精密测量院在DAS-VSP地震数据多源噪声高精度压制方面取得新进展

精密测量院计算与勘探地球物理研究中心团队在分布式声波传感(DAS)垂直地震勘探(VSP)数据多源噪声高精度压制方面取得新进展。针对DAS-VSP数据受大量随机噪声及相干耦合噪声污染问题，研究团队设计了一种基于指数衰减曲线约束经验模态分解(EDCC-EMD)的频率域监督去噪网络模型。该方法显著提高了DAS-VSP数据的信噪比，并成功恢复深层被掩盖的微弱信号，攻克了低信噪比数据导致的反演难题，为高精度地下结构成像提供了可靠的技术保障。近日，相关研究成果已发表在《石油科学》(Petroleum Science)上，并作为重点论文推介。

DAS技术近年来发展迅速，已成为地震勘探领域的一项重要突破，尤其在VSP应用中展现出广阔前景。然而，实际采集的DAS-VSP数据往往受到强相干耦合噪声与随机噪声的严重干扰，对数据质量与地下结构成像精度造成显著影响。目前基于深度学习的去噪方法大多依赖于传统去噪技术所生成的噪声标签，难以准确适配DAS数据特有的噪声特性，制约了其在实际油气勘探中的应用效果。

为解决这一难题，研究团队创新性地提出了一种基于指数衰减曲线约束经验模态分解(EDCC-EMD)的监督去噪网络。该方法首先利用传统EMD从实际DAS-VSP数据中提取初始噪声分量，进而对该分量进行二次EMD分解，得到一系列本征模态函数(IMFs)。通过分析各阶IMF与初始噪声之间的相关系数，并引入指数衰减曲线(EDC)作为约束条件，实现了更为纯净的噪声成分提取。经过优化的噪声标签显著提升了去噪网络的训练质量与泛化性能。

值得关注的是，现有方法多集中于时域特征分析，往往忽略了频域信息中所蕴含的关键区分特征。本研究创新性地将频域数据作为网络训练输入，充分利用噪声与有效信号在频域中更为明显的可分性，大幅提升了网络在噪声-信号分离任务中的学习效率与去噪性能，为DAS-VSP数据的高精度处理提供了新的技术路径。

研究结果表明，研究团队所提出的方法展现出优越的去噪性能。在实际深层弱信号DAS-VSP数据测试中，该方法显著提升了信噪比，增幅高达22.9 dB，效果明显优于传统去噪方法(如EMD、FK)以及经典的时域U-net噪声压制方法。本方法在噪声压制与信号保真两方面均表现更佳，并能有效校正受噪声污染导致的相位畸变，充分证明了其在DAS-VSP数据处理中的先进性与实用价值。

深层弱信号DAS-VSP 数据去噪结果. (a)干净数据；(b)噪声数据(-17.6 dB)；(c)EMD方法去噪结果(0.2 dB)；(d) FK方法去噪结果(0.1 dB)；(e)本方法在时间域去噪结果(2.1 dB)；(f)本方法在频率域去噪结果(5.3 dB)，信噪比提高22.9 dB.

本方法去噪后DAS-VSP数据的振幅与相位细节。(a) 单道数据波形图；(b) 纯净噪声与剔除的噪声成分。(c)-(f)依次为干净数据、含噪数据、去噪后数据和被剔除噪声的时频谱。

该方法攻克了低信噪比数据导致的反演难题，通用性强，有望直接应用于常规检波器地震数据及地震台站监测数据等多种场景，展现出较为广阔的行业应用前景，为高精度地下结构成像提供了可靠的技术保障。

相关研究成果以“An EDCC-EMD analysis-based network for DAS VSP data denoising in frequency domain”为题在《石油科学》(Petroleum Science)上发表，精密测量院为第一完成单位，青年副研究员唐欢欢为文章第一作者，研究员毛伟建为通讯作者。

该研究得到国家自然科学基金重点项目和国家自然科学基金青年项目资助。

    论文链接：https://doi.org/10.1016/j.petsci.2025.03.006