在地震数据采集中，噪声干扰是不可避免的，包括来自自然环境、人类活动、复杂的近地表结构以及与震源和检波器的相关因素。这使得噪声压制成为地震数据处理中的关键环节。与能量均衡的图像处理不同，地震信号在时间和空间上表现出显著的能量变化，且地震波的非平稳性特性在传播过程中动态地反映了地质结构的特征，这对于地质研究具有重要意义。因此，当处理强吸收衰减地震数据时，传统的去噪技术可能会损害深层地震有效反射信号的完整性，导致地质信息的丢失。
图1.基于FABEMD的快速字典学习噪声压制示意图
字典学习是一种比较有效地去噪的方法。然而，不断更新稀疏系数和字典需要大量奇异值分解的迭代过程，计算量巨大。对于强噪声掩盖的深层弱地震信号来说，信号的稀疏性较弱，单一字典学习压制很可能损伤信号成分。中国石油大学（华东）SWPI课题组杨继东团队创新了一种结合快速字典学习和自适应高维经验模态分解（FABEMD）的噪声压制方法（图1）。该方法利用FABEMD在高维多尺度信号分解中的优势，充分考虑地震波传播的物理规律，对地震信号进行高维自适应分解，从而提高空间相关性。为了降低计算成本，采用极值滤波代替了传统的三次样条插值法来构建包络。通过对分解后的二维本征模态函数进行互相关分析，将信号分为高频组分和中低频分量，分别应用具有针对性参数的快速字典学习算法，对低信噪比（LSNR）下的弱地震信号进行了噪声压制。此外，该方法利用顺序广义K-均值算法替代了奇异值分解的迭代过程，在提高计算效率的同时，对弱地震信号具有很强的适应性。与f-x EMD、BEMD和传统字典学习方法相比，该方法在去噪效果上更具优势（图2）。
图2.西部资料去噪结果对比(a) f-x EMD去噪结果；(b) f-x EMD噪声剖面；(c)字典学习去噪。(d)字典学习噪声剖面。(e) FABEMD&SGK去噪结果；(f) FABEMD&SGK噪声剖面
研究成果近期发表在地学领域国际重要期刊IEEE Transcations on Geoscicence and Remote Sensing。本文的第一署名单位为深层油气全国重点实验室。论文第一作者为中国石油大学（华东）王伟奇博士，通讯作者为中国石油大学（华东）杨继东教授和李振春教授。
论文信息：W. Wang, J. Yang, Z. Li, J. Huang and C. Zhao, Seismic Data Denoising Using a New Framework of FABEMD-Based Dictionary Learning, in IEEE Transactions on Geoscience and Remote Sensing, vol. 62, pp. 1-9, 2024, Art no. 5914409,doi: 10.1109/TGRS.2024.3396459.https://ieeexplore.ieee.org/abstract/document/10518063