海洋地震多次波压制改用自监督网络：不靠平滑约束，弱信号与波形连续性保得更完整
核心概要
海洋地震勘探中，SRME（表面相关多次波消除）先预测多次波，再用匹配滤波把它从原始记录中减掉；传统做法要么用固定长度的平稳滤波，要么用带局部平滑约束的非平稳回归，在信号快速变化处受限。PDL把这一匹配滤波换成由自适应匹配滤波方程引导训练的自监督神经网络，用分块方式把地震剖面切成大量小块训练，从而学到全局最优的非平稳匹配。在合成数据和Viking Graben实际数据上，PDL相对经典非平稳最小二乘匹配滤波减少了多次波残留，并更好地保留了弱有效信号和波形连续性。
深度剖析
多次波压制中的自适应相减环节不再依赖人工设定的平滑约束，而是由一个自监督神经网络直接学习从预测多次波模型到观测全波场的非线性映射。 此前SRME的相减步骤通常用固定长度的平稳最小二乘匹配滤波，或用以三角平滑算子施加局部平滑约束的非平稳回归滤波，后者在信号能量快速空间变化处受限。 在一组合成数据和一个实际数据上，PDL与经典非平稳最小二乘匹配滤波对比，前者多次波残留更少、弱有效信号保留更好；合成算例还给出均方误差和结构相似性两项指标，PDL均优于经典方法。
网络训练由自适应匹配滤波方程约束，损失就是多次波样本与含噪数据样本之间的匹配误差，因此不需要人工标签。 方法采用分块方案，把中等规模的地震剖面和初始多次波模型按块大小与移位步长切成大量小块，以满足深度学习平台所需的训练样本量。 第一个合成算例数据规模为751×121，块大小与移位步长取10和1；第二个Pluto合成算例为1126×818，取32和8；Viking Graben实际数据为1500×120×1012、采样率4毫秒，取64和8，网络为两层全连接结构。
由于优化由反向传播完成、不施加局部平滑约束，PDL能捕捉快速振荡的局部变化，同时批量大小以非局部方式约束梯度更新以保持稳定。 传统非平稳匹配滤波的平滑性由整形正则化的三角平滑算子保证，这一假设在高度非平稳场景下限制了匹配能力。 在含随机噪声的散点拟合基准上，PDL拟合曲线优于正则化非平稳回归，边缘点处差别更明显；在噪声实验中，信噪比为5分贝和10分贝时性能随噪声升高而下降，但仍能压制多次波。
启示与展望
演示范围是二维地震剖面：两个合成算例和一个来自Viking Graben的实际数据集，均在共偏移距域做多次波相减，并与经典非平稳最小二乘匹配滤波对比。作者建议在正式处理前先做块大小与移位步长的参数敏感性分析，并指出方法更适合事件相对平缓的域。
作者指出PDL对随机环境噪声的压制能力有限，建议先对输入数据去噪；噪声实验中性能随噪声水平升高而下降。对于复杂构造，分块方案要保证整体恢复需取较小移位步长，计算成本随之上升；作者表示将发展兼顾效率与精度的大规模三维方案。