收益：
- 能够通过差异图控制基于人工智能的噪声抑制，并防止微弱但真实的反射被擦除
- 能够识别反卷积产生错误分辨率的风险以及迹线插值创建幻影结构的陷阱，并使用掩模跟踪它们
- 能够通过连接处理结果来验证物理有效性
当您打开原始地震记录时，您看到的很少是“地下图片”。相反，您会看到一个复杂的混合：从地下反射的实际信号、表面波、随机噪声、多次反射和录音的固有失真。地震数据处理是逐步清理、调整原始记录并将其转换为可解释的地下图像的过程。在本单元中，我们将解释人工智能 (AI) 如何成为这一过程的强大加速器，特别是在去噪、反卷积和缺失迹线填充等步骤中；但我们会看到为什么参数和物理有效性的决定仍然由专家决定。
地震数据剖析
让我们从一个简短的术语表开始。迹线是由单个接收器记录的与时间相关的幅度序列。当许多痕迹聚集在一起时，就形成了一个部分。采样间隔是两个连续幅度值之间的时间（例如2 ms）。信号内的实际反射是由地下层边界的声阻抗差异引起的；处理的目的是将这些反射从噪声中分离出来，并将它们放置在正确的时空位置上。
噪声有两种主要类型：随机噪声（不相干，独立于轨道）和相干噪声（相干噪声 - 规则的、强的、掩盖信号的，例如表面波/地滚波）。基于人工智能的方法在分离这两种类型时通常比传统滤波器更灵活，因为它们使用从样本中学习到的复杂区分，而不是固定的频率速度窗口。
AI 噪音抑制
经典的噪声抑制是通过基于频率、速度（f-k 滤波器）或统计的滤波器来完成的。基于人工智能的噪声抑制器（主要是卷积神经网络，简称 CNN；学习图像数据中的局部模式的网络）从“噪声输入 → 干净输出”样本对中学习。其优点是：在分离信号和噪声时可以根据上下文进行区分，而不是固定的规则。风险：当遇到训练数据中不存在的噪声类型时，倾向于删除信号或将噪声保留为信号。
最严重的危险在于：激进的人工智能噪声抑制器可能会将微弱但真实的反射误认为是噪声，并将其消除。所以黄金法则：一定要查看噪声抑制前后的差异（移除的组件）。如果您在移除的部分看到一致的反射图案，则滤波器正在吞噬信号。
提示：将 YZ 噪声抑制器产生的“噪声”层绘制为单独的切片（差异图）。好的阻遏物的残基是随机出现的；如果其中存在倾斜的连续反射，则说明滤波器过于激进，您需要软化参数。
反卷积：取回源签名
反卷积是尝试通过从记录的迹线中减去源的小波特征（源小波 - 爆炸/振动器产生的波形）来揭示地下真实反射率序列的过程。目标是提高分辨率并抑制多次反射。 AI可以提高反卷积中的小波估计和对噪声的鲁棒性；然而，如果过度应用 decon，则会放大高频噪声并产生杂散分辨率。人工智能在这里也是一个推荐引擎；最终的参数选择（decon 算子长度、预白化）是根据迹线的物理特性进行专业校准的。
不完全轨迹插值和定期采样
有的接收机在现场出现故障，有的线路采集不完整；结果，数据中出现了缺口。基于人工智能的插值（通过向邻居学习来填充缺失的痕迹）对于在迁移之前获得规则网格非常有用。然而，填充的迹线是估计值，而不是测量值；这些迹线不应在解释中与真实数据同等重要，而应在输出中单独标记。
注意：如果插值产生的轨迹在后续步骤中作为“真实数据”进行，则可能会导致创建不存在的结构。用遮罩描出填充的单元格；如果关键结构仅出现在插值区域中，则不要信任它。
三个迷你箱子
案例 1——网络学习地面滚动。在陆地地震中，强表面波（地滚波）掩盖了信号。该团队使用了 CNN 噪音抑制器，该噪音抑制器从 800 份手工清理的录音中学习；每条记录的处理时间从 12 分钟减少到 40 秒。该团队手动检查了每批 5% 的记录，并通过差异图确认没有信号丢失。
案例 2 — 删除弱反射。在另一个项目中，经过积极调整的 YZ 抑制器将 2.4 秒时微弱但真实的水库反射误认为是噪音，并将其消除。仅当建立井地震关系时，差异才变得明显：井中的透明层在剖面中不存在。当参数被平滑并重新处理时，反射返回。
案例 3——插值的幽灵。在人工智能填补缺失线条的 3D 卷中，解说员注意到了微妙的通道结构。看着填充蒙版，他发现通道正好落入插值空间中。当收集到更多的现场数据时，很明显通道并不在那里，而是由预测产生的模式。
四个可复制模板
1）加工流程示意图：
您的角色：地震处理专家。数据：[陆地/海洋，2D/3D，采样 2 ms，目标 1-4 km]。概述一下逐步的处理流程（预处理→噪声抑制→去con→速度分析→迁移）。在每个步骤中，写下哪个决策需要参数以及在选择该参数时我应该寻找什么。
2）噪声抑制控制方案：
我应用了人工智能噪声抑制器。给我一份审核清单：我应该在差异图中寻找什么，如何识别信号丢失，我应该在之前/之后比较什么指标，我应该手动检查什么记录速率？写得简短且可操作。
3）反卷积参数咨询：
您的角色：加工顾问。我应用反卷积并增加高频噪声。解释可能的原因、运算符长度以及预白化设置的效果。我如何知道过度的装饰是否会产生错误的分辨率？给出每项建议的理由。
4）插值掩模跟踪：
我用AI填补了缺失的痕迹。告诉我如何在接下来的步骤中保持标记的填充单元格，如何将注释与实际数据分开，以及如何消除“仅在插值区域中可见的结构”。
弱提示/强提示
弱提示：
清除抗震效率中的噪音，告诉最佳设置。
“最佳设置”并不独立于数据而存在；人工智能给出的是笼统的、不可控的推荐。
强力提示：
您的角色：地震处理专家。产量：黑色 2D、强地滚波 (5-12 Hz)、目标反射 20-45 Hz、采样 2 ms。任务：提出一种噪声抑制方法，用频率术语解释要保留哪些分量以及要抑制哪些分量。如何监控信号丢失的风险（差异图指标）以及在之前/之后与什么指标进行比较？不要只是说“输入此设置”；给出决策标准。
给定数据特征、目标范围和控制标准，输出变得真正可行。
处理步骤和AI角色
加工步骤
人工智能贡献
主要风险
人类的决定
随机噪声抑制
高
删除弱信号
参数确认
一致的噪音（地面滚波）
高
过度压制
差异图控制
反卷积
中等
假决议
操作员/美白
迹线插值
中等
鬼楼
掩模追踪
速度分析
中等
迁移速度错误
经井证实
常见错误
- 在不查看差异图的情况下进行抑制。在看到移除的组件之前，您不会注意到信号丢失。
- 过度装饰。将高频噪声误认为分辨率会产生杂散层。
- 将插值轨迹计算为真实数据。不标记已填充的单元格会产生幻影结构。
- 看一个指标。仅关注信噪比而忽略反射守恒会产生误导。
- 绕过井领带。继续解释处理结果，而不将其连接到井数据。
综上所述
在地震处理中，人工智能在噪声抑制、反褶积和道插值方面提供了更快的速度和更灵活的分离。但每一步都存在物理缺陷：擦除微弱信号、产生错误分辨率、产生鬼影。这就是为什么差异图控制、井连接和插值掩模等控制是必不可少的。 AI建议参数；专家根据数据的物理原理验证参数并使结果可解释。
应用任务
在地震剖面（真实或样本）上定义噪声抑制步骤。使用“处理流程大纲”模板提取流程，然后使用“噪声抑制控制计划”模板生成检查表。比较之前/之后的切片和差异图，并用自己的话评估移除的组件中是否存在一致的反射。
清单
- [ ] 我比较了噪声抑制之前/之后和差异图。
- [ ] 我已经验证被移除的组件中没有一致的信号。
- [ ] 我检查了 decon 结果是否有错误解析。
- [ ] 我保留了用掩模标记的插值痕迹。
- [ ] 我将结果与油井数据联系起来（well tie）。