地震绕射波携带了地下地质目标（如尖灭、断层和裂缝等）的重要波场信息。然而，由于绕射波振幅相对较低且与反射波场重叠，在常规地震成像过程中通常被忽略或难以利用。利用分离出的绕射波进行成像，可以显著增强复杂地质目标的图像分辨率。传统方法（如PWD）和常规深度学习方法虽已用于绕射波分离，但在处理复杂数据时精度往往受限。
针对这一问题，该研究提出利用条件去噪扩散概率模型（c-DDPM）从全波场数据中有效分离地震绕射波。c-DDPM是一种具有高度易处理性和灵活性的先进深度生成模型。利用卷积建模高效生成训练数据集，在训练过程中将全波场道集作为条件输入，绕射波道集作为目标输出，使模型学习在复杂背景下恢复弱信号的能力。
图1 c-DDPM中正向与反向过程的示意图
首先利用Pluto合成数据集进行了系统测试。该模型包含盐丘、断层和层间不连续面，波场特征极为复杂。测试结果显示，传统的平面波破坏（PWD）方法在分离过程中不仅产生了严重的相位反转和伪影，还错误地将大倾角的反射层视为绕射波进行了切除；而常规深度学习方法（U-Net）虽然优于传统方法，但在处理弱信号时存在部分绕射波能量缺失的问题。相比之下，本研究提出的c-DDPM方法能够从强反射背景中精准识别并分离出低振幅的绕射波，且具有良好的保真性。
图2 Pluto模型示例 (a) 全波场数据；(b) PWD方法分离的绕射波；(c) U-Net网络分离的绕射波；(d) c-DDPM分离的绕射波
为进一步验证方法的实用性和泛化能力，将该模型应用于Mobil AVO Viking Graben Line 12实际野外地震数据。该工区绕射波能量极弱且与强反射波严重混叠，分离难度极大。实验表明，由于训练集与实际数据的分布差异，常规U-Net方法在处理实际数据时出现了严重的反射波泄漏现象，无法彻底分离背景干扰；PWD方法则因顶点切除效应导致绕射波同相轴不连续。而c-DDPM凭借其强大的生成能力和条件约束机制，展现出优异的泛化性能，分离出的绕射波剖面背景纯净，无明显反射波残留。
图3 Viking Graben实际数据示例 (a) 全波场数据；(b) PWD方法分离的绕射波；(c) U-Net网络分离的绕射波；(d) c-DDPM分离的绕射波
该研究成果不仅为地震绕射波分离提供了新的解决方案，也为生成式大模型在地球物理信号处理领域的应用提供了重要的理论依据和实践指导。研究成果发表在地球科学与遥感领域国际顶级期刊IEEE Transactions on Geoscience and Remote Sensing（IEEE TGRS）上，第一作者为我院硕士研究生张浩，通讯作者为李媛媛教授，合作者还有黄建平教授，太阳成tyc7111cc为第一署名单位。
论文信息：Zhang, H., Li, Y., & Huang, J. (2024). Conditional denoising diffusion probabilistic model for seismic diffraction separation and imaging. IEEE Transactions on Geoscience and Remote Sensing, 62, 1-13.
