2023年2月8日，国际著名地学杂志《地球科学与遥感学报》（IEEE Transactions on Geoscience and Remote Sensing, IEEE TGRS）以Inverse-Scattering Theory Guided U-Net Neural Networks for Internal Multiple Elimination为题发表了我室顾智炜博士的研究成果。
地震资料处理主要利用一次波对地下地质体进行成像或者反演，多次波的存在会造成假象，影响地震成像质量。因此，多次波通常被视为噪音，在数据处理阶段进行压制。目前，多次波的压制手段主要分为滤波法和基于波动理论的方法，但往往伴随着损伤有效波、计算量大以及依赖于观测系统等问题。
近年来，随着深度学习的不断发展，人工智能地震数据处理技术应用呈现井喷式发展，数据处理慢慢朝着“数智”化发展，如何把深度学习融入物探知识成了目前研究热点。
图1 结果对比。（a）原始输入数据；（b）经过CAE重构的一次波数据；（c）经过纯U-net重构的一次波数据；（d）经过SE U-net重构的一次波数据；（e）经过SA U-net重构的一次波数据；（f）仅含一次波的标签数据。
该研究从最早应用于医学图像分割的U-net神经网络入手，以层间多次波的压制为目标，对基于Gel’fand–Levitan–Marchenko逆散射理论的层间多次波压制之后的标签数据进行特征学习，然后将自注意力机制（self-attention, SA）引入层间多次波的特征图识别中，最后得到仅含一次反射波的地震数据。
结果显示，当网络训练好后，SA U-net可以做到快速甚至实时重构一次反射波，在大幅降低计算成本的同时，可以很好地在复杂模型中压制多次波的干扰，抗噪能力和压制多次波的效果比传统方法更优，并且引入的自注意力机制模块可以更精准地识别多次波的特征。
文章的第一作者为我室博士后顾智炜，耿建华教授为通讯作者；合作者包括浙江大学任浩然副教授、陶柳蓉硕士以及美国加州大学圣克鲁斯分校地震速度建模与成像实验室主任吴如山教授。该项研究得到国家自然科学基金（42074135, 42204118）等项目的资助。
全文链接：https://ieeexplore.ieee.org/abstract/document/10040659