算机、平板电脑及移动终端等，本实施例不限于此。在本实施例中，该电子设备可以参照上述方法实施例进行实施及地震数据面波噪声去除装置的实施例进行实施，其内容被合并于此，重复之处不再赘述。

图16为本发明实施例的电子设备600的系统构成的示意框图。如图16所示，该电子设备600可以包括中央处理器100和存储器140；存储器140耦合到中央处理器100。值得注意的是，该图是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。

一实施例中，地震数据面波噪声去除功能可以被集成到中央处理器100中。其中，中央处理器100可以被配置为进行如下控制：

步骤101，获取包含面波噪声的原始地震数据；

步骤102，基于预定规则将所述原始地震数据分割为低频数据和高频数据，其中，所述低频数据包括：第一低频子数据LP1和第二低频子数据LP2，所述高频数据包括：第一高频子数据HP1和第二高频子数据HP2，所述第二低频子数据包括所述面波噪声；

步骤103，根据已训练的神经网络和预先设置的滤波器对所述第二高频子数据HP2进行校正处理，以生成第二高频校正数据(校正后的PLP2)，所述校正处理包括：高低频转换处理；

步骤104，根据所述第二高频校正数据和所述第二低频子数据LP2对所述原始地震数据进行去除面波噪声操作，以生成去除面波噪声后的地震数据。

从上述描述可知，本申请实施例提供的电子设备，能够基于面波噪声的低频段和低速度特性，对原始地震数据进行频率域分割处理和时空域分割处理，得到第一低频子数据(LP1)和第二低频子数据(LP2)、第一高频子数据(HP1)和第二高频子数据(HP2)，其中，仅LP2含有面波噪声，其余三个子数据中均不含面波噪声，之后对HP2基于预先训练的神经网络和滤波器进行校正得到PLP2'，随后根据PLP2'和第二低频子数据(LP2)对原始地震数据进行去除面波噪声操作，以生成去除面波噪声后的地震数据，由于神经网络的训练数据为历史第一低频子数据LP1和历史第一高频子数据HP1，相比于现有技术，这两个子数据均不含面波噪声，因而可以训练得到更精确的神经网络，从而可以得到更精确的预测数据，进而可以更有效地去除原始地震数据中的面波噪声。

在另一个实施方式中，地震数据面波噪声去除装置可以与中央处理器100分开配置，例如可以将地震数据面波噪声去除装置配置为与中央处理器100连接的芯片，通过中央处理器的控制来实现地震数据面波噪声去除装置。

如图16所示，该电子设备600还可以包括：通信模块110、输入单元120、音频处理单元130、显示器160、电源170。值得注意的是，电子设备600也并不是必须要包括图6中所示的所有部件；此外，电子设备600还可以包括图16中没有示出的部件，可以参考现有技术。

如图16所示，中央处理器100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器100接收输入并控制电子设备600的各个部件的操作。

其中，存储器140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器100可执行该存储器140存储的该程序，以实现信息存储或处理等。

输入单元120向中央处理器100提供输入。该输入单元120例如为按键或触摸输入装置。电源170用于向电子设备600提供电力。显示器160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器，但并不限于此。

该存储器140可以是固态存储器，例如，只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为EPROM等。存储器140还可以是某种其它类型的装置。存储器140包括缓冲存储器141(有时被称为缓冲器)。存储器140可以包括应用/功能存储部142，该应用/功能存储部142用于存储应用程序和功能程序或用于通过中央处理器100执行电子设备600的操作的流程。

存储器140还可以包括数据存储部143，该数据存储部143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器140的驱动程序存储部144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。

通信模块110即为经由天线111发送和接收信号的发送机/接收机110。通信模块(发送机/接收机)110耦合到中央处理器100，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。

基于不同的通信技术，在同一电子设备中，可以设置有多个通信模块110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)110还经由音频处理器130耦合到扬声器131和麦克风132，以经由扬声器131提供音频输出，并接收来自麦克风132的音频输入，从而实现通常的电信功能。音频处理器130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器130还耦合到中央处理器100，从而使得可以通过麦克风132能够在本机上录音，且使得可以通过扬声器131来播放本机上存储的声音。

本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时以实现上述地震数据面波噪声去除方法的步骤。

综上所述，本发明实施例基于面波频率低和视速度低的特点，将原始地震数据进行了频率域和时空域的分割，利用面波区域外的体波数据制作精确的标签数据，解决了深度学习样本不足和精度低的问题，实现了保真去除地震资料中面波及其散射噪声的目的，提高了地震资料信噪比。

以上参照附图描述了本发明的优选实施方式。这些实施方式的许多特征和优点根据该详细的说明书是清楚的，因此权利要求旨在覆盖这些实施方式的落入其真实精神和范围内的所有这些特征和优点。此外，由于本领域的技术人员容易想到很多修改和改变，因此不是要将本发明的实施方式限于所例示和描述的精确结构和操作，而是可以涵盖落入其范围内的所有合适修改和等同物。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。