地震波是研究地球深部结构与动力学的重要数据。然而天然或人为噪声常令信号失真，严重制约震相识别、震源参数反演及深部成像的精度。传统的去噪方法多基于频域滤波或稀疏表示，面对复杂非平稳噪声时力不从心。近年来兴起的深度学习技术虽展现潜力，却普遍依赖人工合成训练数据作为标签或者多聚焦于随机噪声压制，难以真实识别实际噪声特征，更缺乏对去噪效果的可信验证手段，尤其在真实信号窗口内的去噪表现几乎不可知。
针对上述瓶颈，永利集团官网杨翼研究员与哈工大数学学院地球物理中心合作，创新性地提出“以天然重复地震为标尺”的深度学习去噪框架，开发了用于天然P波震相去噪的深度学习降噪模型（PD-Net），为地震降噪方法开辟了一条“真实数据驱动、去除噪声无假设”的新路径。PD-Net的核心思想源于重复地震：同一断层中凹凸体的周期性破裂产生几乎完全相同的震源信号，当它们被同一台站记录时，波形差异仅来自随时间变化的背景噪声。因此，恢复这种“天然相似性”即可作为去噪效果的最直接、最客观的评判标准。
研究团队汇集了全球500余对矩震级在5.0-5.9的重复地震事件，构建了超过4万对的重复P波形训练集（图1），完全摒弃合成标签，实现“无假设、无仿真”的纯真实数据训练。模型架构上，PD-Net在U-Net架构基础上引入Transformer瓶颈与空间注意力机制，兼顾局部震相细节与全局波形上下文（图2）；损失函数则设计为多项目标耦合：既最大化去噪后重复波形的互相关系数，又约束信号保真度、防止过度平滑，同时通过 Jensen-Shannon 散度强制噪声在“纯噪段—信号段”分布一致，确保噪声被分离而信号形态不失真。对比实验进一步表明，有的方法虽可获得更高“纸面”信噪比，却常以牺牲信号细节为代价，导致重复波形相似性不升反降，而PD-Net在噪声抑制与信号保真之间实现了较好的平衡。特别是模型通过迁移学习即可直接应用于穿透地球内核的PKIKP震相，展现出良好的跨震相、跨频段泛化能力。
该研究近期以“Seismic Denoising by Deep Learning From Natural Repeating Earthquakes”为题发表于美国地球物理联合会（AGU）的知名期刊《Journal of Geophysical Research: Machine Learning and Computation》。论文的通讯作者为永利集团官网杨翼研究员，第一作者为哈工大数学学院王非翊副研究员。研究得到了国家自然科学基金、江苏杰出青年基金等项目的联合资助。
论文信息： Feiyi Wang., Yi Yang., & Jianwei Ma. (2025). Seismic denoising by deep learning from natural repeating earthquakes. Journal of Geophysical Research: Machine Learning and Computation, 2, e2025JH000646. https://doi.org/10.1029/2025JH000646
图1重复地震波形示例。噪声会一定程度上破坏波形的相似性。
图2深度学习去噪网络（PD-Net）框架。左图为网络结构；右图展示训练流程，通过最大化重复地震波形对x、y去噪后波形相似性、保持信号保真度及噪声分布一致性实现联合优化。训练好的网络可以直接用于单一波形输入。
图文：杨翼、李昌辉
