Atenuación de ruido coherente en datos sísmicos mediante una técnica de aprendizaje de diccionario

Abstract

El aprendizaje de diccionario es una técnica de aprendizaje automático para encontrar la representación rala de un conjunto de datos. Los algoritmos tradicionales de aprendizaje de diccionario se destacan por atenuar ruido aleatorio en datos sísmicos. Cuando se busca reproducir estos resultados en la atenuación de ruido coherente, usualmente se requieren diccionarios sobredimensionados con una posterior clasificación manual de los átomos para diferenciar aquellos que contengan señal y excluir los que contengan patrones coherentes indeseados. De forma alternativa, hemos analizado una nueva estrategia para remover ruido coherente en datos sísmicos tridimensionales basada en el aprendizaje de diccionario. La señal y el ruido coherente son separados de forma automática a partir de un diccionario aumentado que construimos a través del filtrado de sus átomos. Esta estrategia nos permite remover ruidos que respetan determinado patrón en datos sísmicos en una forma cuasi-automática. Analizamos y comparamos el resultado de utilizar diferentes filtros digitales que se adaptan a nuestra estrategia y comentamos sus diferencias. Los resultados demuestran que es posible lograr la remoción de ruido coherente con preservación de bordes y una mínima intervención del usuario en secciones temporales de datos sísmicos tridimensionales.