针对地震数据采集中不规则缺道造成的数据不完整问题，团队提出基于融合通道与空间注意力机制的深度学习地震数据插值方法，在反射同相轴恢复和振幅保真方面取得较好的重建效果。地震资料是地下结构成像与油气勘探的重要基础，但受地形、环境、采集成本及仪器条件等因素影响，实际采集中常出现空间采样不足和地震道缺失。如何从有限观测中恢复连续、可靠的地震信息，是高质量成像与反演面临的重要问题。
研究以 U-net 为基础，构建通道—空间注意力网络 CSAMUnet，在编码与解码过程中引入协同注意力模块（图1）。通道注意力对不同特征通道进行自适应加权，突出有助于重建的反射特征；空间注意力进一步强调关键位置的信息，增强局部细节表达。两者协同处理特征，使网络更好地兼顾局部反射特征与整体结构信息，学习缺失数据到完整数据的映射关系，从而改善不规则缺道条件下的同相轴连续性与振幅恢复。
图1 通道—空间注意力模块示意图。输入特征依次经过通道注意力和空间注意力加权，获得增强后的特征表达
研究采用合成地震数据开展缺失比例与噪声敏感性测试，并与傅里叶凸集投影法（Fourierpocs）、U-net 和通道注意力网络 ECAUnet 进行对比。在所展示的随机缺道比例为64.06%的合成样本中，CSAMUnet 重建信噪比为20.08 dB，高于 U-net 的15.68 dB和 ECAUnet 的16.75 dB；结构相似性指数达到0.9939。残差、单道波形与频谱分析表明，该方法能够更好地保留反射事件及其振幅特征。
海洋地震数据和江苏油田资料进一步验证了方法效果。在 Mobil AVO Viking Graben Line 12 海洋数据测试中，重建信噪比达到21.32 dB，结构相似性指数为0.9983。江苏油田测试中，重建信噪比达到11.97 dB，较 U-net 提高2.10 dB，平均绝对误差由0.0032降至0.0017；重建剖面与残差对比显示，所提方法对缺失反射信息具有更好的恢复能力（图2）。
图2 江苏油田地震数据重建结果。（a）原始完整数据；（b）随机缺道数据；（c）-（f）依次为 Fourierpocs、U-net、ECAUnet 和 CSAMUnet 的重建结果；（g）-（j）为对应残差
该研究为不规则缺失地震数据重建提供了通道与空间信息协同建模的思路，可为后续地震成像与反演提供更完整的数据基础。实验也表明，强噪声干扰下的弱反射恢复，以及超过75%的极高随机缺道比例，仍会影响重建效果，后续需进一步提升复杂条件下的适应能力。
研究成果发表于油气地学领域权威国际期刊《Petroleum Science》，论文第一作者为中国石油大学（华东）博士生马超，通讯作者为中国石油大学（华东）黄建平教授。合作者包括中国石油大学（华东）乔子璇博士、中海油湛江公司李三福、塔里木油田勘探开发研究院段文胜、雷刚林。研究获得国家自然科学基金（42374164）、山东省泰山学者计划，以及鄂尔多斯盆地西部小尺度和高陡构造成像（2024D2ZZ01）等研究项目支持。
论文信息：Ma, C., Huang, J.-P., Qiao, Z.-X., Li, S.-F., Duan, W.-S., Lei, G.-L., 2026. Irregularly seismic data interpolation based on deep learning with integrated channel-spatial attention mechanism. Petroleum Science, 23: 1182–1196. https://doi.org/10.1016/j.petsci.2025.10.004.
