A Review of Deep-learning-based Seismic Data Denoising and Its Promising Paradigm Shift to Foundation Models

تقبع تحت سطح الأرض تاريخ معقد من الطبقات الصخرية، والصدوع، والموارد الخفية، لكن الاستماع إلى هذا التاريخ يشبه غالباً محاولة سماع همسة في قلب إعصار. يستخدم علماء الجيوفيزياء الموجات الصوتية لرسم خرائط لهذه الهياكل الموجودة تحت الأرض، حيث يرسلون اهتزازات إلى الأسفل ويسجلون كيفية ارتدادها. ومع ذلك، فإن رحلة هذه الموجات نادراً ما تكون نقية؛ فبينما تنتقل، تتعرض لضربات من مزيج فوضوي من التداخل: ضجيج حركة المرارات البعيدة، واهتزاز الرياح، والنبضات غير المنتظمة للمعدات الكهربائية، والطاقة الطبيعية المتدحرجة للأرض نفسها. هذا الضجيج الخلفي يغرق الإشارات الضعيفة والقيمة التي تكشف عن الشكل الحقيقي لما تحت السطح. لعقود من الزمن، حاول العلماء تصفية هذا الضجيج باستخدام قواعد رياضية مصممة لأنواع محددة من التداخل، لكن الأرض متنوعة للغاية بحيث لا يمكن لقاعدة واحدة أن تعمل في كل مكان. وعندما يتغير الضجيج، تفشل المرشحات القديمة غالباً، وأحياناً تقوم بإزالة الإشارات ذاتها التي كان من المفترض أن تحميها.

اقترح فريق من الباحثين من جامعة جيلين وجامعة شمال شرق القوى الكهربائية طريقة مختلفة لحل هذه المشكلة، مبتعدين عن بناء أداة جديدة لكل نوع محدد من الضجيج نحو إنشاء نظام واحد عالي القدرة على التكيف. لقد طوروا نهجاً جديداً يسمى "النموذج التأسيسي" (foundation model)، وهو مفهوم مستعار من كيفية تعلم الحواسيب لفهم اللغة أو التعرف على الصور. فبدلاً من تعليم الكمبيوتر التعرف على نوع واحد فقط من الضجيج، قاموا بتعليمه اللغة الأساسية للإشارات الزلزالية النقية. ومن خلال تعريض النظام لكميات هائلة من البيانات النقية أولاً، تعلم النموذج الأنماط الجوهرية لكيفية سلوك الموجات الزلزالية بشكل طبيعي. وبمجرد أن فهم "صوت" الأرض، أظهر الباحثون أنه يمكنه تعلم تجاهل أنواع محددة من الضجيج بسرعة وبأقل قدر من التعليمات الإضافية. يوضح عملهم، الذي تمحور حول نظام أطلقوا عليه اسم SeisDeFM، أن هذه الطريقة يمكنها إزالة الضجيج العشوائي والخارجي والمضطرب مع الحفاظ على الانعكاسات العميقة والدقيقة التي غالباً ما تتضرر بفعل الطرق التقليدية.

يكمن جوهر هذه الطريقة الجديدة في عملية تعلم تتكون من خطوتين، تحاكي كيفية تعلم الإنسان لمهارة ما. أولاً، يخضع النظام لمرحلة تدريب مسبق ضخمة. تخيل طالباً يقضي سنوات في قراءة كل كتاب في مكتبة لفهم بنية اللغة، وتدفق الجمل، ومنطق القصص، دون أن يُطلب منه أبداً كتابة مقال محدد. في هذه المرحلة، درس نموذج SeisDeFM آلاف السجلات الزلزالية النقية، متعرفاً على الأنماط المستمرة والمتماسكة للأحداث الجيولوجية الحقيقية. لقد تعلم التمييز بين التدفق السلس والمنطقي للانعكاس وبين الطبيعة الفوضوية والمتقطعة للضجيج. كانت هذه المرحلة ذاتية الإشراف، مما يعني أن النموذج علم نفسه من خلال محاولة إعادة بناء البيانات غير المكتملة، مما أجبره على فهم الروابط العميقة بين الأجزاء المختلفة من السجل الزلزالي.

بمجرد أن أتقن النموذج اللغة العامة للموجات الزلزالية، انتقل إلى المرحلة الثانية: التكيف. وهنا يتعلم النظام التعامل مع مشكلات محددة. في الماضي، إذا أراد عالم جيوفيزياء إزالة نوع معين من الضجيج، مثل الأمواج المتدحرجة من السطح، كان عليه تدريب نموذج جديد من الصفر باستخدام آلاف الأمثلة لهذا النوع من الضപ്പെട്ട بالضبط. كان هذا بطيئاً ويتطلب كميات هائلة من البيانات المصنفة. أما مع SeisDeFM، فقد احتاج الباحثون فقط إلى جزء ضئيل من تلك البيانات. لقد أخذوا النموذج المدرب مسبقاً وأظهروا له بضعة آلاف من الأمثلة للبيانات المليئة بالضجيج مقترنة بالنسخة النقية. ولأن النموذج كان يفهم بالفعل البنية الأساسية للإشارات، فقد استطاع بسرعة تعلم كيفية تحديد وطرح الضجيج الجديد. وفي اختباراتهم، حقق النموذج نتائج متفوقة باستخدام عُشر البيانات المصنفة المطلوبة بالطرق التقليدية فقط، مما يثبت أن الفهم العميق للإشارة يسمح بتعلم أسرع وأكثر كفاءة للضجيج.

اختبر الباحثون هذا النظام ضد أربعة أنواع متميزة وصعبة من الضجيج الموجود في بيانات ميدانية حقيقية. النوع الأول كان الضجيج المضطرب، الذي يظهر كنبضات مفاجئة وعالية السعة ناتجة عن أشياء مثل الأعطال في التسجيل أو الرياح. غالباً ما تعاني الطرق التقليدية هنا، فإما تترك النبضات كما هي أو تزيل بالخطأ الإشارات الضعيفة التي تصادف وجودها بالقرب منها. ومع ذلك، نجح النموذج الجديد في إزالة هذه النبضات مع الحفاظ على الانعكاسات العميقة والخافتة سليمة. وتضمن الاختبار الثاني الضجيج الخارجي الناتج عن النشاط البشري، مثل حركة المركبات، والتي يمكن أن تسبب تشوهاً في البيانات. ومرة أخرى، قام النموذج التأسيسي بتنقية البيانات بشكل أكثر دقة من الطرق السابقة، محافظاً على استمرارية الطبقات الجيولوجية. التحدي الثالث كان الأمواج السطحية، وهي ضجيج قوي منخفض التردد غالباً ما يحجب أول الانعكاسات من الأرض. وقد قام النموذج بكبح هذه الأمواج تماماً دون طمس التفاصيل الحادة لما تحتها. وأخيراً، اختبروه ضد الضجيج العشوائي، وهو التداخل الشبيه بالتشويش الذي يغطي نطاقاً واسعاً من التردات. وقد أزال النموذج هذا الضجيج مع الحفاظ على السلامة الطيفية للإشارة، مما يضمن بقاء المحتوى الترددي لاستجابة الأرض دقيقاً.

إن أحد النتائج الرئيسية للدراسة هو أن نجاح النموذج يعتمد على الجمع بين طريقتين مختلفتين للنظر إلى البيانات. فقد بنى الباحثون النظام بهندسة مزدوجة: جزء ينظر بدقة إلى التفاصيل المحلية الصغيرة، وآخر يتراجع للور belakang ليرى الصورة الكبيرة عبر السجل بأكمله. الجزء المحلي ممتاز في التقاط الشكل المحدد لنبضة الضجيج، بينما يفهم الجزء العالمي كيف يمتد الحدث الزلزالي عبر الزمان والمكان. ومن خلال دمج هذه المنظورات، يتجنب النموذج الخطأ الشائع المتمثل في الخلط بين إشارة ضعيفة ومستمرة وبين الضجيج. كما أظهرت الدراسة أنه بينما يتطلب النموذج قدرة حوسبة كبيرة لتعلم اللغة العامة للموجات الزلزالية في البداية، فإن عملية تطبيقه على مهمة جديدة سريعة وفعالة للغاية. فهو لا يحتاج إلى إعادة التدريب من الصفر لكل موقع جديد أو نوع جديد من الضجيل؛ بل يقوم ببساطة بتكييف معرفته الموجودة.

تشير النتائج إلى تحول في كيفية معالجة البيانات الزلزالية في المستقبل. فبدلاً من بناء أداة جديدة ومتخصصة لكل مشكلة ضجيج جديدة، يمكن للصناعة الاعتماد على نموذج تأسيسي واحد وقوي تعلم الفيزياء الأساسية للأرض. هذا النهج لا يوفر الوقت والموارد الحوسبية فحسب، بل يحسن أيضاً جودة الصورة النهائية من خلال تقليل خطر حذف البيانات القيمة عن طريق الخطأ. لقد أثبت الباحثون أنه من خلال تعليم الآلة فهم "الحقيقة" للإشارة النقية أولاً، تصبح أفضل بكثير في التعرف على "أكاذيب" الضجيج وإزالتها. توفر هذه الطريقة مساراً واعداً للتعامل مع الأحجام الهائلة من البيانات التي يتم جمعها في الاستكشافات الحديثة، محولةً تسجيلاً فوضوياً ومليئاً بالضجيج إلى خريطة واضية وعالية الدقة لما تحت السطح.