在海洋地震勘探领域中,多次波压制是地震数据处理的关键问题之一。随着勘探深度和精度的提升,多次波压制的需求变得愈加迫切。传统多次波压制方法主要包括滤波法和预测相减法。滤波法计算成本低,但在NMO差异较小时压制效果有限;预测相减法(如SRME)无需依赖地下介质信息,利用时空域褶积运算进行多次波的预测,并根据能量最小化原则将多次波自适应减去,但其计算成本较高,且在实际应用中可能导致多次波压制不彻底或损伤一次波。本文先使用SRME方法预测出自由表面多次波,并将其从原始地震数据中减去。但不仅对多次波的压制有残留,而且损伤了有效波。 近几年,人工智能技术在地震数据噪声压制中展现出显著优势,为多次波压制提供了新的解决方案,本文先测试了U-net网络在多次波压制中的应用可行性,该网络结构表现出优于传统方法的压制性能,但仍存在过度压制有效波的缺陷。基于此,本文提出了一种基于多尺度金字塔池化和双坐标注意力的网络模型——MPDA-Unet(U-net based on Multi-scale Dual Coordinate Attention),用于海洋自由表面多次波压制。该模型通过引入多尺度金字塔池化模块(Multi-scale Pyramid Pooling,MPP)和双坐标注意力模块(Dual Coordinate Attention,DCA),有效提取地震波场记录中的多次波特征信息,自动增强含多次波的频带(如低频共振成分),标记多次波发育区(如海底、强反射界面下方),显著提高压制精度。训练数据包括正演模拟的不含自由表面多次波的地震记录(标签数据)和全波场地震记录(样本数据)。通过训练,模型能够识别并滤除多次波,实现多次波的有效压制,减少计算成本。 随着计算机技术的进步,深度学习在多次波压制领域的应用将进一步发展,为地震勘探提供更高效的数据处理解决方案。本文的研究为深度学习与地震勘探的结合提供了新的思路,具有重要的理论意义和应用价值。