基于道序随机重排的可控震源近炮点强能量噪声压制方法在河套盆地的应用

Application of a Trace-Sequence Random Reordering-Based Method for Suppressing High-Energy Noise Near Vibroseis Shot Points in the Hetao Basin

摘要

作为一种安全、经济且环保的地震波激发震源，可控震源已在陆上地震勘探中得到广泛应用。然而，受其自身结构非线性特性及复杂勘探环境的影响，可控震源地震数据中近炮点强能量噪声问题极为严重。传统方法受噪声空间分布集中且频带范围宽的制约，难以对其有效压制。为此，提出了一种基于道序随机重排的近炮点强能量噪声压制方法。该方法通过构建随机函数，对原始共炮集记录中的道序进行随机重排，使原本集中的强能量噪声变为稀疏分布。在此基础上，结合所研究的自适应噪声识别与压制技术，在保真处理的同时，实现对强能量噪声的有效压制。最后，通过恢复原始道序，获得压制噪声后的数据。模型数据和河套盆地实际数据应用结果表明，所提出的方法能够有效衰减可控震源数据中近炮点强能量噪声，且基本不伤害有效信号。与常用的传统方法相比，该方法取得了更佳的处理效果。

Abstract

As a safe， economical， and environmentally friendly seismic source for generating seismic waves， vibroseis has been widely used in the field of land seismic exploration. However， affected by the nonlinear characteristics of its own structure and complex exploration environments， the issue of high-energy noise at near offsets in vibroseis seismic data is extremely severe. Constrained by the concentrated spatial distribution and broad frequency band of the noise， traditional methods struggle to effectively suppress it. To address this issue， a method for suppressing high-energy noise at near shot points based on random rearrangement of trace-sequences is proposed. This method constructs a stochastic function to randomly rearrange the trace sequence within original common-shot gathers， transforming concentrated high-energy noise into a sparse distribution. By integrating our developed adaptive noise identification and suppression technique， it achieves effective noise attenuation while maintaining signal fidelity during processing. Finally， through restoration of the original trace sequence， the noise-suppressed data is obtained. The results on synthetic data and real data from the Hetao Basin demonstrate that the proposed method can effectively suppress high-energy noise near shot points for vibroseis data while largely preserving the valid signals. Compared with commonly used traditional methods， it achieves significantly better processing results.

Graphical abstract

关键词

可控震源 / 近炮点强能量 / 噪声压制 / 道序重排 / 阈值

Key words

vibroseis / strong-energy noise at near-offset / noise suppression / trace-sequence random reordering / threshold

0 引言

随着“两宽一高”地震采集技术的推广应用，三维采集覆盖次数的均匀性及整体数据质量得到显著提升。与此同时，采集成本也大幅增长，而可控震源技术的快速发展为实现降本增效发挥了至关重要的作用。可控震源的工作原理借鉴了雷达和声呐回声测距系统的脉冲压缩技术，它能够激发能量密度低且波形可控的正弦扫描信号，通过长时间的累积效应来达到高能量的勘探效果^{［1 - 2］}。经过60多年的发展，可控震源的理论和技术已日趋完善。目前，液压式可控震源因其峰值驱动力大、在复杂地表条件下适应性强，被广泛应用于陆上油气勘探领域^{［3 - 11］}。

与炸药型震源相比，可控震源具有输出信号可控、抗干扰能力强等优势。然而，由于可控震源系统受其自身非线性结构特性影响以及复杂勘探环境的干扰，所采集的地震数据近炮检距区域通常包含大量的强能量噪声。这些噪声主要由面波、折射波、多次反射-折射波、侧向散射波和次生干扰等叠加而成^［12］。这类噪声能量极强，通常是有效信号的数百至数万倍，从而严重干扰有效信号，降低资料的信噪比。受其空间分布集中且频带范围宽，现有方法难以对其去除。因此，可控震源地震数据中近炮点强能量噪声的压制已成为亟待解决的关键问题。

针对地震数据中的异常振幅噪声压制问题，国内外学者已开展了大量的研究工作，并取得了很多成果。Yuan等^［13］、王世青等^［14］利用时域异常振幅自适应衰减法压制了由磁带掉磁粉导致的异常振幅；王君等^［15］利用地表一致性约束下的异常振幅衰减技术对不满足地表一致性的异常振幅进行了衰减。蔡希玲^［16］利用分频自适应法对地震数据中的声波和强能量干扰进行了压制；蒋立等^［17］利用小波分频自适应检测法衰减了声波、猝发脉冲、野值、串状干扰强能量；王在民等^［18］针对地震数据中的高频噪声研究出一种时频域自动识别与压制技术。Xu等^［19］引入自注意力模块来增强网络的去噪能力，采用迁移学习实现了DAS-VSP数据中的耦合噪声压制。针对可控震源地震数据中的异常噪声，Yu等^［20］利用多变量变分模式提取消除地震资料中机械振动干扰；夏洪瑞等^［21］利用小波时空变阈值压制可控震源数据中的噪声；Coruh等^［22］提出一种可控震源白化处理方法压制噪声；Liu等^［23］利用有效信号和谐波干扰之间的波形差异分离并消除可控震源产生的谐波噪声；卢明德^［24］在炮域、共中心点域以及OVT域组合压制近炮点强能量噪声；Li等^［25］通过划分噪声抑制范围，优化噪声抑制系数，利用稀疏约束算法消除可控震源“黑三角”噪声；范承祥等^［26］提出一种基于去噪卷积神经网络异常振幅压制方法；Sun等^［27］利用U-Net深度学习来自动识别地震数据中强能量噪声。上述模型驱动方法主要是利用噪声在频率、振幅、速度与信号的差异进行噪声压制。其核心是通过设置一个合理的阈值，当样点值超过所设定的阈值时，系统将进行能量衰减或波形插值处理^{［28 - 32］}。然而，这些传统方法仅适用于地震数据中零星分布的异常振幅噪声的压制。对于可控震源地震数据中近炮检距区域连续分布的强能量噪声，由于相邻时窗内的振幅统计值高度近似，传统方法无法正确识别并压制此类噪声。尽管一些学者在炮点域、检波点域、偏移距域以及十字排列域对可控震源数据进行了分选处理^{［31 - 32］}，但噪声压制效果并不理想。去噪边界处常常存在噪声残留，同时还伴随着局部能量失衡的问题^［33］。此外，上述人工智能方法受训练集样本的影响，其泛化能力问题仍有待解决。

河套盆地位于内蒙古自治区西部^［34］，是一个陆相断陷盆地。自2018年在河套盆地发现巴彦油田以来，已相继开展了大规模使用可控震源的三维地震勘探^{［35 - 37］}。河套盆地地表条件复杂，快速堆积、欠压实作用导致地震波场混杂，可控震源近炮点地震记录中的强能量噪声与反射信号混叠，严重降低地震资料的信噪比。传统方法因其局限性，尚不能有效压制这些强能量噪声^{［38 - 40］}。因此，本文提出一种基于道序随机重排的近炮检距强能量噪声压制方法。该方法通过随机重排原始地震道序列，使连续出现的强能量噪声呈稀疏分布状态。采用基于平均绝对振幅的噪声判别方法识别噪声，并利用定义的加权衰减系数压制强能量噪声。

1 噪声地震特征

相较于井中炸药激发，可控震源在地表激发更容易产生水平作用力较强的直达波和面波，当此类导波在其传播路径中遇到地表多处非均质体时，就会产生散射效应，并与多源复杂的散射干扰信号叠合在一起，从而在近炮检距区域形成强能量噪声^{［41 - 43］}。

可控震源激发所产生的近炮检距强能量噪声通常表现出以下地震特征^{［26，44 - 46］}：（1）在纵向上，呈现浅层发育或全道发育；（2）在横向上，分布在近炮检距区域，具有显著的空间连续性；（3）振幅大，其振幅值可达反射信号的10² ~ 10⁴倍；（4）频带宽，在有效频带范围内与反射信号混叠。

从可控震源激发、三维观测系统接收所得到的共炮点道集中的一个近炮点排列记录（图1a）可以看到，记录中近炮检距区域的强能量噪声完全淹没了有效信号。获得含强能量噪声数据的振幅谱（图1b，即图1a中红色框内）和无强能量噪声数据的振幅谱（图1c，蓝色框内）。通过振幅谱对比可以看出，18 Hz处，噪声能量是信号能量的800倍，噪声频带为10 ~ 36 Hz，与有效信号频带相互重叠。可见，近炮点强能量噪声所具有的特性给噪声压制工作带来了巨大挑战。

2 方法原理

由于可控震源地震数据中的强能量噪声连续分布在近炮检距区域，导致传统方法无法有效识别和压制此类噪声。为此，本文提出一种基于道序随机重排的近炮点强能量噪声识别与压制方法（道序重排法）。该方法首先通过定义的随机函数对原始道序进行重排，将地震数据中集中分布的强能量噪声转化为稀疏分布。随后，将重排后的地震记录按一定道数进行分组，并计算每组的平均绝对振幅值，以此作为判别噪声的阈值。然后，利用所定义的加权衰减系数对识别出的噪声进行压制处理。最后，对压噪数据进行原始道序恢复，从而获得去噪后的地震数据。具体实施过程见图2为所提方法的技术流程图。

2.1 道序重排

鉴于可控震源地震数据中强能量噪声具有集中分布的特点，利用构建的随机函数数组将原始炮记录中的地震道序列进行非线性重排，从而得到原始道序随机分布的地震记录。这样使原本集中分布在近炮检距的强能量噪声在道序重排后的地震记录中变为稀疏分布。所构建的随机函数数组公式如下：

r(n)=\mathrm{r}\mathrm{a}\mathrm{n}\mathrm{d}\mathrm{p}\mathrm{e}\mathrm{r}\mathrm{m}(n)(1)

式中：randperm（n）为定义的随机函数，r（n）为重排后的地震道道号数组，n为输入数据的原始地震道道号。其中，\mathrm{1}\le n\le L，L为共炮集记录中的最大道号。

式（1）中的随机函数randperm可将道号n重构为一个\mathrm{1}\times L的随机数数组，即r（n）。其中，该数组中的各元素值唯一。对原始地震记录的空间序列进行随机重排，重排后道号为n的地震数据对应原始道号为r（n）的地震数据。在完成后续去噪处理工作之后，利用数组r（n）与n之间的对应关系，可将随机重排的道序恢复成原始道序。

2.2 噪声识别

将道序重排后的地震记录按一定道数进行分组，并计算每组道内所有相同采样点的平均绝对振幅值。将所有计算得出的平均绝对振幅值构成一个平均振幅道，且每组道仅生成一个平均振幅道。平均绝对振幅值计算如公式（1）所示。

P\left(i\right)=\frac{\mathrm{1}}{N}{\displaystyle \sum _{j=t}^{t+N-\mathrm{1}}}\left|a_j(i)\right|(2)

式中：i为采样点号，P\left(i\right)为一组道的第i个样点的平均绝对振幅值，t为开始道号，N为该组道的总道数，a_j(i)为第j道的第i个样点值。

将计算得到的平均绝对振幅值P\left(i\right)乘以给定的门槛值，以此作为识别噪声的参考值。若组内地震道的样点值大于该参考值，则该样点值被判定为含噪异常值，并对其进行压制。反之，则不做任何处理。用于识别噪声的参考振幅值计算如公式（2）所示。

R\left(i\right)=P\left(i\right)\cdot \mathrm{t}\mathrm{h}\mathrm{r}\mathrm{e}\mathrm{s}\mathrm{h}\mathrm{o}\mathrm{l}\mathrm{d}(3)

式中：R\left(i\right)是第i样点的噪声参考振幅值，threshold为设置的门槛值。初始门槛值是通过频谱分析判定噪声主导频带与信号主导频带的量级关系来选取。随后，以初始门槛值为起点，经过多次试验进行调整，并根据去噪效果确定最优门槛值。

2.3 噪声压制

由式（3）识别出的含噪异常值，可利用式（4）实现噪声压制。

s\left(i\right)=x\left(i\right)\times \frac{P\left(i\right)}{\left|x\left(i\right)\right|}\times c(4)

式中：x\left(i\right)为第i时刻的含噪样点值，s\left(i\right)为第i时刻的去噪结果，c为设置的压制系数。压制系数c的初始值由式（3）确定的门槛值取其倒数得到，以初始值为起点，经过多次试验进行调整，最终确定最优压制系数。

从式（4）可以看出，该式是将式（2）计算得到的平均绝对振幅P\left(i\right)与给定的压制系数c相乘。再将所得乘积除以当前含噪样点的绝对振幅值，并将此商值作为该含噪样点的衰减因子。这样将每道中识别出的含噪样点值乘以其相应的衰减因子，即可实现噪声压制。重复上述步骤，直至处理完所有地震道记录。

3 模型数据测试

为了验证所提方法的有效性，我们首先在模型数据上进行了测试。模型数据是基于Marmousi地质模型，利用声波方程进行正演模拟得到的。通过正演模拟共生成了100个模拟地震记录，记录长度为4 s，采样间隔为4 ms，所采用的激发子波是主频为30 Hz的Ricker子波。从其中的一个模拟地震记录（图3（a））可以看到，地震记录中各反射波组清晰，同相轴连续。由于模拟地震记录为纯反射数据，不包含近炮点强能量噪声。因此，为了获得包含更加贴近实际的强能量噪声，我们从实际地震数据中提取的近炮检距噪声（图3b），添加至纯反射数据的近炮检距道（图3c）。从图3c可以看到近炮检距反射信号被强能量噪声所掩盖，导致反射同相轴的连续性出现了中断。

利用式（1）对含噪模型数据（图3c）中的道序进行随机重排，从重排结果（图4a）可以看到，原本集中于近偏移距道的强能量噪声，在道序重排后的地震记录中已呈现稀疏分布状态。与压制噪声前的地震记录（图4a）相比，采用所提出的道序重排法压制噪声后的结果（图4b），其噪声能量显著降低，且被压制的噪声水平（图4c）与重排后数据的噪声水平（图4a）基本相当。这表明，道序重排法有效压制了含噪模型数据中强能量噪声。

与含噪模型数据（图3c）相比， 恢复原始道序后的地震记录（图5a）中近炮检距的噪声能量明显减弱，且原来被噪声所淹没的反射信号得到了较好恢复，反射双曲线特征明显。为了展示所提方法的去噪优势，我们将行业最常用的分频异常振幅压制方法（简称分频法）应用于含噪模型数据（图3c），从分频法处理的结果（图5b）中可以看到，分频法仅衰减了含噪数据（图3c）中2.0 s以下的强能量噪声，而2.0 s以上“黑三角”区域的噪声能量仍然很强。相比之下，所提出的道序重排法在压制近炮检距强能量噪声方面表现出更强的去噪能力，2.0 s以上的近炮点（图3c）噪声能量得到显著衰减。

从道序重排法压制的噪声（图6a）中可以看到，除了少量的初至波和极少的有效信号外，其余均为被压制的近炮点强能量噪声，而且其噪声水平与含噪模型数据（图3b）中的噪声水平基本相当。分频法压制的噪声（图6b）中缺少了含噪模型数据中“黑三角”区域的噪声。这表明，分频法在压制近炮检距区域，尤其是在“黑三角”区域，其噪声方面存在明显不足。

为了进一步展示道序重排法的去噪性能，我们分别绘制了去噪前后地震道的波形图（图7）和去噪前后地震数据的振幅谱（图8）。

去噪前后地震道的波形图（图7）展示了原始模型数据（图3a）、含噪模型数据（图3c）、道序重排法去噪后的结果（图5a）和分频法去噪后的结果（图5b），为其中第120道的波形图。从图7可以看到，噪声的最强点位于456 ms处，噪声（黑色曲线）的振幅峰值达到17.2386，纯反射数据（红色曲线）456 ms处的振幅峰值为0.09374，应用分频法后（绿色曲线），456 ms处的振幅峰值降至8.619，降幅为9.0696。与去噪前相比，噪声能量有所降低，但仍显著高于纯反射信号的能量。应用道序重排法后（蓝色曲线），456 ms处的振幅峰值降到了0.1442，已非常接近纯反射信号的振幅值。

去噪前后地震数据的振幅谱（图8）展示了原始模型地震数据（图3a）、含噪模型地震数据（图3c）、道序重排法去噪后的结果（图5a）和分频法去噪后的结果（图5b）。从图8可以看到，在11 Hz处，纯反射数据（红色曲线）的振幅值为0.0795，含噪数据（黑色曲线）的振幅值为15.65。分频法去噪数据（绿色曲线）的振幅值为2.1047，道序重排法去噪数据（蓝色曲线）的振幅值为0.4568。与分频法相比，道序重排法的振幅谱曲线更接近纯反射数据的振幅谱曲线。上述波形图和振幅谱图对比结果表明，道序重排法在衰减模拟数据中的噪声方面明显优于分频法。此外，在噪声压制过程中，道序重排法也基本不损害有效信号。

4 实际地震数据应用

为了验证所提方法对实际地震资料的适用性，我们将其应用于河套盆地可控震源采集的三维地震数据，并与传统方法进行了对比分析。为了保证公平对比，除压制强能量噪声所采用的方法不同外，其余处理流程和参数均保持一致。

河套盆地作为新生代断陷盆地，其地质构造复杂，近地表覆盖巨厚弱成岩层，导致地震波高频吸收衰减严重，同时近炮点区域存在强能量干扰，这些因素显著降低了地震资料的信噪比。从河套盆地可控震源采集的一个三维共炮点道集记录中的两个近炮点排列记录（图9a）可以看到，地震记录中近炮检距区域的噪声能量非常强，有效信号完全被淹没，导致资料的品质很差。与原始地震数据（图9a）相比，应用道序重排法的去噪结果（图9b）显示，近炮检距区域的噪声能量显著降低，反射信号得到了较好恢复，“黑三角”区的反射同相轴清晰可见。从应用分频法后的去噪结果（图9c）中可以看到，分频法仅压制了原始地震数据（图9a）中2.5 s以下近炮检距区域的噪声能量，而2.5 s以上的噪声仍然很明显，尤其是在“黑三角”区域，与去噪前相比，噪声能量几乎没有变化。由此可见，在压制实际地震资料中的强能量噪声方面，道序重排法相较于分频法具有显著优势。道序重排法所压制的噪声（图9d）水平与原始地震数据（图9a）中的噪声水平基本相当，而分频法所压制的噪声（图9e）中则缺失了原始地震数据（图9a）中“黑三角”区域的噪声。通过道序重排法所压制的噪声与分频法所压制的噪声对比，进一步证实了分频法在浅层近炮检距区域的噪声衰减能力不足。

为进一步评估道序重排法在实际地震数据处理中的应用效果，本研究按照标准化处理流程分别对原始含噪数据、经道序重排法去噪数据和分频法去噪数据分别进行了处理，得到了相应的叠加数据。从未进行近炮检距强能量噪声压制的叠加剖面图（图10a）可以看出，仅前3.0 s的叠加数据显示，叠加剖面中CMP1600 ~ 2080之间1.5 s以上的反射信号完全被强能量噪声所掩盖，几乎看不到任何反射同相轴。

与原始叠加剖面（图10a）相比，在应用分频法进行去噪处理得到的叠加剖面（图10b）中，1.0 s以下的噪声能量衰减明显，反射信号清晰可辨；但1.0 s以上区域仍受强能量噪声干扰，反射信号难以识别（红框所示）。从应用道序重排法去噪处理后得到的叠加剖面（图10c）中可以看到，强能量噪声则被有效压制，反射信号连续性显著改善。与分频法相比，道序重排法对强能量噪声的压制更为彻底。表明道序重排法在复杂噪声环境下展现了更强的适应性，叠加效果提升明显。

从第1789道（图10a和c）中的波形对比图（图11）可见，黑色、绿色和蓝色曲线分别代表去噪前、分频法去噪和道序重排法去噪叠加数据的波形图。波形显示，在656 ms处，含噪数据的振幅值为7816.9，经分频法处理后降至7592.3，而采用道序重排法后，振幅值降至100.9。与去噪前相比，分频法仅使振幅衰减了224.6，道序重排法则实现了7716.0的振幅降幅。这表明，道序重排法对强能量噪声的衰减能力明显优于分频法。

通过对去噪前叠加数据（蓝色曲线）、分频法去噪（绿色曲线）和道序重排法去噪（红色曲线）叠加数据的信噪比对比（图12）发现，与去噪前相比，分频法对信噪比的提升不明显，而道序重排法则显著改善了数据的信噪比。在15 ~ 30 Hz频带范围内，经道序重排法处理后的叠加数据信噪比较原始数据提升了6 dB以上。综合来看，道序重排法在河套盆地实际数据处理中展现出优异的应用效果。

5 结论

针对可控震源近炮检距强能量噪声压制技术瓶颈问题，本文创新性地提出了一种道序随机重排及噪声压制技术。该技术通过构建随机函数实现道序的随机化重组，使原本集中分布的强能量噪声变为稀疏分布，从而有效解决了因噪声聚集而难以压制的问题。在此基础上，结合所研究的自适应噪声识别与压制技术，在保持反射信号特征的同时，实现了对强能量噪声的有效压制。

模型数据和实际地震数据应用结果表明，本文提出的基于道序重排的近炮检距强能量噪声压制方法，可有效压制可控震源地震数据中的近炮检距强能量噪声，实现有效信号的保真恢复，显著提升了资料的信噪比，其处理效果优于传统去噪方法。该方法突破了可控震源应用中的关键技术瓶颈，为油气勘探中可控震源技术的推广应用奠定了基础，同时为地震资料处理领域提供了新的技术解决方案。

参考文献

[1] 刘金中， 马铁荣. 可控震源的发展状况［J］. 石油科技论坛， 2008， 5， 38 - 42.

[2] 陈玉达， 林君， 邢雪峰. 可控震源技术发展与应用［J］. 石油物探， 2020， 59（5）： 666 - 682.

[3] 凌云， 高军， 孙德胜， 等. 可控震源在地震勘探中的应用前景与问题分析［J］. 石油物探， 2008， 47（5）： 425 - 438.

[4] 沈明燮. 自行式电液伺服可控震源设计和试验研究［D］.长春： 吉林大学， 2018.

[5] 徐书兵. 轻便液压伺服可控震源激震系统研究［D］. 长春： 吉林大学， 2019.

[6] 王墩， 陈文凯. 大震震源参数快速测定及地震灾情评估技术系统［J］. 地质科技通报， 2025， 44（1）： 359 - 360.

[7] 葛康建，王长鹏，张春霞，等. 基于粗-细网络模型分步训练的地震数据重建方法［J］. 吉林大学学报（地球科学版）， 2024，54（4）： 1396 - 1405.

[8] 王永昌， 刘彩云， 熊杰， 等. 基于生成对抗网络的半监督地震波阻抗反演［J］. 现代地质， 2024， 38（6）： 1585 - 1593.

[9] 刘财，商耀达，鹿琪，等. GPR信号去噪的变分模态分解［J］. 吉林大学学报（地球科学版），2024，54（3）：1042 - 1053.

[10] 张洋，王美婷，尚新磊. 基于差分结构的地面核磁共振数据噪声压制技术［J］. 吉林大学学报（地球科学版），2024，54（1）：46 - 53.

[11] 孙明， 林君. 轻便可控震源与夯击震源在金属矿地震勘探中的对比试验研究［J］. 现代地质， 2002， 16（4）： 439 - 442.

[12] 曲英铭. 可控震源特征噪音压制及混叠数据成像研究［D］. 山东： 中国石油大学（华东）， 2018.

[13] YUAN， Y J， WU X M， et al. Suppression of high-amplitude noise via a t-x amplitude attenuation method［J］. Journal of Seismic Exploration， 2019， 28（6）： 533 - 550.

[14] 王世青， 孟小红， 于春玲， 等. 地震异常振幅自适应压制［J］. 大庆石油地质与开发， 2006， 25（5）： 112 - 115.

[15] 王君， 周兴元， 恽春华. 地表一致性约束下异常振幅衰减技术的实现［J］. 石油物探， 2011， 50（5）： 493 - 498.

[16] 蔡希玲. 声波和强能量干扰的分频自适应检测与压制方法［J］. 石油地球物理勘探， 1999， 34（4）： 373 - 381.

[17] 蒋立， 王晓， 木图拉， 等. 小波分频自适应检测与压制强能量干扰方法［J］. 天然气工业， 2007， 27（）： 245 - 246.

[18] 王在民， 朱鹏飞， 于浩业， 等. 时频域自动识别与压制高频噪声［J］. 石油地球物理勘探， 2006， 41（1）： 93 - 96.

[19] XU J X， REN H R， ZHU Z L， et al. DAS-VSP coupled noise suppression based on U-Net network［J］. Journal of Geophysics and Engineering， 2024， 21（3）： 938 - 950.

[20] YU Z C， TAN Y Y， LV Y R. Strong Interference Elimination in Seismic Data Using Multivariate Variational Mode Extraction［J］. Sensors， 2024， 24（22）： 7399.

[21] 夏洪瑞， 葛川庆， 彭涛. 小波时空变阈值去噪方法在可控震源资料处理中的应用［J］. 石油地球物理勘探， 2010， 45（1）： 23 - 27.

[22] CORUH C， Costain J K. Noise attenuation by Vibroseis whitening （VSW） processing［J］. Geophysics， 1983， 48（5）： 534 - 554.

[23] LIU D W， LI X F， WANG W， et al. Eliminating harmonic noise in vibroseis data through sparsity-promoted waveform modeling［J］. Geophysics， 2022， 87（3）： V183 - V191.

[24] 卢明德. 黄土山地近炮点距异常振幅压制技术研究与应用［C］//2022年中国石油物探学术年会， 2022： 12.

[25] LI H J， CAI J X， DU Y Y. Noise suppression technology and application of vibroseis “black triangle”［C］//SPG/SEG Nanjing 2020 International Geophysical Conference. 2020： 9.

[26] 范承祥， 郭宏伟， 苑益军. 基于去噪卷积神经网络的异常振幅压制方法［J］. 石油地球物理勘探， 2023， 58（4）： 780 - 788.

[27] SUN L P， ZHENG X D， DING L， et al. Automatic Identification of Strong Energy Noise in Seismic Data Based on U-Net［J］. IEEE Transactions on Geoscience and Remote Sensing， 2023， 61： 1.

[28] SOUBARAS R. Prestack random and impulsive noise attenuation by f-x projection filtering［C］//Seg Technical Program Expanded Abstracts， 1995： 711 - 714.

[29] SCHONEWILLE M， VIGNER A， RYDER A. Swell-noise attenuation using an iterative FX prediction filtering approach［C］//Seg Technical Program Expanded Abstracts， 2008： 2647 - 2651.

[30] 符永海， 李帆， 高建军， 等. 稳健主成分分析在地震资料异常值噪声压制中的应用［J］. 现代地质， 2023， 37（1）： 114 - 120.

[31] 苏云， 游洪文， 李令喜， 等. 沙漠区可控震源采集资料“黑三角”强能量噪声压制技术［J］. 物探与化探， 2022， 46（2）： 410 - 417.

[32] 李虹， 李晚冬， 朱哲， 等. 可控震源地震资料处理中需要关注的问题探讨［J］. 石油物探， 2020， 59（5）： 758 - 767.

[33] 陈超群， 戴海涛， 高秦， 等. 复杂地表条件下地震资料一致性处理方法研究与应用［J］. 物探与化探， 2023， 47（4）： 954 - 964.

[34] 李成路， 张绪教， 武法东， 等. 河套盆地西南缘巴音恩格尔活动断裂的发现及地质意义［J］. 现代地质， 2023， 37（2）： 340 - 352.

[35] 张锐锋， 王浩宇， 冯广业， 等. 河套盆地河探101井超深层油气重大发现及勘探潜力［J］. 中国石油勘探，2024， 29（5）：77 - 90.

[36] 伍劲， 朱洁琼， 刘占国， 等. 深层—超深层优质原生孔隙型砂岩储层成储演化模式及勘探下限预测——以河套盆地临河坳陷古近系为例［J］. 中国石油勘探，2025， 30（6）： 120 - 133.

[37] 黄建平， 王秋阳， 李媛媛， 等. 基于融合降噪先验与多尺度特征聚合的微地震震源定位方法［J］. 中国石油大学学报（自然科学版），2026， 50（1）： 65 - 75.

[38] 郑启明， 李琦， 都小芳， 等. 低信噪比地震数据图像结构引导去噪方法与应用［J］. 石油物探，2024， 63（1）： 161 - 169， 181.

[39] 吴国海， 胡欣， 郭振华， 等. 地震资料在气藏测井解释评价中的重要作用——以西伯利亚盆地M气田为例［J］. 中国石油勘探，2024， 29（2）： 147 - 157.

[40] 徐海， 王光付， 李发有， 等. 一种基于高频噪声定量约束函数的地震高分辨率处理方法［J］. 石油物探，2024， 63（2）： 408 - 416.

[41] HOOVER G M. Scattering of seismic wave［J］. Oil Geophysical Prospecting， 1976， 11（S1）： 31.

[42] 刘昕， 孙胜， 张立强，等. 地震属性驱动的条件生成对抗网络沉积微相模型构建［J］. 中国石油大学学报（自然科学版），2025， 49（4）：1 - 10.

[43] 裴云龙， 蒋波， 邬达理， 等. 沙漠区可控震源“黑三角”干扰波分析及压制方法［J］. 石油物探， 2020， 59（5）： 777 - 787.

[44] 陈志德， 郑锡娟， 关昕， 等. 长垣油田地震异常振幅噪声分频压制技术［J］. 大庆石油地质与开发， 2010（5）： 164 - 167.

[45] 魏国华， 谷丙洛， 段沛然， 等. 起伏地表无网格井中地震Q补偿逆时偏移成像方法［J］. 中国石油大学学报（自然科学版），2024， 48（4）：68 - 79.

[46] 郭琛， 张闪闪， 田坤， 等. 基于Shearlet变换的自适应阈值迭代多震源地震数据分离方法及应用［J］. 石油物探，2026， 65（2）： 207-223.

基金资助

国家自然科学基金项目“基于复矢量Radon变换的地震矢量波场分离方法研究”(41974157)