<span lang="FA">تضعیف نوفه های تصادفی در داده های لرزه ای بازتابی به روش بازنمایی تنک داده لرزه ای با استفاده از یادگیری لغت نامه

نوفه تصادفی یکی از چالش های اساسی در داده های لرزه ای بازتابی است که با کاهش نسبت سیگنال به نوفه، دقت پردازش های بعدی و تفسیرهای زمین شناسی را به شدت تحت تاثیر قرار می دهد. روش های متداول تضعیف نوفه اغلب در محیط های زمین شناسی پیچیده دچار نشت سیگنال شده یا به انتخاب دقیق پارامترها وابسته اند. در این پژوهش، یک چارچوب کارآمد مبتنی بر یادگیری لغت نامه دوبعدی برای تضعیف نوفه تصادفی ارائه و ارزیابی شده است. برخلاف رویکردهای کلاسیک یک بعدی که با بردارسازی پنجره ها، همبستگی های فضایی داده ها را مخدوش می کنند، روش پیشنهادی، لغت نامه را به صورت جداپذیر و به طور مستقیم برروی پنجره های دوبعدی آموزش می دهد. با بهره گیری از الگوریتم تعقیب تطبیقی متعامد برای استخراج ضرایب تنک و الگوریتم K-SVD برای بروزرسانی اتم ها، این روش قادر است، ساختارهای هندسی و رویدادهای ناپیوسته لرزه ای را با دقت بالایی حفظ کند. نتایج حاصل از آزمایش برروی داده های مصنوعی و صحرایی نشان می دهد که رویکرد دوبعدی در مقایسه با فیلتر نقطه بیشینه زمان-فرکانس، تحلیل طیف تکین در حوزه FX و یادگیری لغت نامه یک بعدی، افزایش قابل توجهی در نسبت سیگنال به نوفه و کاهش خطای بازیابی دارد. همچنین، تحلیل پارامترهای کلیدی الگوریتم موید آن است که این روش در سطوح بالای نوفه پایداری بیشتری داشته و نشت سیگنال را به حداقل می رساند. در نهایت، یادگیری لغت نامه دوبعدی به عنوان راهکاری ساختارحفظ کن و تطبیق پذیر، پتانسیل بالایی برای جایگزینی روش های متداول در پردازش داده های لرزه ای دارد.

کلیدواژه ها:

یادگیری لغت نامه ، تعقیب تطبیقی متعامد ، نوفه تصادفی ، تنک