DOI: https://doi.org/10.1109/tgrs.2026.3680901
تاريخ النشر: 2026-01-01
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: طرق الجيوفيزياء والجيوكهربائية
نظرة عامة
تقدم ورقة البحث DREMnet، وهو إطار تعلم تمثيل مفكك قابل للتفسير مصمم لإزالة الضوضاء من الإشارات المكتسبة من خلال طريقة الكهرومغناطيسية العابرة شبه الجوية (SATEM). لقد واجهت تقنيات إزالة الضوضاء التقليدية صعوبات مع الضوضاء المعقدة التي غالبًا ما تكون موجودة في بيانات الحقل، وتعتمد بشكل أساسي على استراتيجيات اختيار المعلمات التي لا تكفي في البيئات المليئة بالضوضاء. يتناول DREMnet هذه التحديات من خلال فصل البيانات إلى عوامل المحتوى والسياق، مما يعزز من قوة ووضوح عملية إزالة الضوضاء. يستخدم الإطار بنية القيمة الرئيسية الموزونة بالاستجابة (RWKV) ويقدم آلية القيمة الرئيسية الموزونة بالسياق (Co-WKV)، مما يمكّن من نمذجة الإشارات بشكل ثنائي الاتجاه بفعالية مع الحفاظ على مزايا الإدراك المحلي للشبكات التلافيفية.
تشير النتائج التجريبية إلى أن DREMnet يتفوق بشكل كبير على طرق إزالة الضوضاء الحالية، مما ينتج بيانات حقل معالجة تتماشى بشكل وثيق مع الإشارات النظرية ويحسن من تحديد الهياكل الكهربائية تحت السطح. على الرغم من تقدمه، فإن الطريقة لها قيود، بما في ذلك اعتمادها على التعلم الخاضع للإشراف، مما قد يؤثر على التعميم عبر مناطق المسح المختلفة ذات خصائص الضوضاء المتنوعة. بالإضافة إلى ذلك، فإن الحاجة إلى وظائف خسارة متعددة يمكن أن تبطئ من تقارب التدريب. ستركز الأبحاث المستقبلية على دمج تقنيات التعلم التبايني للتخفيف من الاعتماد على البيانات المعلّمة من مناطق المسح الجديدة، مما يعزز من قابلية تطبيق النموذج وأدائه.
مقدمة
تناقش مقدمة ورقة البحث طريقة الكهرومغناطيسية العابرة شبه الجوية (SATEM)، وهي تقنية جديدة للاستكشاف الكهرومغناطيسي حيث يكون جهاز الإرسال على الأرض وجهاز الاستقبال في الجو. تعتبر SATEM فعالة بشكل خاص في مسح المناطق الكبيرة وغير القابلة للوصول ولها تطبيقات في استكشاف المعادن، وتقييم المياه الجوفية، وحماية البيئة. ومع ذلك، تواجه الطريقة تحديات كبيرة بسبب مصادر الضوضاء المختلفة، بما في ذلك الضوضاء الكهرومغناطيسية الطبيعية، والضوضاء الثقافية، وضوضاء الحركة، وضوضاء المنصة، مما يعقد معالجة البيانات ويتطلب استراتيجيات فعالة لإزالة الضوضاء.
تُصنف طرق إزالة الضوضاء الحالية لبيانات SATEM إلى تقنيات التصفية التقليدية والنهج المعتمدة على التعلم العميق. غالبًا ما تعتمد الطرق التقليدية على معلمات تجريبية وتواجه صعوبات مع بيانات الضوضاء العالية، بينما تستفيد تقنيات التعلم العميق من الشبكات العصبية لتحسين تقليل الضوضاء وسرعة المعالجة. على الرغم من التقدم، تواجه الطرق الحالية قيودًا في فصل الإشارة عن الضوضاء بشكل فعال وفي التعامل مع بيانات التسلسل الطويلة بسبب القيود الحسابية. لمعالجة هذه التحديات، يقترح المؤلفون DREMnet، وهو إطار تعلم تمثيل مفكك قابل للتفسير يفصل البيانات إلى عوامل المحتوى والسياق، مما يعزز من أداء إزالة الضوضاء. يتضمن DREMnet آلية جديدة للقيمة الرئيسية الموزونة بالسياق (Co-WKV) لنمذجة الإشارات ثنائية الاتجاه وتقنية تغليف الغطاء للاحتفاظ بالمعلومات ذات الصلة، مما يظهر في النهاية قدرات إزالة ضوضاء متفوقة ونتائج عكسية محسنة لانعكاس الميزات تحت السطح.
نقاش
تقدم ورقة البحث إطارًا جديدًا لإزالة ضوضاء إشارات SATEM، يسمى DREMnet، والذي يستخدم تعلم التمثيل المفكك لفصل عوامل المحتوى والسياق بشكل فعال عن البيانات المليئة بالضوضاء. يتكون الإطار من مشفر، ومفكك إزالة الضوضاء، ومفكك التمثيل، مما يسمح بإعادة بناء الإشارة بشكل قوي من خلال الاستفادة من التوزيعات المتميزة للإشارة والضوضاء. يستخدم المشفر مقدرًا للحد الأعلى للمعلومات المتبادلة لضمان فصل فعال، بينما يعيد مفكك إزالة الضوضاء بناء الإشارات النظيفة من خلال دمج عوامل المحتوى من المدخلات المليئة بالضوضاء مع عوامل السياق من المراجع الخالية من الضوضاء. تدمج وظيفة الخسارة العامة إعادة بناء الإشارة النظيفة، وتوقع الضوضاء، وتباين KL لتحسين أداء النموذج.
تظهر النتائج التجريبية أن DREMnet يتفوق بشكل كبير على الطرق الحالية، بما في ذلك الطرق المعتمدة على الشبكات التلافيفية والتحويلية، من حيث متوسط الخطأ التربيعي (MSE)، ونسبة الإشارة إلى الضوضاء (SNR)، ومقياس مؤشر التشابه الهيكلي (SSIM). لا يتفوق النموذج فقط في مجموعات البيانات الاصطناعية ولكنه أيضًا يزيل الضوضاء بشكل فعال من بيانات الحقل، مما ينتج عنه نتائج تتماشى بشكل وثيق مع التوقعات النظرية. ومع ذلك، يعترف المؤلفون بالقيود المتعلقة باعتماد النموذج على بيانات تدريب عالية الجودة والتعقيد الذي تسببه وظائف الخسارة المتعددة، مما يقترح اتجاهات البحث المستقبلية التي قد تشمل التعلم التبايني لتعزيز التعميم عبر ظروف الضوضاء المتنوعة.
DOI: https://doi.org/10.1109/tgrs.2026.3680901
Publication Date: 2026-01-01
Author(s): Zhenyun Du et al.
Primary Topic: Geophysical and Geoelectrical Methods
Overview
The research paper introduces DREMnet, an interpretable decoupled representation learning framework designed for denoising signals acquired through the semi-airborne transient electromagnetic method (SATEM). Traditional denoising techniques have struggled with the complex noise often present in field data, primarily relying on parameter selection strategies that are inadequate in noisy environments. DREMnet addresses these challenges by disentangling data into content and context factors, which enhances the robustness and interpretability of the denoising process. The framework employs the receptance weighted key value (RWKV) architecture and introduces a contextual weighted key value (Co-WKV) mechanism, enabling effective bidirectional signal modeling while maintaining the local perception advantages of convolutional networks.
Experimental results indicate that DREMnet significantly outperforms existing denoising methods, yielding processed field data that closely aligns with theoretical signals and improves the identification of subsurface electrical structures. Despite its advancements, the method has limitations, including its reliance on supervised learning, which may affect generalization across different survey areas with varying noise characteristics. Additionally, the requirement for multiple loss functions can slow down training convergence. Future research will focus on integrating contrastive learning techniques to mitigate the dependence on labeled data from new survey areas, thereby enhancing the model’s applicability and performance.
Introduction
The introduction of the research paper discusses the semi-airborne transient electromagnetic method (SATEM), a novel technique for electromagnetic exploration where the transmitter is ground-based and the receiver is airborne. SATEM is particularly effective for surveying large, inaccessible areas and has applications in mineral exploration, groundwater assessment, and environmental protection. However, the method faces significant challenges due to various noise sources, including natural electromagnetic noise, cultural noise, motion-induced noise, and platform noise, which complicate data processing and necessitate effective noise suppression strategies.
Current denoising methods for SATEM data are categorized into traditional filtering techniques and deep learning-based approaches. Traditional methods often rely on empirical parameters and struggle with high-noise data, while deep learning techniques leverage neural networks for improved noise reduction and processing speed. Despite advancements, existing methods face limitations in effectively separating signal from noise and in handling long-sequence data due to computational constraints. To address these challenges, the authors propose DREMnet, an interpretable disentangled representation learning framework that separates data into content and context factors, enhancing denoising performance. DREMnet incorporates a novel contextual weighted key value (Co-WKV) mechanism for bidirectional signal modeling and a Cover Embedding technique to retain relevant information, ultimately demonstrating superior denoising capabilities and improved inversion results for subsurface feature reflection.
Discussion
The research paper presents a novel framework for denoising SATEM signals, termed DREMnet, which employs disentangled representation learning to effectively separate content and context factors from noisy data. The framework consists of an encoder, a denoising decoder, and a representation decoder, allowing for robust signal reconstruction by leveraging the distinct distributions of signal and noise. The encoder utilizes a mutual information upper bound estimator to ensure effective disentanglement, while the denoising decoder reconstructs clean signals by combining content factors from noisy inputs with context factors from noise-free references. The overall loss function integrates clean signal reconstruction, noise prediction, and KL divergence to optimize the model’s performance.
Experimental results demonstrate that DREMnet significantly outperforms existing methods, including convolutional and transformer-based approaches, in terms of mean squared error (MSE), signal-to-noise ratio (SNR), and structural similarity index measure (SSIM). The model not only excels in synthetic datasets but also effectively denoises field data, yielding results that closely align with theoretical expectations. However, the authors acknowledge limitations related to the model’s reliance on high-quality training data and the complexity introduced by multiple loss functions, suggesting future research directions that may include contrastive learning to enhance generalization across varying noise conditions.