first-break-picking-segy-with-masks

本数据集是一个用于监督式初至拾取（首波到达检测）任务的地球物理数据集，属于勘探地球物理和地震资料处理领域。数据集核心内容为叠前地震SEG-Y记录及其对应的初至拾取掩码标签，构成了输入-标签的成对数据。具体包含三个独立的SEG-Y数据子集：Brunswick、Halfmile和Lalor。每个子集都包含一个输入地震数据文件和一个几何匹配的掩码标签文件。掩码标签以二值step-mask的形式定义：在初至位置之前的采样点标记为0，从初至位置开始及之后的采样点标记为1，可用于训练分割式预测模型。数据集总规模约为57.3 GiB，各子集详细参数如下：Brunswick包含4,490,714道，每道751个采样点，采样间隔2毫秒；Halfmile包含1,093,842道，每道751个采样点，采样间隔2毫秒；Lalor包含2,027,587道，每道1,501个采样点，采样间隔1毫秒。数据集适用于图像到图像、标记分类等任务，旨在支持地震数据处理中自动初至拾取算法的开发与评估。

This dataset is a geophysical dataset for supervised first-arrival picking (first wave arrival detection) tasks, belonging to the fields of exploration geophysics and seismic data processing. The core content consists of pre-stack seismic SEG-Y records and their corresponding first-arrival picking mask labels, forming input-label paired data. Specifically, it includes three independent SEG-Y data subsets: Brunswick, Halfmile, and Lalor. Each subset contains an input seismic data file and a geometrically matched mask label file. The mask labels are defined in a binary step-mask format: sampling points before the first-arrival position are marked as 0, and from the first-arrival position onward are marked as 1, which can be used to train segmentation-based prediction models. The total dataset size is approximately 57.3 GiB, with detailed parameters for each subset as follows: Brunswick contains 4,490,714 traces, each with 751 sampling points and a sampling interval of 2 milliseconds; Halfmile contains 1,093,842 traces, each with 751 sampling points and a sampling interval of 2 milliseconds; Lalor contains 2,027,587 traces, each with 1,501 sampling points and a sampling interval of 1 millisecond. The dataset is suitable for tasks such as image-to-image and label classification, aiming to support the development and evaluation of automatic first-arrival picking algorithms in seismic data processing.

原始信息汇总

初至拾取 SEG-Y 数据集及掩码标签

数据集概览

属性	内容
领域	勘探地球物理 / 地震资料处理
任务	初至拾取 / 首波到达检测
输入格式	SEG-Y 地震记录
标签格式	SEG-Y 初至拾取掩码
数据类型	叠前地震道集
监督方式	成对的输入 SEG-Y 与 mask SEG-Y 文件
总数据大小	约 57.3 GiB

任务说明

基于掩码监督的初至拾取：给定一份叠前地震记录，模型需要预测一个表示初至/首波到达位置的掩码。数据集以成对 SEG-Y 文件组织，每个输入文件都有一个几何匹配的 mask 文件。在配套 benchmark 中，mask 被用作二值 step-mask 标签：初至位置之前的采样点标为 0，从初至位置开始及其之后的采样点标为 1。

文件结构

. ├── data/ │ ├── Brunswick_valid.sgy │ ├── Halfmile_valid.sgy │ └── Lalor_valid.sgy └── label/ ├── Brunswick_valid_mask.sgy ├── Halfmile_valid_mask.sgy └── Lalor_valid_mask.sgy

文件详情

数据集	输入 SEG-Y	标签 SEG-Y	道数	每道采样点	采样间隔	输入大小	标签大小
Brunswick	data/Brunswick_valid.sgy	label/Brunswick_valid_mask.sgy	4,490,714	751	2 ms	13.57 GiB	13.57 GiB
Halfmile	data/Halfmile_valid.sgy	label/Halfmile_valid_mask.sgy	1,093,842	751	2 ms	3.30 GiB	3.30 GiB
Lalor	data/Lalor_valid.sgy	label/Lalor_valid_mask.sgy	2,027,587	1,501	1 ms	11.79 GiB	11.79 GiB

Benchmark 使用方式

配套 benchmark 将初至拾取建模为 trace-time 采样点上的分割式预测问题。常用预处理和训练设置如下：

• 数据分割：训练集 80%，验证集 10%，测试集 10%，支持按炮文件打乱
• 补丁参数：trace 128，time 512，trace_stride 64，time_stride 256
• 归一化方式：max_abs，归一化范围：gather，裁剪百分位数：99.5
• 标签阈值：0.5
• 预测阈值：0.5

综合 benchmark 设置会同时使用所有成对 SEG-Y 文件；单数据集实验则每次只使用一个输入 SEG-Y 文件及其对应 mask。

相关模型

对应训练模型已单独发布在 GeoBrain/first-break-picking。

搜集汇总

数据集介绍

构建方式

本数据集面向叠前地震数据的初至拾取任务，以成对SEG-Y文件的形式构建。数据部分包含叠前地震道集记录，标签部分则提供与之几何匹配的初至掩码文件。三个子数据集分别来自Brunswick、Halfmile和Lalor矿区，共涵盖约760万道地震记录，每道采样点为751或1501个，采样间隔为1或2毫秒，总体积约为57.3 GiB。掩码采用二值阶跃标签设计，初至位置前采样点标记为0，之后标记为1，便于分割式监督学习。

特点

该数据集具有鲜明的领域特色与实用性。其掩码标签并非简单的时间点标注，而是覆盖完整道-时域的二值或软标签图，能够支撑精细的拾取任务。数据规模宏大，涵盖不同矿区的地震响应特征，具备良好的地质多样性。输入与标签格式统一为SEG-Y标准工业格式，兼容性强，可直接用于地球物理处理流程。配套的基准方案将拾取问题建模为逐采样点的分割预测，并提供了统一的预处理和训练配置，便于研究者复现与对比。

使用方法

数据集可通过huggingface_hub库中的hf_hub_download函数按文件名下载，也可直接使用segyio库读取本地SEG-Y文件，返回numpy数组形式的振幅与掩码数据。使用时应将数据按道-时域进行裁剪，采用128道×512采样点的滑动窗口策略，配合64和256的步长进行训练。建议采用0.8:0.1:1的比例划分训练、验证与测试集，并对每个地震道集进行最大绝对值归一化和99.5百分位截断预处理，以消除量纲差异和异常值影响。

背景与挑战

背景概述

在地震勘探与地球物理数据处理中，初至波拾取是叠前地震资料处理的关键环节，其准确性直接影响静校正、速度分析与成像质量。传统方法依赖人工判读或基于能量比、相关性的算法，在面对低信噪比、复杂近地表结构时往往精度有限且效率低下。该数据集由GeoBrain研究团队于2023年左右创建，聚焦于勘探地球物理领域的监督式初至拾取任务，提供了来自Brunswick、Halfmile与Lalor三个矿区的叠前地震SEG-Y记录及其对应的二值掩码标签。通过将初至拾取建模为时序分割问题，数据集为训练深度学习模型提供了标准化的标注资源，显著推动了地震初至自动检测技术的研究，在勘探地球物理与机器学习交叉领域产生了广泛影响。

当前挑战

该数据集所解决的领域问题核心在于自动化初至波拾取，传统方法难以应对低信噪比、复杂地质构造及多震相干扰下的精准定位，而深度学习方法需要高质量的大规模标注数据作为训练基础。在构建过程中，挑战首先体现为大规模预stack地震数据的SEG-Y格式标准化，涉及不同采集参数（如采样间隔、道数）的匹配；其次，初至位置的精确标注需要专业地球物理专家依据多种先验知识进行标定，耗时且主观差异需通过掩码格式统一为二值标签；此外，数据集涵盖三块矿区共计约57.3 GiB的数据，数据存储、几何对齐及拆分策略（如按道集随机分割与patch采样）也构成了工程实现的难点。

常用场景

经典使用场景

在勘探地球物理学领域，初至拾取是地震资料处理中不可或缺的基础环节，其准确性直接影响后续静校正、速度分析与成像质量。该数据集以叠前地震SEG-Y记录为输入，通过提供与每一道地震数据精确几何匹配的二值掩码标签，将初至拾取任务重构为道-时采样点上的语义分割问题。研究者可在此框架下训练深度神经网络模型，预测表示初至位置前后的二值标签图，从而实现从原始地震数据到初至到达时刻的端到端映射。这种基于像素级监督的学习范式，为自动化初至拾取提供了标准化的训练与评估基准。

衍生相关工作

基于该数据集，研究社区已衍生出多项具有代表性的经典工作。其中，配套发布的预训练模型检查点（GeoBrain/first-break-picking）作为基线，系统验证了U-Net等分割网络在此任务中的适用性。后续工作进一步探索了基于Transformer的时序注意力机制，以捕捉地震道内长程依赖关系并提升弱初至的辨识鲁棒性。此外，也有研究引入对抗训练与自监督预训练范式，在减少标注依赖的同时维持拾取精度。这些衍生工作共同推动了初至拾取从传统信号处理向数据驱动的智能拾取方向的范式跃迁。

数据集最近研究

最新研究方向

该数据集聚焦于利用深度学习的图像分割范式革新地震初至拾取技术。在地球物理勘探领域，初至波的精确识别是地震资料处理流程的基石，直接关系到静校正与速度建模的精度。此数据集创造性地将大规模叠前地震道集转换为‘图像-掩码’对，将传统的信号处理问题重构为语义分割任务，推动了利用卷积神经网络等模型进行端到端初至拾取的前沿探索。其提供的加拿大矿区巨量真实数据，为训练高泛化性、抗噪性强的智能拾取模型提供了关键支撑，标志着地震勘探数据处理正从人工手动与半自动方法迈向全流程智能化、自动化解决复杂地质问题的全新阶段。