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

Unter der Erdoberfläche verbirgt sich eine komplexe Geschichte aus Gesteinsschichten, Verwerfungen und verborgenen Ressourcen, aber das Lesen dieser Geschichte ist oft so, als versuche man, ein Flüstern in einem Hurrikan zu hören. Geophysiker nutzen Schallwellen, um diese unterirdischen Strukturen abzubilden, indem sie Vibrationen nach unten senden und aufzeichnen, wie diese zurückgeworfen werden. Doch die Reise dieser Wellen verläuft selten sauber. Während sie reisen, werden sie von einer chaotischen Mischung aus Interferenzen attackiert: dem Grollen von entferntem Verkehr, der Vibration von Wind, den erratischen Spitzen elektrischer Geräte und der natürlichen, rollenden Energie des Bodens selbst. Dieser Hintergrundlärm erstickt die schwachen, wertvollen Signale, die die wahre Gestalt des Untergrunds offenbaren. Seit Jahrzehnten versuchen Wissenschaftler, diesen Lärm mithilfe mathematischer Regeln herauszufiltern, die für spezifische Arten von Interferenzen entwickelt wurden, doch die Erde ist zu vielfältig, als dass eine einzige Regel überall funktionieren könnte. Wenn sich der Lärm ändert, versagen die alten Filter oft und entfernen manchmal sogar genau die Signale, die sie eigentlich schützen sollten.

Ein Forschungsteam der Jilin University und der Northeast Electric Power University hat einen anderen Weg vorgeschlagen, um dieses Problem zu lösen: weg von der Entwicklung eines neuen Werkzeugs für jede spezifische Lärmart, hin zur Schaffung eines einzigen, hochgradig anpassungsfähigen Systems. Sie entwickelten einen neuen Ansatz namens „Foundation Model“ (Fundamentmodell), ein Konzept, das davon entlehnt ist, wie Computer lernen, Sprache zu verstehen oder Bilder zu erkennen. Anstatt einen Computer nur darauf zu trainieren, eine bestimmte Art von Lärm zu erkennen, haben sie ihm die grundlegende Sprache sauberer seismischer Signale beigebracht. Indem sie das System zuerst massiven Mengen an sauberen Daten aussetzten, lernte das Modell die intrinsischen Muster, wie sich seismische Wellen natürlich verhalten. Sobald es die „Stimme“ der Erde verstanden hatte, zeigten die Forscher, dass es schnell lernen konnte, spezifische Arten von Lärm mit sehr wenig zusätzlicher Instruktion zu ignorieren. Ihre Arbeit, die sich um ein System konzentriert, das sie SeisDeFM nannten, zeigt, dass diese Methode in der Lage ist, erratischen, externen und zufälligen Lärm zu entfernen und gleichzeitig die empfindlichen, tiefen Reflexionen zu bewahren, die traditionelle Methoden oft beschädigen.

Der Kern dieser neuen Methode liegt in einem zweistufigen Lernprozess, der widerspiegelt, wie ein Mensch eine Fertigkeit erlernen könnte. Zuerst durchläuft das System eine massive Pre-Training-Phase (Vortraining). Stellen Sie sich einen Studenten vor, der Jahre damit verbringt, jedes Buch in einer Bibliothek zu lesen, um die Struktur einer Sprache, den Fluss von Sätzen und die Logik von Geschichten zu verstehen, ohne jemals gefragt zu werden, einen spezifischen Aufsatz zu schreiben. In dieser Phase studierte das SeisDeFM-Modell tausende saubere seismische Aufzeichnungen und lernte, die kontinuierlichen, kohärenten Muster realer geologischer Ereignisse zu erkennen. Es lernte, zwischen dem glatten, logischen Fluss einer Reflexion und der chaotischen, gebrochenen Natur des Lärms zu unterscheiden. Diese Phase war selbstüberwacht (self-supervised), was bedeutet, dass das Modell sich selbst unterrichtete, indem es versuchte, unvollständige Daten zu rekonstruieren, was es zwang, die tiefen Verbindungen zwischen verschiedenen Teilen einer seismischen Aufzeichnung zu verstehen.

Nachdem das Modell die allgemeine Sprache der seismischen Wellen gemeistert hatte, ging es in die zweite Phase über: die Adaptation (Anpassung). Hier lernt das System, spezifische Probleme zu bewältigen. In der Vergangenheit mussten Geophysiker, wenn sie eine bestimmte Art von Lärm entfernen wollten, wie etwa die rollenden Wellen an der Oberfläche, ein neues Modell von Grund auf neu trainieren, indem sie tausende Beispiele genau dieses Lärms verwendeten. Dies war langsam und erforderte riesige Mengen an gelabelten Daten. Mit SeisDeFM benötigten die Forscher nur einen winzigen Bruchteil dieser Daten. Sie nahmen das vortrainierte Modell und zeigten ihm nur wenige tausend Beispiele von verrauschten Daten gepaart mit der sauberen Version. Da das Modell bereits die zugrunde liegende Struktur der Signale verstanden hatte, konnte es sehr schnell lernen, den neuen Lärm zu identifizieren und abzuziehen. In ihren Tests erzielte das Modell überlegene Ergebnisse mit nur einem Zehntel der für traditionelle Methoden erforderlichen gelabelten Daten, was beweist, dass ein tiefes Verständnis des Signals ein viel schnelleres und effizienteres Lernen des Lärms ermöglicht.

Die Forscher testeten dieses System gegen vier verschiedene und schwierige Arten von Lärm, die in realen Felddaten vorkommen. Der erste war erratischer Lärm, der als plötzliche, hochamplitudige Spitzen erscheint, verursacht durch Dinge wie Aufzeichnungsfehler oder Wind. Traditionelle Methoden haben hier oft Schwierigkeiten, entweder die Spitzen zurückzulassen oder versehentlich die schwachen Signale zu entfernen, die sich in der Nähe befinden. Das neue Modell konnte diese Spitzen jedoch erfolgreich entfernen und gleichzeitig die schwachen, tiefen Reflexionen intakt halten. Der zweite Test betraf externen Lärm durch menschliche Aktivitäten, wie etwa Fahrzeugbewegungen, die die Daten verschmieren können. Auch hier reinigte das Fundamentmodell die Daten gründlicher als bisherige Methoden und bewahrte die Kontinuität der geologischen Schichten. Die dritte Herausforderung waren Oberflächenwellen, ein starker, niederfrequenter Lärm, der oft die allerersten Reflexionen vom Boden maskiert. Das Modell unterdrückte diese Wellen vollständig, ohne die scharfen Details des darunter liegenden Gesteins zu verwischen. Schließlich testeten sie es gegen Zufallsrauschen, die statischen Interferenzen, die ein breites Spektrum an Frequenzen abdecken. Das Modell entfernte diesen Lärm und bewahrte dabei die spektrale Integrität des Signals, wodurch sichergestellt wurde, dass der Frequenzgehalt der Antwort der Erde korrekt bleibt.

Eine zentrale Erkenntnis der Studie ist, dass der Erfolg des Modells davon abhängt, zwei verschiedene Arten der Datenbetrachtung zu kombinieren. Die Forscher bauten das System mit einer dualen Architektur auf: ein Teil, der sich eng auf kleine, lokale Details konzentriert, und ein anderer, der einen Schritt zurücktritt, um das große Ganze über die gesamte Aufzeichnung hinweg zu sehen. Der lokale Teil ist exzellent darin, die spezifische Form einer Lärmspitze zu erfassen, während der globale Teil versteht, wie sich ein seismisches Ereignis über Zeit und Raum erstreckt. Durch die Verschmelzung dieser Perspektiven vermeidet das Modell den häufigen Fehler, ein schwaches, kontinuierliches Signal mit Lärm zu verwechseln. Die Studie zeigte auch, dass das Modell zwar eine beträchtliche Rechenleistung benötigt, um die allgemeine Sprache der seismischen Wellen zu lernen, der eigentliche Prozess der Anwendung auf eine neue Aufgabe jedoch unglaublich schnell und effizient ist. Es muss nicht für jeden neuen Standort oder jeden neuen Lärmtyp von Grund auf neu trainiert werden; es passt einfach sein bestehendes Wissen an.

Die Ergebnisse deuten auf einen Wandel in der Art und Weise hin, wie seismische Daten in Zukunft verarbeitet werden könnten. Anstatt für jedes neue Lärmproblem ein neues, spezialisiertes Werkzeug zu bauen, könnte die Industrie auf ein einziges, robustes Fundamentmodell vertrauen, das die grundlegende Physik der Erde gelernt hat. Dieser Ansatz spart nicht nur Zeit und Rechenressourcen, sondern verbessert auch die Qualität des finalen Bildes, indem er das Risiko verringert, wertvolle Daten versehentlich zu löschen. Die Forscher haben demonstriert, dass es einem Modell, das zuerst lernt, die „Wahrheit“ eines sauberen Signals zu verstehen, viel besser gelingt, die „Lügen“ des Lärms zu erkennen und zu entfernen. Diese Methode bietet einen vielversprechenden Weg nach vorn für den Umgang mit den massiven Datenmengen, die in der modernen Exploration gesammelt werden, indem sie eine chaotische, verrauschte Aufnahme in eine klare, hochpräzise Karte des Untergrunds verwandelt.