2-D/3-D synthetic and field seismic datasets

用于测试去噪性能的五个2-D/3-D合成和现场地震数据集。

Five 2-D/3-D synthetic and field seismic datasets for testing denoising performance.

原始信息汇总

数据集概述

数据集名称

• DDUL (Deep Skip Autoencoder for Unsupervised 3D Random Noise Attenuation)

数据集描述

• 包含一个用于无监督3D随机噪声衰减的深度跳跃自编码器模型（DDUL）。
• 数据集用于测试DDUL模型的去噪性能，包含五个2D/3D合成和实地地震数据集。

数据集使用方法

• 2D地震数据处理：运行DDUL_2Dsyn_patch.ipynb。
• 3D地震数据处理：
  • 首先，在Matlab中运行Step1_Patching_3D.m。
  • 其次，在Python中运行DDUL_3Dsyn_patch.ipynb。

数据集依赖包

• Tensorflow-gpu 1.9.0
• Keras 2.2.5

数据集引用信息

• 若在研究中使用此模型，请引用：

  @article{yang2021, title={Unsupervised 3-D Random Noise Attenuation Using Deep Skip Autoencoder}, author={Yang, Liuqing and Wang, Shoudong and Chen, Xiaohong and Saad, Omar M and Chen, Wei and Oboué, Yapo Abolé Serge Innocent and Chen, Yangkang}, journal={IEEE Transactions on Geoscience and Remote Sensing}, year={2021}, volume={60}, pages = {doi: 10.1109/TGRS.2021.3100455}, publisher={IEEE} }

搜集汇总

数据集介绍

构建方式

该数据集的构建基于深度去噪无监督学习（DDUL）网络，旨在通过无监督的方式实现三维随机噪声的衰减。数据集通过将二维/三维地震数据分割成多个小块（patches），以增加训练样本的数量。网络结构采用全对称自编码器，并在编码器和解码器的每一层之间添加跳跃连接，以增强对地震数据特征的学习。此外，网络通过构建编码器、解码器和跳跃块三个模块，提取地震数据的波形特征，从而提升网络的特征提取能力并减少训练参数的冗余。

特点

该数据集的显著特点在于其无监督的学习方式，避免了传统监督学习中对干净标签的依赖，适用于难以获取干净标签的地震数据处理场景。此外，数据集通过分块技术扩展了样本数量，使得网络能够更好地处理大规模地震数据。网络结构中的跳跃连接和多模块设计不仅提高了噪声衰减的效果，还增强了信号的保留能力，适用于实际地震数据的去噪处理。

使用方法

使用该数据集时，用户可根据数据类型选择不同的处理流程。对于二维地震数据，可直接运行DDUL_2Dsyn_patch.ipynb文件；对于三维地震数据，需先在Matlab中运行Step1_Patching_3D.m进行分块处理，随后在Python中运行DDUL_3Dsyn_patch.ipynb进行去噪操作。此外，用户需安装pyortho包以计算局部相似性图。数据集支持对合成数据和实际地震数据的处理，用户可根据需求选择相应的输入数据。

背景与挑战

背景概述

在地震数据处理领域，随机噪声的抑制对于后续的速度分析、偏移和反演等关键步骤至关重要。然而，基于深度学习的监督式3D随机噪声抑制方法面临挑战，主要原因是难以获取干净的标签数据。为此，Liuqing Yang等人于2021年提出了一种无监督的深度去噪学习网络（DDUL），旨在通过深度跳跃自编码器实现2D/3D地震数据的随机噪声抑制。该数据集包含了五个2D/3D合成和现场地震数据集，用于测试DDUL方法的去噪性能。该研究不仅解决了传统方法中标签数据获取困难的问题，还通过多块结构提升了网络对地震数据特征的提取能力，展示了在实际应用中良好的信号保留和噪声抑制效果。

当前挑战

该数据集在构建过程中面临的主要挑战包括：首先，如何在没有干净标签数据的情况下，设计一种无监督的学习方法来有效抑制随机噪声；其次，地震数据的复杂性和多样性使得特征提取变得困难，尤其是在3D数据中，数据量大且结构复杂，增加了网络训练的难度；此外，合成数据与现场数据的差异性也对模型的泛化能力提出了更高的要求。在应用层面，如何确保模型在不同场景下的稳定性和鲁棒性，以及如何处理大规模数据的高效计算，也是该数据集面临的实际挑战。

常用场景

经典使用场景

在地震数据处理领域，3-D合成与现场地震数据集被广泛应用于随机噪声的衰减任务。该数据集通过深度跳跃自编码器（DDUL）模型，能够有效去除三维地震数据中的随机噪声，从而提升后续的速度分析、迁移和反演等处理步骤的精度。通过将地震数据分割成多个小块进行训练，该方法不仅扩展了样本数量，还增强了网络对地震数据特征的学习能力。

解决学术问题

该数据集解决了在地震数据处理中随机噪声衰减的难题，尤其是在缺乏干净标签的情况下，传统的监督学习方法难以应用。通过引入无监督学习方法，DDUL模型能够在不依赖标签数据的情况下，自动提取并保留地震信号的关键特征，同时有效去除噪声。这一方法为地震数据处理领域提供了新的研究方向，具有重要的学术价值。

衍生相关工作

基于该数据集的研究，衍生出了多项经典工作，包括改进的深度学习模型和无监督学习算法。例如，研究人员进一步优化了DDUL模型的结构，提出了更高效的跳跃连接机制，以提升噪声衰减的效果。此外，该数据集还启发了在其他领域（如医学影像处理和音频信号处理）中应用类似的无监督学习方法，推动了跨学科的技术创新。