陈 锐，王 琴>

(中国地质大学 数学与物理学院，湖北 武汉 430074)

1 引 言

由于经济因素和采集环境的限制，采集到的地震数据往往出现地震道的缺失，这将影响后续的处理和资料解释。因此，对地震数据进行重建就有十分重要的实际意义。已有的地震数据重建方法包括：基于预测误差滤波器的方法[1-3]，基于数学变换的方法[4-6]，基于波场延拓算子的方法[7,8]和基于降秩理论的方法[9-11]。以上方法通常基于某些先验假设，重建效果受到该假设的制约。例如：降秩理论的方法基于线性同相轴的假设，弯曲同相轴数据需要通过加窗的方法来满足局部线性的假设。此外，以上方法通常还存在超参数选择的问题——不同数据的重建，需要重新调节超参数，增加了人工干预，导致自动化程度较低。

近几年，研究者们探索将深度学习的方法应用到地震数据重建[12]中。基于深度学习的地震数据重建方法的原理为：网络从海量训练数据集自动学习缺失数据到完整数据之间的映射。深度学习的方法无需先验假设，学习后的网络可直接对新的缺失地震数据进行重建，因此，该方法的自动化程度更高。Wang等运用残差网络(Residual Network, Resnet)[13]对规则缺失地震数据进行重建。该方法首先采用三次样条对数据做预重建，然后使用残差网络优化重建结果。该研究取得了优于f-x方法的效果。Oliveria等使用条件生成对抗网络[14]对叠后数据的gap缺失进行研究。针对不同缺失宽度建立了网络池，重建结果优于单个网络。M……