基于深度学习UNet++网络的初至波拾取方法

李薇薇, 龚仁彬, 周相广, 林霞, 米兰, 李宁, 王晓东, 肖高杰. 2021. 基于深度学习UNet++网络的初至波拾取方法. 地球物理学进展, (1): 187-194. doi: 10.6038/pg2021EE0152
引用本文: 李薇薇, 龚仁彬, 周相广, 林霞, 米兰, 李宁, 王晓东, 肖高杰. 2021. 基于深度学习UNet++网络的初至波拾取方法. 地球物理学进展, (1): 187-194. doi: 10.6038/pg2021EE0152
LI WeiWei, GONG RenBin, ZHOU XiangGuang, LIN Xia, MI Lan, LI Ning, WANG XiaoDong, XIAO GaoJie. 2021. UNet++: a deep-neural-network-based seismic arrival time picking method. Progress in Geophysics, (1): 187-194. doi: 10.6038/pg2021EE0152
Citation: LI WeiWei, GONG RenBin, ZHOU XiangGuang, LIN Xia, MI Lan, LI Ning, WANG XiaoDong, XIAO GaoJie. 2021. UNet++: a deep-neural-network-based seismic arrival time picking method. Progress in Geophysics, (1): 187-194. doi: 10.6038/pg2021EE0152

基于深度学习UNet++网络的初至波拾取方法

详细信息
  • 中图分类号: P631

UNet++: a deep-neural-network-based seismic arrival time picking method

  • 初至波拾取是地震资料处理中一项基础而重要的工作.为解决我国西部沙漠、黄土塬、戈壁等地区地震资料信噪比低,致使初至波拾取准确率不高的难题.本文创新提出一种基于图像分割技术——UNet++神经网络应用于初至波智能拾取.输入原始地震数据及少量初至时间的标签数据进行监督学习,并建立UNet++模型,应用西部某工区地震数据测试,实验证明,UNet++模型性能稳定,炸药震源初至波拾取准确率达到98%,可控震源初至波拾取准确率达到98%.此外,本方法与商业软件、U-net网络的初至拾取对比表明,UNet++优势明显,具有准确率高,抗噪能力强,性能稳定、高效等特点.
  • 加载中
  • 加载中
计量
  • 文章访问数:  12
  • PDF下载数:  3
  • 施引文献:  0
出版历程
刊出日期:  2021-02-20

目录