一种地球物理位场数据网格化和噪声去除方法

本发明涉及重力与磁法勘探数据处理，尤其涉及一种地球物理位场数据网格化和噪声去除方法。

背景技术：

1、受限于数据采集地区的地形，测点、测线划分等因素的影响，采集的地球物理位场数据的空间位置分布往往是不规则的。同时，由于测量仪器、地质环境等因素的影响，所采集的数据往往含有一定的噪声。在数据处理过程中，一般要将采集的数据进行网格化处理；而去除噪声有助于提高数据解译的精度。因此，位场数据的网格化和噪声去除是数据处理中不可缺少的步骤之一。通过网格化和噪声去除，为开展高精度位场数据解释奠定基础。

2、目前，无论是常用的数值计算方法还是等效源方法都存在网格化精度低问题。近年来，人工智能技术的快速发展，为解决上述问题提供了新的思路。许多学者围绕基于人工智能地球物理位场数据的网格化方法开展了大量的研究：李安等人使用基于bagging算法的神经网络对基于卫星测高的海洋重力异常背景场进行插值计算，提高了匹配算法的自适应精度，提高了导航精度；刘欢等人在使用支持向量机，随机森林算法和梯度增强三种机器学习模型的基础上还提出了一种基于长短期记忆网络的递归神经网络重建算法，并与传统的线性方法相比，取得了良好的重建效果。同样的，在地球物理位场数据去噪方面，林凡强等人使用深度学习方法解决瞬态电磁数据信号的噪声分布与模拟数据集的噪声分布存在巨大差异时，去噪效果差的问题；李晋等人使用长短期记忆网络和卷积神经网络相结合的方法对含强噪声的数据进行去噪，证明了其去噪效果优于特征参数分类方法。

3、以上研究表明，人工智能在地球物理位场数据网格化和去噪等方面表现出较大的潜力，取得了良好的效果；和传统方法相比，智能化的方法可以较为完整地保留、还原地球物理数据特征。因此，开展位场数据网格化与噪声去除智能化方法的研究，能够为今后的高精度数据处理解译提供技术支撑。

技术实现思路

1、本发明要解决的技术问题是针对上述现有技术的不足，提供一种地球物理位场数据网格化和噪声去除方法，实现地球物理位场数据的网格化和噪声去除。

2、为解决上述技术问题，本发明所采取的技术方案是：一种地球物理位场数据网格化和噪声去除方法，包括以下步骤：

3、步骤1：使用随机模型正演方法生成地球物理位场数据，并添加噪声生成地球物理位场含噪数据集；

4、步骤1.1：使用随机模型正演方法生成原始地球物理位场数据集；

5、采用随机模型正演方法在确定好的测区空间内，随机生成不同规模、不同形状、不同位置、不同密度和不同磁化率的长方体模型，并计算模型的位场异常数据，构成原始地球物理位场数据集；

6、所述位场异常数据包括重力异常数据、重力梯度数据、磁异常和磁梯度类型的数据；所述原始地球物理位场数据集由各类型位场异常数据组成，其中，每一组数据表示由某一随机模型产生的异常；

7、步骤1.2：抽取一定比例的地球物理位场数据加入不同等级的噪声，生成地球物理位场含噪数据集；

8、所抽取数据的比例应至少为原始地球物理位场数据集的1%，且应保证每类数据数量相同，即使用的不同分量数据和不同异常数据的数量一致，所添加的噪声为高斯噪声；

9、步骤2：使用原始地球物理位场数据集训练扩散模型，直至获得符合要求的扩散模型；

10、步骤2.1：对原始地球物理位场数据集进行归一化；

11、步骤2.2：使用归一化后的原始地球物理位场数据集训练扩散模型；

12、所述扩散模型的计算过程包括正向过程和反向过程两部分；

13、步骤3：计算每组含噪数据对应的去噪步骤数，并与含噪数据集一同训练噪声等级选择网络，得到符合要求的噪声等级选择网络模型；

14、步骤3.1：计算去噪后数据与不含噪声的原始地球物理位场数据的均方误差mse值；

15、步骤3.2：通过步骤3.1中的去噪后数据与不含噪声的原始地球物理位场数据的均方误差mse值，使用步骤2中训练后的扩散模型，获取每组含噪数据对应的去噪步骤数；

16、设迭代次数为 k， k= 0, 1, 2, …, kmax， kmax表示最大迭代次数，计算并记录含噪数据第 k次迭代时的均方误差mse值，mse值会随着迭代次数的增加而减少；若mse值上升，则反向过程计算次数为当前迭代次数 k减1，即去噪步骤数为 k- 1；

17、步骤3.3：将步骤3.2取得的去噪步骤数和其对应的含噪数据输入噪声等级选择网络进行训练；

18、对含噪数据集进行归一化，利用分类网络模型作为噪声等级选择网络；分类网络模型使用交叉熵为损失函数；

19、步骤4：根据待处理地球物理位场数据的坐标和异常值，确定散点数据的位置，并对相应位置上的异常进行赋值，生成散点数据；

20、步骤4.1：根据待处理地球物理位场数据确定散点数据的测点、测线距离，确定散点数据的空间分布范围；

21、步骤4.2：计算待处理地球物理位场数据点位置与散点数据点位置的欧式距离，通过欧式距离对指定散点位置进行赋值；

22、遍历待处理地球物理位场数据点的坐标，按照其对应的最小欧式距离来将待处理数据赋值到其在散点数据中对应的位置，获得散点数据，散点数据包括数据坐标和其对应的位场数据；

23、步骤5：将散点数据输入扩散模型，对散点数据进行数据网格化；

24、通过训练后的扩散模型对散点数据计算反向过程计算，得到网格化数据中缺失的数据部分，其服从数学期望为方差为的正态分布，公式表示如下：

25、其中，和均为扩散模型的高斯模型分布参数，为高斯模型分布的数学期望，为高斯模型分布的方差；

26、最终得到待处理地球物理位场数据的网格化数据的公式表示为：

27、其中，为散点数据，为网格化后的数据；

28、步骤6：将网格化后的数据输入噪声等级选择网络，计算需要去噪的步骤数，结合扩散模型去噪；

29、步骤6.1：通过噪声等级选择网络计算去噪步骤数；

30、将在步骤5产生的网格化数据输入噪声等级选择网络，通过噪声等级选择网络对网格化数据所含噪声进行分类，计算得到去噪所需要的步骤数 k；

31、步骤6.2：使用扩散模型结合步骤6.1中的去噪步骤数对网格化数据进行去噪计算；

32、将网格化数据和其对应的去噪所需要的步骤数 k输入扩散模型进行噪声去除，对的去噪的计算流程为：先计算所需要遍历的迭代次数 step值，其取值为 k, k - 1, …,1，在对网格化数据依照不同的迭代次数 step值依次进行 step, step - 1 , …,1,0次反向过程，从而得到去噪后的数据。

33、采用上述技术方案所产生的有益效果在于：一种地球物理位场数据网格化和噪声去除方法，利用欧式距离重新定义生成散点数据，能够最大限度利用已知数据，保留待处理数据特征；使用扩散模型能够实现缺失数据的精准重建；使用噪声等级网络能够取得更好的去噪效果。经验证，本发明方法对于理论模型生成的地球物理位场数据网格化和去噪后的mse值最低为0.1457。能够解决含噪声的位场数据网格化后精度低等问题。和其他方法相比，具有精度高等、鲁棒性高等优点，适用于实测位场数据网格化与去噪。本发明方法对于提高地球物理位场数据的处理与解释精度有重要意义。