在陆上地震勘探中，面波（Ground-roll）是一种典型的相干噪声，主要由瑞利波组成，具有低频、低速、强振幅和频散等特征。强能量的面波往往呈扇形分布，严重掩盖了深层的有效反射信号，直接影响后续的速度建模与成像质量。传统的面波压制方法（如f-k滤波、Radon变换、局部时频变换LTF等）主要依赖于信号在变换域的差异性，但在面波与反射波存在频率或视速度重叠的复杂情况下，往往难以兼顾噪声压制与信号保护。常规的深度学习方法常因训练集与实际数据的分布差异，导致处理结果出现反射波泄漏或噪声残留，且难以适应复杂野外噪声环境。
针对上述问题，本研究创新性地将条件去噪扩散概率模型（c-DDPM）引入面波压制任务，并提出了一种改进的c-DDPM架构。传统的去噪方法通常只预测纯净数据或噪声数据中的一种，通过相减获得另一种，这容易导致残差中包含有效信号。本研究提出的改进模型将纯净地震数据和面波噪声数据同时作为目标分布进行学习，在反向扩散采样过程中同步生成两者，从而实现了更精细的信号分离。为解决训练样本匮乏的问题，本研究采用有限差分正演模拟纯净数据加卷积建模生成面波噪声的混合策略，既保证了反射波动力学特征的准确性，又实现了面波形态的多样性，大幅降低了样本构建成本并提升了模型的泛化能力。
图1 改进型c-DDPM中正向与反向处理过程的示意图
图2是本研究利用SEAM Arid复杂合成数据对所提方法进行了对比验证，并与经典的局部时频分析（LTF）及常规U-Net方法进行了对比。在强面波干扰下，LTF和U-Net方法均出现了不同程度的有效信号损伤或噪声残留。而改进的c-DDPM方法（DDPM-2c）不仅彻底压制了扇形面波噪声，还精准恢复了被掩盖的浅层和深层反射波同相轴。图3为实际野外地震数据的应用效果，证明了本方法具有良好的泛化性，能够有效压制实际数据中的面波。
图2 基于SEAM Arid合成数据的示例：(a)含噪数据，(b)真实干净数据，(c)真实面波数据，(d,e)基于 LTF 预测的去噪结果和面波数据，(f,g)基于U-Net预测的去噪结果和面波数据，(h,i)基于 DDPM-1c预测的去噪结果和面波数据，(j,k)基于DDPM-2c预测的去噪结果和面波数据
图3 基于Line 001实际数据的示例：(a)含噪数据，(b,c)基于 LTF 预测的去噪结果和面波数据，(d,e)基于 U-Net预测的去噪结果和面波数据，(f,g)基于 DDPM-1c预测的去噪结果和面波数据，(h,i)基于DDPM-2c预测的去噪结果和面波数据
该成果是生成式扩散模型在地震噪声压制领域的成功应用。通过引入条件引导与双目标生成策略，克服了传统判别式模型的过平滑效应与泛化瓶颈，为高精度地震数据处理提供了新的智能化技术手段，对于提升陆上油气勘探的数据质量具有重要意义。
研究成果近期发表在地球科学与遥感领域国际顶级期刊IEEE Transactions on Geoscience and Remote Sensing（IEEE TGRS）上，第一作者和通讯作者均为永利集团李媛媛，合作者包括永利集团张浩，黄建平和李振春。
论文信息：Li, Y., Zhang, H., Huang, J., & Li, Z. (2024). Conditional denoising diffusion probabilistic model for ground-roll attenuation. IEEE Transactions on Geoscience and Remote Sensing.
