Coordinate-Based Seismic Interpolation in Irregular Land Survey: A Deep Internal Learning Approach

Goyes-Peñafiel, Paul; Vargas, Edwin; Correa, Claudia V.; Sun, Yen; Kamilov, Ulugbek S.; Wohlberg, Brendt; Argüello, Henry

doi:10.1109/tgrs.2023.3290468

Cited by 7 publications

(2 citation statements)

References 46 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…To evaluate the quality of the reconstructed data with theDIPsgrmethod, we used the metrics Peak Signal-to-Noise Ratio (PSNR), and structural similarity index measure (SSIM) recommended by [21], [26]. PSNR is used to quantify the quality in terms of signal amplitude, and with SSIM, we account for the analysis of the structural features related to the shape of the waveforms i.e., hyperbolic and linear events recorded in the shotgathers.…”

Section: Metricsmentioning

confidence: 99%

Shot-gather Reconstruction using a Deep Data Prior-based Neural Network Approach

Rodríguez-López,

León-López,

Goyes-Peñafiel

et al. 2023

Rev. UIS ing.

Self Cite

View full text Add to dashboard Cite

Seismic surveys are often affected by environmental obstacles or restrictions that prevent regular sampling in seismic acquisition. To address missing data, various methods, including deep learning techniques, have been developed to extract features from complex information, albeit with the limitation of requiring external seismic databases. While previous works have primarily focused on trace reconstruction, missing shot-gathers directly impact the seismic processing flow and represent a major challenge in seismic data regularization. In this paper, we propose DIPsgr, a seismic shot-gather reconstruction method that uses only the incomplete seismic acquisition measurements to estimate their missing information employing unsupervised deep learning. Numerical experiments on three databases demonstrate that DIPsgr recovers the complete set of traces in each shot-gather, with preserved information and seismic events.

show abstract

Section: Metricsmentioning

confidence: 99%

Shot-gather Reconstruction using a Deep Data Prior-based Neural Network Approach

Rodríguez-López,

León-López,

Goyes-Peñafiel

et al. 2023

Rev. UIS ing.

Self Cite

View full text Add to dashboard Cite

show abstract

“…Esto permite no solo analizar distintas estrategias computacionales para abordar la dispersión de datos, sino también optimizar el uso del tiempo y recursos (Hernandez-Rojas y Arguello, 2022). En la última década, la integración de técnicas de aprendizaje profundo con el conocimiento experto ha emergido como un enfoque prometedor para el análisis de grandes conjuntos de datos (Gardner y Nichols, 2017;Goyes-Peñafiel et al, 2023), lo que supone una oportunidad para su uso en la exploración del subsuelo enfocado en mejorar la calidad y eficiencia en el diseño de geometrías de adquisición geofísica.…”

Section: Introductionunclassified

Diseño de geometría para levantamientos de gravimetría y magnetometría con aprendizaje profundo

Martínez-Acevedo,

Khurama,

Mantilla-Figueroa

et al. 2024

Bol. Geol.

View full text Add to dashboard Cite

En la exploración geofísica, el análisis del terreno es fundamental para planificar la adquisición de datos de gravimetría y magnetometría. No obstante, en la actualidad dichos análisis requieren el uso supervisado de información secundaria extensa. Por este motivo, en este estudio se propone una metodología que utiliza el aprendizaje profundo para evaluar el impacto de la cobertura vegetal y la topografía en la adquisición geofísica. Se usó una red neuronal artificial perceptrón multicapa para considerar cinco variables terrestres, y una red neural convolucional para la clasificación automatizada de coberturas vegetales sobre imágenes satelitales. A partir de esto, se obtuvieron puntos para la localización de estaciones de levantamiento geofísico que cumplen con un criterio de favorabilidad por accesibilidad, distancias, restricciones por cuerpos de agua y coberturas boscosas. La geometría obtenida se evaluó en la exploración del Granito de Durania en Colombia, y los resultados se analizaron utilizando transectas de adquisición y modelado computacional de anomalías magnéticas y de gravedad. Finalmente, se aplicaron técnicas de interpolación donde el método Ponderación de Distancia Inversa (IDW) mostró la mejor imagen para interpretar la delimitación del cuerpo intrusivo.

show abstract

GAN Supervised Seismic Data Reconstruction: An Enhanced Learning for Improved Generalization

Goyes-Peñafiel,

Suárez-Rodríguez,

Correa

et al. 2024

IEEE Trans. Geosci. Remote Sensing

View full text Add to dashboard Cite

Coordinate-Based Seismic Interpolation in Irregular Land Survey: A Deep Internal Learning Approach

Cited by 7 publications

References 46 publications

Shot-gather Reconstruction using a Deep Data Prior-based Neural Network Approach

Shot-gather Reconstruction using a Deep Data Prior-based Neural Network Approach

Diseño de geometría para levantamientos de gravimetría y magnetometría con aprendizaje profundo

GAN Supervised Seismic Data Reconstruction: An Enhanced Learning for Improved Generalization

Contact Info

Product

Resources

About