David Cova 刘 洋*③ 丁成震 魏程霖 胡 飞 李韵竹

(①中国石油大学(北京)油气资源与探测国家重点实验室，北京 102249；②中国石油大学(北京)CNPC 物探重点实验室，北京 102249；③中国石油大学(北京)克拉玛依校区石油学院，新疆克拉玛依 834000；④东方地球物理公司研究院，河北涿州 072751)

0 引言

静校正是地震资料处理的重要环节之一，而初至拾取是计算地表静校正量的一个重要步骤，特别是在地表条件较为复杂的地区，低速风化层速度变化较为剧烈，准确、自动拾取初至成为解决此类地区静校正问题的关键所在。然而，目前大多数的初至拾取方法只能实现部分自动化，需要花费大量时间进行人工质量控制。随着高密度地震采集技术的应用，地震数据量变得十分巨大，导致初至拾取过程中耗费的人工成本急剧增加。基于深度学习的初至自动拾取方法成本低、效率高，可以满足当今地震高密度采集的数据量需求。传统的初至自动拾取方法，如基于能量的方法[1-2]或基于相关性的方法[3-4]，普遍要求数据信噪比高、波形一致。在地形变化剧烈或强噪声干扰的情况下，初至拾取精度会降低。

深度神经网络适合于解决模式匹配分类问题，它由神经网络演化而来，结构更加复杂，性能可以随训练数据的增加而提高[5]。

深度学习算法可以挖掘数据的特征。深度学习模型由多个层次组成，以学习具有多个抽象层次的数据表示。这是一种层次渐进的特征学习，先从较低层次的特征中学习，从而定义更高层次的特征[6]。……