Apprendimento Auto-Supervisionato Testato sulla Denoising di Dati Sismici Reali
Uno studio ha valutato il metodo di apprendimento auto-supervisionato Noisy-as-Clean (NaC) per la denoising di dati sismici reali. Due acquisizioni sismiche indipendenti, ciascuna con dati rumorosi e filtrati, hanno formato quattro dataset reali. Il metodo NaC è stato adattato per aggiungere rumore reale controllato da un parametro. Dieci esperimenti hanno confrontato NaC SSL con l'apprendimento supervisionato utilizzando identica topologia di rete e iperparametri. I risultati hanno mostrato che il rumore bianco gaussiano additivo sintetico (AWGN) è inadeguato per la denoising di dati sismici.
Fatti principali
- L'apprendimento auto-supervisionato (SSL) non richiede dati di riferimento puliti.
- Il metodo Noisy-as-Clean (NaC) è stato valutato per la denoising di dati sismici reali.
- Due acquisizioni sismiche indipendenti sono state organizzate in quattro dataset reali.
- Il metodo NaC SSL è stato adattato per aggiungere rumore reale controllato da un parametro.
- Dieci esperimenti hanno confrontato diverse strategie di implementazione di NaC SSL.
- La baseline di apprendimento supervisionato ha utilizzato identica topologia di rete e iperparametri.
- I modelli sono stati valutati in termini di prestazioni di denoising, costo computazionale e generalizzazione.
- Il rumore bianco gaussiano additivo sintetico (AWGN) è inadeguato per la denoising di dati sismici.
Entità
—