• To interpret the geological features related to subsurface gas, seismic attribute analysis was applied.

• Random noise in seismic data hinders the accurate seismic attribute analysis, resulting in the distortion of geological interpretation.

• Four different seismic noise attenuation algorithms were applied to enhance the accuracy of seismic attribute analysis.

탄성파 탐사는 인공적으로 발생시킨 파동이 지하 매질과 상호작용한 후 지표로 되돌아올 때 수신기로 감지함으로써 지하 매질의 물성 및 구조에 대한 정보를 얻는지구물리탐사 방법이다. 탄성파 탐사는 다른 지구물리탐사 방법들에 비해 상대적으로 높은 해상도의 지하 매질물성 정보를 제공해줄 뿐만 아니라 지층 반사 영상도 함께 도출해주므로 정확한 지하 구조 정보가 필요한 지하 자원 개발(Chopra and Marfurt, 2005), 지반 조사(Rutherford et al., 1989), 천부 및 심부 지각 구조 파악(Shin et al., 2008; Herron, 2011), 지층 모니터링(Chadwick et al., 2010)등에 널리 사용되고 있다.

탄성파 탐사 자료를 통해 지하 구조 정보를 도출하기위해서는 반사법 자료 처리 절차를 적용해야 하며(Yilmaz, 2001) 자료 처리는 일반적으로 좌표 정보 입력, 대역 필터, 진폭 보정, 잡음 제거, 공통 중심점 모음(common mid-point gather, CMP) 변환, 속도 분석, 수직 경로 시차 보정, CMP 중합, 구조보정의 과정을 통해 수행된다(Yilmaz, 2001; Dondurur, 2018). 자료 처리 각 과정에 사용되는 구체적인 알고리듬과 변수들은 자료 특성에 따라 적절히선정되어야 하며 최종 결과물로는 지하 반사면에 대한구조보정 영상을 도출하게 된다. 하지만 정확한 구조보정 영상을 도출되었다 하더라도 원하는 지질학적 정보를직접적으로 획득하기는 어렵다. 구조보정 영상에 대한 숙련된 지질학자의 해석 과정이 반드시 수반되어야 구조보정 영상으로부터 지질학적인 의미를 도출할 수 있으므로탄성파 자료 처리와 해석은 불가분의 관계이다. 일반적으로 구보조정 결과에 대한 지질학적 해석은 반사면의형태, 연결성, 진폭 등 구조보정 영상에 직접적으로 드러난 정보에만 의존하여 수행된다(Glørstad-Clark et al., 2010).하지만 탄성파 구조보정 결과는 진폭, 위상, 주시, 파형,주파수 범위, 반사면 연속성 등의 다양한 정보가 결합된산물이며 지하에 대한 종합적인 정보를 도출하기 위해서는 구조보정 결과가 포함하고 있는 정보들을 다각적으로활용하는 것이 필수적이다(Bacon et al., 2007). 즉, 탄성파 자료에는 다양한 정보들이 복합적으로 결합되어 있으므로 원하는 정보만 추출하는 과정이 반드시 필요하다.탄성파 속성(Seismic attribute)은 탄성파 자료에 필터를적용하거나 탄성파 자료를 다른 형태로 변환함으로써 기존의 탄성파 자료가 가지고 있는 다양한 정보 중 일부만강조하여 나타낸 자료를 지칭한다(Fred and Shivaji 2013; Barnes, 2016). 탄성파 속성은 탄성파 자료에 내포된 많은 정보들 중 특정 정보만 정량적으로 도출하기 때문에탄성파 자료에 대한 지질학적, 지구물리학적 분석의 정확도를 높이기 위한 유용한 수단으로 간주되고 있다(Chopra and Marfurt, 2006; Chopra and Marfurt, 2008).탄성파 속성 분석(seismic attribute analysis)은 탄성파 속성을 통해 탄성파 자료의 지질학적, 지구물리학적 특성을 분석하는 방법으로 단층 및 균열 규명(Brouwer and Huck, 2011; Zheng et al., 2014), 석유 및 가스 저류층 분석(Chopra and Marfurt, 2007; Raef et al., 2015), 지층 가스 분포 파악(Satyavani et al., 2008; Ashraf et al., 2019; Ismail et al., 2020), 하도(channel) 분포 및 형태 규명(Mohebian et al., 2018; Khasraji-Nejad et al., 2021) 등에 널리 활용되고 있다.

비록 탄성파 속성 분석이 탄성파 자료에 내재되어있는특정 형태의 정보만 효과적으로 추출해줄 수 있는 수단이지만 탄성파 속성 분석을 일반적인 중합 후 탄성파 자료에 직접적으로 적용할 경우 부정확한 탄성파 속성 값들이 도출될 위험이 있다(Chopra and Marfurt, 2013). 즉,탄성파 속성 도출의 정확도는 탄성파 자료의 품질에 크게 영향을 받기 때문에 적절한 자료 처리가 선행되어야한다(Al-Dossary, 2015; Qi et al., 2019). 특히 탄성파 자료의 신호 대 잡음 비(signal-to-noise ratio), 반사면의 연결성, 자료의 해상도와 같은 요소가 탄성파 속성의 정확도에 영향을 주는 주요 요소로 간주된다(Chopra et al., 2011; Chopra and Marfurt, 2013; Jesus et al., 2019). 따라서 탄성파 속성 분석을 수행하기에 앞서서 중합 후 지층 탄성파 자료 또는 구조보정 자료에 대해 후처리 절차를 적용하여 잡음을 제거하고 자료의 품질을 향상시키는것이 바람직하다.

탄성파 자료의 무작위 잡음 제거는 탄성파 자료 처리과정에서 가장 중요한 부분 중 하나이므로 다양한 방법들이 적용되어 왔다. 탄성파 자료의 무작위 잡음 제거 방법은 잡음 예측 방식에 따라 분류될 수 있으며 대표적으로는 영역 변환, 신호의 예측 가능성 이용, 평활화 방법등이 있다. 영역 변환 방법은 시간-공간 영역의 탄성파자료를 다른 영역으로 변환한 후 잡음과 신호를 분리하고 신호만 역 변환하여 잡음을 제거하며 주로 푸리에 변환(Fourier transform), 웨이블릿 변환(wavelet transform),커브렛 변환(curvelet transform)(Candès et al., 2006) 등을 이용한다. 신호 예측 가능성을 이용하는 방법은 탄성파 신호는 주기성을 가지지만 무작위 잡음은 주기성을가지지 않는다는 특성에 기반해 주기성에서 벗어난 잡음을 구분하고 제거하며 FX 디콘볼루션(FX deconvolution),비정상성 예측 필터링(non-stationary predictive filtering)(Liu et al., 2012) 등이 널리 활용된다. 평활화 방법은 기준 위치와 그 주변 영역의 값을 함께 이용하여 특이 값을 억제하는 방식으로 잡음을 제거하며 가우시안 필터, 중간값 필터, 이방성 확산(anisotropic diffusion) 필터(Weickert, 1998), 구조 지향(structural oriented) 필터(Hale, 2009) 등이 대표적이다. 잡음 제거를 통해 탄성파 탐사 자료의 품질이 개선된다면 탄성파 속성 분석의 신뢰도 또한 향상될 수 있으므로 탄성파 속성 분석 전 탄성파 잡음을 제거하는 연구들이 최근 제안되고 있다.

Kluesner and Brothers(2016) 와 Dixit and Mandal(2020)은 탄성파 속성 분석을 적용하기 전 구조보정 자료에 경사 기반 중간 값 필터(dip steering median filter; DSMF)를 적용하여 반사면의 연속성을 높이고 무작위 잡음을제거하였다. DSMF는 탄성파 반사면의 국부적인 3차원경사도를 계산하고 반사면의 경사를 따라 중간 값 필터를 적용하는 구조 지향 필터의 한 종류로, 복잡한 반사면이 존재하는 탄성파 자료에 대해서도 자료의 왜곡을줄이며 잡음을 제거할 수 있다는 장점을 가지고 있다. Kluesner and Brothers(2016)은 DSMF가 적용된 구조보정 자료에 유사도(similarity)와 곡률(curvature) 등의 탄성파 속성을 적용하여 단층 분포와 유체 이동 경로를 성공적으로 도출하였다. Dixit and Mandal(2020)은 DSMF가적용된 구조보정 자료에 유사도, 단순 침니(simple chimney),순간 주파수(instantaneous frequency), 에너지(energy) 등의 탄성파 속성을 적용하여 지층 내 가스 침니의 분포를확인하였으며 DSMF의 적용이 진폭 공백 영역(amplitude blanking zone) 및 탄성파 혼돈 영역(seismic chaotic zone)을 적절히 강조하였음을 보였다. Jaglan et al.(2015)는DSMF와 경사 기반 확산 필터 (dip steering diffusion filter; DSDF)를 조합한 단층 강조 필터(fault enhancement filter; FEF)를 설계하였으며 FEF가 적용된 탄성파 구조보정 자료에 단층 가능도(fault likelihood), 최대 곡률(maximum curvature), 균열 구배(fracture gradient) 등의 탄성파 속성을 적용하여 시간 단면에서 단층 분포 도출 성능을 향상시켰다.

최근 계산 자원의 성능 향상과 기계학습 알고리듬의 발전으로 인해 탄성파 잡음 제거에 기계학습을 활용하는사례가 점차 늘어나는 추세이다. 기계학습을 이용한 잡음 제거는 다양한 종류의 일관성 잡음(Li et al., 2018; Nam et al., 2020; Zheng et al., 2020)과 무작위 잡음(Liu et al., 2018; Si and Yuan, 2018)에 적용되고 있으며 대상자료의 특성에 따라 지도 학습과 비지도 학습이 모두 활용되고 있다. 또한 탄성파 반사면의 왜곡을 최소화하면서 잡음을 제거하거나(Jun et al., 2020) 기존의 탄성파 자료 처리 과정을 통해 적절히 제거되지 못했던 잡음들을기계학습 모델을 통해 추가적으로 제거하는(Alali et al., 2020; Jun and Cho, 2022) 등 기존의 물리 기반 잡음 제거 방법의 한계를 보완하는 방법들도 제안되고 있다.

위와 같은 연구들에 기반하여 본 연구에서는 지층 가스 분포 파악을 위한 탄성파 속성 분석을 적용하기에 앞서서 어떤 잡음 제거 기법을 적용하는 것이 지층 가스분포 도출을 위한 탄성파 속성 분석에 적합한지를 확인하고자 하였다. 따라서 기존의 탄성파 잡음 제거 방법 중신호의 예측 가능성을 이용하는 FX 디콘볼루션과 반사면의 경사를 고려한 평활화를 통해 잡음을 제거하는 DSMF,최근 연구가 활발히 수행되고 있는 기계학습 기반 잡음 제거 방법인 Noise2Noise와 Denoising convolutional neural network(DnCNN)을 비교하고자 한다. 각 잡음 제거 방법을 동일한 자료에 적용한 후, 탄성파 속성 분석을 수행하여 그 효과를 비교하였다. 그리고 탄성파 속성 분석 결과를 바탕으로 각 잡음 제거 방법을 잡음 제거 효율성측면과 잡음 제거 성능 측면에서 논의하고 어떤 잡음 제거 방법이 탄성파 속성 분석을 통한 지층 가스 분포 도출에 효과적지 분석하였다.

본 논문은 다음과 같이 구성되어 있다. 우선 각 탄성파잡음 제거 방법에 대해 설명하고, 지층 가스 분포 도출대상 자료와 가스 분포 파악을 위한 탄성파 속성 분석알고리듬을 소개한다. 그리고 수치 실험을 통해 얻은 탄성파 잡음 제거 결과와 탄성파 속성 분석 결과를 제시하고 비교하며, 토의에서는 각 잡음 방법의 주요 특성을 분석하고 논의한다.

본 장에서는 본 연구에서 활용한 탄성파 무작위 잡음제거 기법들을 간단히 소개한다. 총 4 종류의 잡음 제거기법들을 활용하였으며 각각은 FX 디콘볼루션, DSMF, Noise2Noise, DnCNN이다. FX 디콘볼루션, Noise2Noise, DnCNN은 2차원 인-라인 자료에 대해 각각 잡음 제거를수행한 후 3차원 잡음 제거 자료를 생성하였다. 반면DSMF의 경우 기존 연구들(Kluesner and Brothers, 2016; Dixit and Mandal, 2020)에서 주로 3차원 필터로 설계하여 잡음을 제거 하였으므로 본 연구에서도 3차원 자료에직접 적용하여 잡음을 제거하였다.

2.1. FX 디콘볼루션

FX 디콘볼루션은 무작위 잡음을 제거하기 위해 설계된 예측 필터의 한 종류이다(Canales, 1984). 일반적으로 탄성파 탐사를 통해 취득한 탄성파 자료는 유의미한 신호와 다양한 종류의 잡음으로 구성되어 있다. 이 때 유의미한 탄성파 반사 신호는 단일 주파수 상 주기적인 성질을 가지고 있지만 무작위 잡음의 경우 주기성을 띄지않는다. 시간-공간(t-x) 영역의 탄성파 자료를 주파수-공간(f-x) 영역으로 변환한 후 단일 주파수에 대해 위너 예측 필터(wiener prediction filter)를 적용한다면 반사파에대한 주기성을 예측할 수 있다. FX 디콘볼루션은 주기에서 벗어나는 정보를 무작위 잡음으로 간주하여 제거하며해당 과정을 특정 주파수 범위에 대해 수행한 후 다시시간-공간 영역으로 역변환하여 최종적으로 무작위 잡음이 제거된 시간-공간 영역의 탄성파 자료를 도출한다. FX디콘볼루션은 간단한 푸리에 변환과 위너 필터를 통해설계할 수 있으며 중합 전 탄성파 자료와 중합 후 탄성파 자료 모두 쉽게 적용 가능하다는 장점을 가지고 있어널리 사용되고 있다. 하지만 FX 디콘볼루션 적용에 필요한 최대 및 최소 주파수 값, 창의 크기 등의 변수들은 시행착오를 통해 설정되어야 하며 최적의 변수를 찾을 때많은 시간과 비용이 필요할 뿐만 아니라 인간의 주관이개입될 수밖에 없다는 한계를 가지고 있다.

2.2. DSMF

중간 값 필터는 이미지 처리에서 널리 사용되는 잡음제거 방법 중 하나로, 한 점을 기준으로 정해진 필터 범위 내의 정보들 중 중간 값을 찾아 해당 지점에 반환하는 필터이다(Brownrigg, 1984; Tingdahl and De Groot, 2003). 중간 값 필터는 자료의 전체적인 구조 및 경계 정보의 왜곡을 줄이면서 잡음을 억제할 수 있다는 장점을가지고 있어 탄성파 자료의 잡음 억제에도 널리 사용되었다(Singh et al., 2016; Kumar and Sain, 2018; Ramu and Sain, 2021). 하지만 복잡한 구조를 가진 탄성파 반사 영상에 일반적인 중간 값 필터를 적용할 경우 불연속적인경계를 가진 가스 부존 영역이나 단층 위치 등의 정보에부정확성이 높아질 수 있다는 문제가 있으며 이를 극복하기 위해 반사면의 경사도를 고려한 구조 지향 필터(Structure oriented filter)가 제안되었다(, 2011). DSMF는 구조 지향 필터의 한 종류로 탄성파 자료의 무작위 잡음을 억제하면서 탄성파 반사면의 구조적인 특성들은 유지할 수 있는 필터이다(Imran et al., 2021). DSMF는 사전에 계산한 반사면의 인-라인(inline) 방향 및 크로스-라인(crossline) 방향의 경사도 정보로 구성된 구조 텐서를 이용하여 필터를 적용하므로 반사면의 경사도 및불연속성에 대한 정보를 함께 활용하여 필터를 적용할수 있다는 장점을 가지고 있다. 하지만 3차원 큐브의 경사 정보를 미리 계산해야 하며 필터 적용 시 임의로 설정한 확산 단계에 따라 경계 보존 및 잡음 제거 정도에차이가 발생한다는 단점이 있다.

2.3. 비지도 학습: Noise2Noise

앞서 설명한 FX 디콘볼루션이나 DSMF는 지구물리학적인 수식에 기반하여 잡음의 특성을 예측하는 물리 기반 필터링 방법이다. 반면 기계학습 기반의 잡음 제거 방법은 기존의 물리 기반 잡음 제거 방법들과는 달리 기계학습 모델이 자료로부터 잡음의 특성을 직접 학습하고적합한 필터를 설계한다. 실제 학습 과정에서는 여러 층으로 구성된 인공 신경망 내의 가중치들이 순차적으로갱신되며 결과적으로 가중치들의 비선형적인 조합이 하나의 잡음 제거 필터로 작용하게 된다. 기계학습 방법은크게 비지도 학습과 지도 학습으로 분류할 수 있으며 비지도 학습은 별도로 구축된 정답 자료가 필요하지 않은학습 방법이고 지도 학습은 별도로 구축된 정답 자료를활용하는 학습 방법이다. 탄성파 자료 무작위 잡음 제거분야에서는 지도 학습이 많이 활용되고 있으나 최근에는비지도 학습을 이용한 잡음 제거도 활발히 연구되고 있다(Liu et al., 2021; Saad and Chen, 2020; Yang et al., 2021).

무작위 잡음 제거를 위한 다양한 비지도 학습 모델이있지만 그 중 본 연구에서는 Noise2Noise 모델을 활용하여 3차원 탄성파 자료의 무작위 잡음을 제거하고 탄성파속성 분석을 수행하고자 한다. 일반적으로 많이 사용되는 지도 학습 기반 잡음 제거 모델에서는 잡음이 포함된자료를 입력 자료로, 잡음이 완전히 제거된 정답을 출력자료로 설정하여 학습을 진행한다. 이 때 잡음이 포함된자료로부터 잡음이 제거된 자료를 생성하기 위해 여러번의 학습을 반복하여 가중치 갱신을 수행하고 결과적으로 학습된 모델을 통해 예측된 결과는 점진적으로 정답에 가까워지게 된다(Fig. 1a). 반면 Noise2Noise는 Lehtinen et al.(2018)이 제안한 비지도 학습 기반 무작위 잡음 제거 모델로 잡음이 포함되어있지 않은 정답 자료 없이도 합리적으로 잡음을 제거할 수 있는 인공 신경망 모델이다. Noise2Noise는 잡음이 포함된 자료를 입력 자료로,또 다른 잡음이 포함된 자료를 출력 자료로 활용한다. 이때 입력 자료와 출력 자료는 동일한 신호를 포함하고 있지만 서로 다른 잡음을 포함한 자료이다. 만약 하나의 자료를 이용하여 학습을 진행하고 가중치를 갱신한다면 학습은 입력 자료의 잡음 특성을 출력 자료의 잡음 특성으로 변환하는 방향으로 수행될 것이다. 하지만 많은 학습자료를 이용한다면 각각의 학습을 통해 계산되는 가중치갱신 방향(graidnet)의 평균 값을 통해 실제 가중치 갱신이 수행되며 예측된 결과는 무작위한 특성을 가진 잡음을 제거하고 입력 자료와 출력 자료 간 공통된 성질을가진 신호에 가까워지게 될 것이다(Fig. 1b). 따라서Noise2Noise학습을 위해서는 동일한 신호를 가지지만 서로 다른 잡음을 포함한 학습 자료 쌍이 필요하다.

Figure 1. Schematic diagrams of seismic random noise attenuation based on the (a) typical supervised learning and (b) Noise2Noise unsupervised learning.

탄성파 탐사의 경우 수신기의 간격이 수 m 정도로 가깝지만 지하 구조는 수평 방향으로 연속적인 변화를 보이기 때문에 인접한 트레이스 간 신호의 차이는 매우 미약하다. 반면 탄성파 자료의 무작위 잡음은 트레이스마다 서로 다른 특성을 가지고 있기 때문에 인접한 트레이스를 이용하여 학습 자료를 구축한다면 Noise2Noise 모델에 적합한 학습 자료를 쉽게 구축할 수 있다. 이러한성질을 이용하여 Liu et al.(2021)은 중합 후 탄성파 자료를 공통 중간점(Common midpoint)을 기준으로 홀수와짝수 자료로 분할하고 한 자료는 입력 자료, 나머지 자료는 출력 자료로 설정하여 Noise2Noise 기반 잡음 제거를 수행하였다. Kim and Jun(2022)는 중합 전 탄성파 자료를 홀수 번째 수신기 모음과 짝수 번째 수신기 모음으로 분할하여 학습 자료를 구축하고 Noise2Noise 기반 잡음 제거를 수행하였다. 본 연구에서도 중합 후 탄성파 자료에 대해 무작위 잡음을 제거하기 위해 Noise2Noise 기반의 무작위 잡음 제거 모델을 적용하였으며 Liu et al.(2021)의 방법과 동일하게 공통 중심점 모음을 기준으로 자료를 홀수와 짝수로 나누어 학습 자료를 구축하였다.

본 연구에 사용한 Noise2Noise의 인공신경망 구조는Liu et al.(2021)과 Kim and Jun(2022)에서 사용한 인공신경망 구조와 동일하며 입력 자료의 크기만 (96,96,1)로상이하다. 구체적인 인공신경망 구조는 Fig. 2에서 확인할 수 있다.

Figure 2. Network architecture of Noise2Noise used in this study.

Noise2Noise 모델은 잡음이 포함되어 있지 않은 정답자료가 필요하지 않으며 탄성파 자료의 특성상 학습 자료를 쉽게 구축할 수 있다는 장점이 있지만 무작위한 성질을 가진 잡음만 제거할 수 있으며 제거하고자 하는 잡음을 특정하거나 잡음 제거의 정도를 조정하기 어렵다는한계가 있다.

2.4. 지도 학습: DnCNN

Zhang et al.(2017)이 제안한 DnCNN은 잡음이 있는 자료로부터 잡음을 예측하는 잔치 신경망(He et al., 2016)기반 잡음 제거 모델이다. DnCNN은 모든 은닉층의 크기가 동일하고 입력 자료에서 잡음만 추출한 후 입력 자료와 추출된 잡음과의 차이를 계산하여 잡음 제거를 수행하므로 신호의 왜곡을 최소화하며 잡음을 제거할 수있다는 장점을 가지고 있다(Jun et al., 2020). DnCNN은지도 학습 모델이므로 DnCNN을 이용하여 탄성파 자료의 무작위 잡음을 제거하기 위해서는 잡음이 전혀 없는탄성파 자료 또는 잡음을 제거하고자 하는 대상 자료와동일한 잡음 특성을 가진 잡음 자료가 반드시 필요하다.하지만 현장 탄성파 탐사를 통해 잡음이 전혀 없는 자료를 취득하는 것은 불가능하며 대상 자료의 잡음 특성과동일한 잡음을 따로 취득하는 것 또한 어렵다.

Liu et al.(2019)은 기존 탄성파 탐사 자료 처리 과정을적용하여 추출된 잡음을 이용하여 학습 자료를 구축하고 DnCNN 모델을 학습한 후 학습 자료 생성에 사용되지않은 탄성파 자료에 적용하여 잡음을 제거하였다. 하지만 기존 탄성파 자료 처리 과정을 적용해야한다는 점에서 학습 자료 생성에 필요한 비용이 증가하게 되며 학습된 모델의 잡음 제거 성능이 기존 탄성파 자료 잡음 제거 방법 보다 향상될 수 없다는 한계를 가지고 있다. Jun et al.(2020)은 탄성파 중합 단면 중 유의미한 신호가 전혀 포함되어 있지 않은 부분을 통해 잡음 자료를 추출하고 잡음이 없는 인공 합성 자료와 무작위 진폭 비율로더하여 학습 자료를 구축하였다. 해당 방법은 대상 자료와 동일한 잡음 특성을 가지는 학습 자료를 쉽게 구축할수 있으며 기존 탄성파 잡음 제거 방법보다 우월한 결과를 줄 수 있다는 장점이 있으나 탄성파 자료 중 잡음만기록된 부분이 충분하지 않다면 적용이 불가능하며 학습자료 생성 과정에서 사용하는 무작위 진폭 비율의 범위에 따라 잡음 제거 성능이 달라질 수 있다는 문제점을가지고 있다.

영일만 고해상 탄성파 자료는 수심이 얕고 기록 시간이 짧기 때문에 유의미한 신호 없이 잡음만 기록된 부분이 존재하지 않는다. 따라서 본 연구에서는 Noise2Noise학습을 통해 예측된 잡음에서 잡음 자료를 추출하였으며이를 잡음이 없는 인공 합성 자료와 결합하여 대상 자료와 동일한 잡음 특성을 가지는 학습 자료를 생성하였다.해당 방법은 잡음 자료를 추출하기 위해 추가적인 비지도 학습이 수행되어야 하므로 계산 비용이 증가한다는단점이 있지만 대상 자료와 동일한 특성을 가진 잡음 정보를 추출할 수 있으며 학습 자료의 신호 대 잡음 비를유연하게 조절할 수 있다는 장점을 가지고 있다.

본 연구에서 사용한 DnCNN 구조는 Zhang et al.(2017), Jun et al.(2020)이 사용한 인공신경망 구조와 동일하며 자세한 구조는 Fig. 3에 도시되어 있다. 입력 자료의 크기는 Noise2Noise의 입력 자료 크기와 동일한 (96,96,1)이며 모든 층에서 입력 및 출력 자료의 크기는 동일하다.

Figure 3. Network architecture of DnCNN used in this study.

3.1. 포항 영일만 고해상 탄성파 자료

수심이 얕고 장애물이 많은 연안 해역은 대형 탄성파 탐사선의 진입이 어렵기 때문에 소형 선박을 이용한 탄성파 자료 취득이 수행된다. 본 연구에서 활용한 고해상탄성파 자료는 한국지질자원연구원이 자체적으로 개발한소규모 3D 탄성파 탐사 시스템(Engineering Ocean Seismic 3D, EOS3D)을 이용하여 2016년과 2017년에 포항 영일만 인근해역에서 취득 되었다(Shin et al., 2020). 해당 시스템은 단일 유닛 에어건 음원과 횡 방향으로 배열된 두개의 8 채널 스트리머로 구성되며, 1400m x 500m 영역에서 총 248개의 인-라인(inline) 자료를 취득하였다. 취득된 탄성파 자료는 대역 필터링, 이득 회수, GPS 위치보정, 플렉시 비닝(Flexi-binning), 정보정, 중합, 구조보정,다중 반사파 제거의 과정을 통해 처리되었으며 최종적으로 3차원 구조보정 자료가 생성되었다(Fig. 4).

Figure 4. Poststack time migration cube of the Youngil Bay 3D high-resolution seismic data.

3.2. 구조보정 영상 내의 가스 지시자

지층 내 가스가 부존 할 경우 탄성파 탐사 자료에서 다양한 형태의 이상대로 나타나며 명점(Bright spot), 음향공백(Acoustic blanking), 탄성파 침니(seismic chimney),포크마크(pockmark) 등의 형태가 대표적이다(Okay and Aydemir, 2016; Kim et al., 2020; Horozal et al., 2021).본 연구에서는 포항 영일만 고해상 탄성파 자료에서 관측 가능한 가스 지시자인 명점과 음향 공백의 분포 규명을 위해 무작위 잡음 제거 전후의 탄성파 자료에 대해탄성파 속성을 적용하고 그 결과를 비교한다.

3.2.1. 명점

명점은 대표적인 지층 가스 지시자로 주변 반사면에 비해 강한 진폭을 가지는 반사면이 역전된 위상으로 나타난다는 특징을 가진다. 지층 내 가스가 부존 할 경우 해당 지층의 탄성파 전달 속도 및 밀도는 감소하며 상부지층과의 음향 임피던스 차이가 주변 지층 대비 커지게된다. 따라서 주변보다 강한 진폭을 가진 반사파가 생성되며 상층보다 하층의 음향 임피던스가 작아진 상황이므로 위상이 역전되는 현상이 발생한다. Fig. 4의 검은 사각형 부분을 보면 주변 지층의 반사파보다 더 강한 진폭을 가진 반사파가 역전된 위상을 가지고 등장한 것을 확인할 수 있으며 이러한 형태가 명점의 대표적인 사례이다.

3.2.2. 음향 공백

음향 공백은 탄성파 전파 중 에너지의 급격한 감쇠로인해 나타나는 현상으로 주변 반사면에 비해 상대적으로낮은 진폭을 가지거나 전혀 영상화가 이루어지지 않은영역으로 나타난다. 이러한 현상의 원인은 몇 가지로 나누어볼 수 있는데 대표적인 원인은 다음과 같다. 첫 번째 원인은 상부 가스층 분포로 인한 탄성파 에너지 감쇠로 하부 영역의 반사파 진폭이 작아지는 것이고 두 번째원인은 해당 층 내에 넓게 분포하는 가스로 인해 발생한탄성파 에너지 감쇠로 해당 영역의 진폭이 작아지는 것이다(Judd and Hovland, 1992; Schroot et al., 2005; Yang et al., 2017). Fig. 4의 검은 사각형 부분 아래에 보이는좁고 수직적인 형태의 이상대가 음향 공백의 대표적인형태이다. 본 연구에서 활용한 영일만 고해상 탄성파 자료의 경우 소규모 탄성파 탐사 자료로 오프셋이 짧고 송신원 에너지가 작다는 특성을 가지고 있다. 따라서 상부의 가스층으로 인한 탄성파 에너지 흡수가 음향 공백의가장 큰 원인으로 간주된다.

지층 가스 분포를 정량적으로 규명하기 위해서 탄성파속성 분석이 널리 활용된다. 탄성파 자료는 지층 가스 분포 형태에 따라 서로 다른 음향 이상대가 나타나므로 해당 가스 분포 특성에 적합한 탄성파 속성을 선정하여 분석에 활용해야한다. 영일만 고해상 탄성파 자료에는 명점과 음향 공백이 주로 나타나므로 해당 가스 지시자들을 정량적으로 드러내 줄 수 있는 탄성파 속성을 선택하여 적용해야 한다. 명점과 음향 공백 분포 규명에는 다양한 종류의 탄성파 속성들이 활용되고 있으며 본 연구에서는 그 중 에너지(energy), 스위트니스(sweetness), 유사도(similarity) 속성을 무작위 잡음이 제거된 탄성파 자료에 적용하고 그 결과를 비교한다. 적용에 앞서 이번 장에서는 선택된 3가지의 탄성파 속성 분석 방법에 대해간단히 소개한다

4.1. 에너지 속성

탄성파 에너지 속성은 탄성파 진폭의 크기를 계산하는속성으로 Eq. (1)을 통해 계산할 수 있다.

$$Energy=\frac{1}{n}\sum _i^{n}x{\left(i\right)}^2$$(1)

x와 n은 각각 선택된 범위 내의 탄성파 신호 크기와탄성파 샘플 개수를 의미하며, 선택된 범위 내의 탄성파 신호 크기를 제곱하고 평균하여 에너지 속성을 계산한다.탄성파 신호는 송신 파형의 형태에 따라 +와 – 값이 반복되는 형태를 가지고 있지만 에너지 속성은 탄성파 신호를 제곱하여 계산되므로 탄성파 신호가 가지는 진폭의크기 정보만 도출할 수 있다. 에너지 속성은 매우 간단한 형태의 탄성파 속성이지만 진폭 이상대를 강조하여드러내 줄 수 있는 유용한 속성이다.

4.2. 스위트니스 속성

스위트니스는 석유나 가스가 분포하는 지층을 더욱 강조하기 위해 사용되는 탄성파 속성으로 순간 진폭(instantaneous amplitude)과 순간 주파수(instantaneous frequency)의 비율을 이용하여 Eq. (2)와 같이 계산한다(Hart, 2008).

$$\text{Sweetness=}\frac{\text{Instantaneous amplitude}}{\sqrt{\text{Instantaneous frequency}}}$$(2)

순간 진폭은 탄성파 자료에서 진폭 정보만 추출한 것으로 지층 가스 분포 등으로 인해 임피던스 차이가 큰곳에서 높은 값을 가진다. 또한 지층 가스가 존재하는 곳에서는 보통 고주파수가 저주파수에 비해 더 빠르게 감쇠하므로 순간 주파수 값이 낮아지는 경향이 있다. 따라서 지층 가스가 존재하는 곳에서는 높은 순간 진폭과 낮은 순간 주파수 값으로 인해 스위트니스가 큰 값을 가지고 그렇지 않은 지역에서는 낮은 값을 가지므로 스위트니스는 지층 가스 분포를 도출하는 탄성파 속성으로 활용된다.

4.3. 유사도 속성

유사도는 이웃한 탄성파 트레이스 간 유사성을 계산하는 탄성파 속성으로 Eq. (3)을 통해 계산될 수 있다.

x와 y는 서로 인접한 트레이스를 지칭하며 서로 간 유사성이 크면 1에 가까운 값이 도출되지만 서로 간 유사성이 낮으면 0에 가까운 값이 도출된다. 수평적으로 연속적인 지층이 등장하는 영역에서는 인접한 트레이스가서로 비슷한 형태를 가지므로 높은 유사도가 계산되지만반사면에 수평적으로 불연속적인 부분이 존재한다면 낮은 유사도가 도출된다. 하지만 기존의 유사도의 경우 잡음의 분포에 매우 민감하다는 단점을 가지고 있다. 이러한 문제를 극복하기 위해 시간 지연 값을 적용한 유사도값과 기존 유사도 값의 중간 값을 이용하는 개선된 유사도 속성이 제안되었으며(Connolly and Garcia, 2012) 본연구에서도 개선된 유사도 속성을 활용하여 지층 가스분포와 관련된 이상대를 규명하고자 한다. 개선된 유사도 속성은 Eq. (4)를 통해 계산할 수 있으며 단순 침니속성(simple chimney attribute)(Singh et al., 2016)이라고지칭하기도 한다.

$$\text{Improved Similarity = Median[Similarity, Similarity(-time shift), Similarity(+time shift)].}$$(4)

일반적으로 명점이 존재하는 영역은 주변에 비해 높은진폭을 가지는 특징이 있지만 수평적으로 높은 연속성을가지기 때문에 높은 유사도 값을 보인다. 하지만 음향 공백이 존재하는 영역의 반사면은 주변 반사면들과 수평적으로 불연속적이기 때문에 낮은 유사도 값을 가지는 경우가 많다. 물론 유사도 속성만을 이용하여 다른 불연속적인 특성을 가지는 지질학적인 구조와 음향 공백을 구별하는 것은 어렵지만 지층 가스와 연관되어 있을 가능성이 높은 지역을 선별하는데 활용할 수 있기 때문에 유사도를 지층 가스 분포 파악에 활용하는 사례가 다수 존재한다(Sanda et al., 2020; Ismail et al., 2022).

5.1. 탄성파 무작위 잡음 제거

본 연구에서는 포항 영일만 고해상 탄성파 구조보정 자료의 무작위 잡음 제거를 위해서 FX 디콘볼루션, DSMF, Noise2Noise, DnCNN을 적용하였다. 잡음이 제거된 3차원 자료에서 인-라인 자료에 대한 잡음 제거 결과는 크로스-라인 및 시간 단면의 잡음 제거 결과와 서로 유사하다. 또한 본 연구에서 사용된 탄성파 속성 분석인 에너지 속성, 스위트니스 속성, 유사도 속성은 단일 트레이스 내 또는 인접 트레이스 간 정보를 활용한다. 따라서본 장에서는 지층 가스 분포가 잘 나타나는 89번째 인-라인 구조보정 단면을 이용하여 결과 설명하고 비교하고자 한다. Fig. 5는 잡음 제거 전 89번째 인-라인 구조보정 단면이다.

Figure 5. The 89^th inline section of poststack time migration data before denoising.

5.1.1. FX 디콘볼루션

탄성파 무작위 잡음 제거를 위해 FX 디콘볼루션을 영일만 고해상 3차원 탄성파 자료에 적용하였다. 잡음 제거 전후의 비교를 위해 임의로 추출한 잡음 제거 전의89번째 인-라인 구조보정 단면을 Fig. 5에 도시하였으며Fig. 6a는 FX 디콘볼루션 적용 후의 89번째 인-라인 구조보정 단면, Fig. 6b는 FX 디콘볼루션으로 예측된 무작위 잡음이다. 하부의 무작위 잡음과 음향 공백대에 존재하는 무작위 잡음이 잘 예측되었으나 해저면 및 천부 지층의 반사 신호가 잡음으로 간주되어 제거된 것을 확인할 수 있다. 이는 FX 디콘볼루션이 단일 주파수 영역에서 신호의 주기성을 이용하여 잡음을 예측할 때 비교적강한 진폭을 가지는 해저면 및 천부 지층의 진폭 값을제대로 보전하지 못했기 때문으로 판단된다. 또한 여전히 제거되지 않고 남은 잡음이 전체 단면에서 관측되며반사면의 연결성 또한 충분히 향상되지 않았다.

Figure 6. Denoised result and estimated noise of FX deconvolution ((a) and (b)), DSMF ((c) and (d)), Noise2Noise ((e) and (f)) and DnCNN ((g) and (h)).

5.1.2. DSMF

DSMF는 탄성파 자료 반사면의 구조적인 정보를 보조자료로 활용하여 잡음제거를 수행하는 방법으로 DSMF를 이용한 무작위 잡음 제거 결과는 Fig. 6c에, DSMF를이용하여 예측된 무작위 잡음은 Fig. 6d에 도시되어 있다. FX 디콘볼루션 결과에 비해 반사면의 연결성이 개선되었으며 무작위 잡음 또한 잘 예측된 것을 확인할 수있다. 특히 Fig. 6d에서 강한 진폭의 해저면과 천부 지층반사면들이 거의 보이지 않으며 음향 공백대 및 하부 지층의 무작위 잡음이 적절히 예측되었다. 하지만 일부 구간(크로스-라인 420~450)에서는 여전히 반사면이 잡음으로 예측되었으며 크로스-라인 280~320 구간 해저면 바로아래의 복잡한 단층 구조 및 크로스-라인 470 위치 아래의 정단층의 경우 연결성을 높이는 DSMF의 특성상 구조의 왜곡이 일부 발생한 것으로 보인다.

5.1.3. Noise2Noise

비지도 학습을 이용하여 무작위 잡음을 제거하는Noise2Noise는 압축-팽창 형태의 인공신경망을 가지고 있다. 압축 단계에서는 자료의 중요한 특성만 보존하는 방식으로 자료의 크기를 줄이며 팽창 단계에서는 입력 자료와 출력 자료에서 서로 유사한 특성을 가진 정보는 회복되지만 서로 다른 특성을 가진 정보는 회복되지 않는다. 따라서 입력 자료와 출력 자료에서 공통적인 부분인반사면 신호 정보는 회복되는 반면 무작위한 잡음은 회복되지 않기 때문에 결과적으로 잡음 제거가 수행된다. Noise2Noise 적용 결과를 보면(Fig. 6e) 잡음이 어느정도억제되기는 했지만 여전히 제거되지 않은 잡음이 남아있는 것을 확인할 수 있다. 예측된 잡음에서(Fig. 6f) 강한해저면 반사 신호가 잡음으로 예측된 것을 확인할 수 있는데, 이는 압축-팽창 단계에서 매우 강한 진폭을 가진해저면 반사 신호의 진폭 값이 적절히 회복되지 못하였기 때문으로 판단된다. 예측된 잡음에서 해저면 반사 신호를 제외하고 지층 반사 신호가 잡음으로 잘못 예측된부분은 보이지 않지만 예측된 잡음의 진폭이 적정하지않은 것을 관측할 수 있다. 즉, 비지도 학습 기반의Noise2Noise는 잡음과 신호의 특성은 적절히 구분할 수있지만 잡음 제거의 강도를 임의로 설정할 수 없고 매우강한 진폭의 신호를 잡음 제거 과정에서 적절히 회복하기 어렵다는 한계가 있다.

5.1.4. DnCNN

DnCNN은 지도 학습 기반의 잡음 제거 방법으로 잡음이 포함된 자료에서 잡음을 추출한 후 잡음을 제거하는잔차 학습 방식의 인공신경망(He et al., 2016)으로 구성되어 있다. 잡음 제거를 위해 지도 학습을 이용하므로 학습 자료 구축을 위해서는 잡음이 전혀 없는 자료 또는대상 자료의 잡음과 특성이 동일한 잡음 자료가 필요하다. 본 연구에서는 비지도 학습 방식의 Noise2Noise 적용 결과로 얻은 잡음을 가공하여 잡음 자료를 획득하였으며 이를 잡음이 없는 인공합성자료와 결합하여 학습자료를 구축하였다. Figs. 6g, 6h는 DnCNN을 이용하여잡음을 제거한 결과와 예측된 잡음이다. 잡음 제거 결과에서 전체적으로 잡음이 잘 예측되어 제거된 것을 확인할 수 있으며 그 결과 반사면의 연결성이 크게 향상되었다. 또한 DSMF에서 왜곡이 발생한 크로스-라인 280~320구간의 복잡한 단층 영역도 정확히 영상화 된 것을 볼수 있다. 예측된 잡음에서도 강한 진폭을 가지는 해저면및 천부 지층의 반사면이 전혀 관측되지 않으며 천부부터 심부까지 무작위 잡음만 잘 추출되었다. 이러한 결과는 본 연구에서 제안된 학습 자료 구축 방법이 대상 자료에 포함된 잡음 특성을 적절히 반영하는 학습 자료를구축할 수 있다는 것을 보여준다. 또한 DnCNN이 잡음이 있는 자료에서 잡음을 추출하는 잔차 학습 방식을 활용하며 모든 숨은 층에서 입력과 출력 자료의 크기가 동일한 인공신경망을 가지고 있기 때문에 중요 신호의 왜곡이 최소화된 것으로 판단된다.

5.2. 탄성파 속성 분석 적용

이번 장에서는 잡음이 제거되기 전후의 탄성파 자료들에 대해 지층 가스 분포 도출에 적합한 탄성파 속성인에너지, 스위트니스, 유사도 속성을 적용하고 그 결과를비교하였다.

5.2.1. 에너지 속성

에너지는 강한 진폭이 나타나는 탄성파 신호를 강조할수 있는 탄성파 속성으로 지층 부존 가스로 인해 발생한명점의 분포를 규명하는데 활용된다. Fig. 7은 탄성파 잡음 제거 전과 후의 탄성파 자료에 대해 에너지 속성을적용한 결과이다. 잡음 제거 전 자료에 대한 결과(Fig. 7a)에서는 해저면 바로 아래에 있는 명점이 적절히 강조되었지만 명점을 제외한 다른 부분의 에너지 속성 값이 탄성파 자료에 포함된 무작위 잡음들로 인해 불규칙적인형태를 보인다. 특히 명점 아래 존재하는 음향 공백대에서 잡음들의 존재로 인해 일관성 없는 에너지 속성 값의분포가 나타난다. FX 디콘볼루션 결과(Fig. 7b)는 잡음제거 전 결과에 비해 잡음의 영향이 줄어든 것을 확인할수 있지만 여전히 크고 작은 에너지 값들이 일관성 없이분포하고 있으며 명점의 진폭 또한 감소하였다. DSMF결과(Fig. 7c)에서는 잡음의 영향이 많이 줄어들었으며 명점 아래의 음향 공백대가 잘 규명된 것을 확인할 수 있다. 하지만 DSMF가 반사면의 연속성을 향상시키며 잡음 억제를 수행하므로 주변 반사면보다 진폭이 큰 명점의 진폭에 왜곡이 발생하였으며 그 결과 에너지 속성 값에서 명점의 크기 및 강도가 과소 평가되었다. Noise2Noise결과(Fig. 7d)는 FX 디콘볼루션과 유사한 에너지 속성이계산되었으며 잡음 제거 정도가 크지 않기 때문에 무작위 잡음의 영향이 에너지 속성 계산 결과에 여전히 남아있는 것을 볼 수 있다. DnCNN 결과(Fig. 7e)에서는 명점이 정확하게 계산되었으며 명점 아래 분포하는 음향 공백대 또한 잡음의 영향 없이 낮은 에너지 값으로 적절히도출되었다. 반면 명점을 제외한 다른 강한 진폭 부분들중 일부도 명점과 유사한 에너지 속성 값으로 계산된 것을 확인할 수 있다.

Figure 7. The energy attribute result (a) before noise attenuation and after applying (b) FX deconvolution, (c) DSMF, (d) Noise2Noise, (e) DnCNN.

5.2.2. 스위트니스 속성

스위트니스 속성은 탄성파 자료의 진폭 정보와 주파수정보를 이용하여 도출한 탄성파 속성으로 에너지 속성에비해 해상도가 비교적 높아 작은 규모의 진폭 이상도 규명할 수 있지만 무작위 잡음에 큰 영향을 받는다. 지층 가스가 부존하는 명점의 경우 강한 진폭과 함께 고주파수의 감쇠가 발생하므로 높은 스위트니스 값을 가지며음향 공백대의 경우 낮은 진폭으로 인해 낮은 스위트니스 값을 가지는 것이 일반적이다. 탄성파 무작위 잡음 제거 전후의 자료에 대한 스위트니스 속성 적용 결과는Fig. 8에 나열되어 있다. Fig. 8a는 잡음 제거 전의 자료에 대한 스위트니스 속성 적용 결과로 명점에서 높은 스위트니스 값이 관측된다. 하지만 명점의 형태가 잡음에의해 왜곡되어 있으며 명점 아래의 음향 공백대가 명확히 규명되지 않은 것을 확인할 수 있다. 또한 자료 전반에 걸쳐 무작위 잡음의 영향이 강하게 남은 것을 볼 수 있다. Fig. 8b는 FX 디콘볼루션을 통해 잡음이 제거된 자료에 대해 스위트니스 속성을 계산한 결과이다. 잡음의영향이 억제되어 음향 공백대가 비교적 낮은 진폭으로일관성있게 나타나지만 여전히 잡음의 영향이 남은 것을확인할 수 있다. Fig. 8c는 DSMF 결과에 스위트니스 속성을 적용한 결과이다. 낮은 진폭의 음향 공백대가 잘 드러나있지만 에너지 속성과 유사하게 명점의 진폭이 감소한 것을 볼 수 있다. Noise2Noise 결과에 스위트니스 속성을 적용한 결과인 Fig. 8d에서는 명점이 잘 나타나 있지만 명점 왼쪽 부분 해저면 직하부에 강한 진폭을 가진반사면이 나타나는 것을 볼 수 있다. 이는 Noise2Noise 기반의 잡음 제거 방법이 강한 진폭을 가진 해저면 및그 주변부에 대한 진폭을 왜곡시켰기 때문에 발생한 현상으로 보인다. DnCNN 결과(Fig. 8e)에 대한 스위트니스 속성은 DSMF 결과보다 잡음에 더 많은 영향을 받아명점이 아닌 위치에서도 강한 진폭이 나타나며 명점 하부의 음향 공백대가 상대적으로 명확하지 않다. 반면 명점의 경우 DnCNN 결과에서 가장 명확히 드러남을 확인할 수 있다. DSMF 결과의 명점보다 더 강한 진폭으로계산되었으며, 잡음 제거 전 및 FX 디콘볼루션 결과의명점보다 뚜렷한 경계를 가진다.

Figure 8. The sweetness attribute result (a) before noise attenuation and after applying (b) FX deconvolution, (c) DSMF, (d) Noise2Noise, (e) DnCNN.

5.2.3. 유사도 속성

유사도 속성은 이웃한 탄성파 트레이스 간 서로 유사한 정도를 정량화한 탄성파 속성으로 지층 가스로 인한음향 공백대 또는 단층 등 불연속적인 반사면이 존재하는 위치에서 낮은 값을 가진다. 본 연구에서는 무작위 잡음에 대한 영향을 합리적으로 감소시킬 수 있는 개선된유사도 속성을 활용하였으며 탄성파 무작위 잡음 제거전후의 자료에 대한 개선된 유사도 속성 적용 결과는Fig. 9에 나열되어 있다. 잡음 제거 전 자료에 대한 유사도 속성(Fig. 9a)에서는 낮은 유사도를 가지는 영역이 넓게 분포하는 것을 확인할 수 있다. 이는 무작위 잡음의존재로 인해 인접한 트레이스 간 유사도가 낮아졌기 때문으로 판단된다. FX 디콘볼루션으로 잡음이 제거된 자료에 대한 유사도 속성 적용 결과(Fig. 9b)에서는 낮은 유사도를 가지는 영역이 줄어들었으며 음향 공백대에 또한실제 음향 공백대의 범위와 유사하게 나타난다. 하지만여전히 단층 및 음향 공백대와 연관성이 낮은 부분에서낮은 유사도 값이 분포한다. DSMF는 반사면의 연속성을 높이며 잡음을 제거하는 효과를 가지기 때문에 낮은유사도 영역이 크게 줄어든 것을 볼 수 있다(Fig. 9c). 또한 음향 공백대와 복잡한 단층 영역에서는 유사도 값이 다른 영역에 비해 낮게 계산되어 불연속적인 영역을 적절히 드러내고 있다. 하지만 반사면의 연속성이 높아지는 방향으로 필터가 적용되었기 때문에 낮은 유사도 값이 분포하는 영역이 다른 방법들에 비해 뚜렷하지 않으며 크로스-라인 470 지점 하부의 정단층은 유사도 결과에서 수직적인 연결성이 낮아 단층 여부를 명확히 판단하기 어렵다. Noise2Noise 결과에 대한 유사도 속성(Fig. 9d)은 음향 공백대 및 복잡한 단층 영역이 매우 뚜렷하게나타나며 잡음으로 인한 낮은 유사도 값의 계산되는 영역이 상당부분 억제된 것을 볼 수 있다. 하지만 가스 분포 및 단층과는 연관성이 낮은 크로스-라인 0~50, 시간 100~300 ms 영역 및 크로스-라인 400~500, 시간 100~300 ms 영역에서도 낮은 유사도가 계산되어 해석의 불확실성을 높이고 있다. Fig. 9e는 DnCNN 결과에 적용한 유사도 속성이며 음향 공백대, 복잡한 단층 영역, 정단층지점 에서 낮은 유사도가 적절히 계산된 것을 볼 수 있다. 또한 DSMF 결과에 비해 음향 공백대 및 단층에서의낮은 유사도 영역이 더 명확히 나타난다. 가스 분포 및단층과 관련이 없는 곳에 분포하는 낮은 유사도 영역도Noise2Noise 결과에 비해 상대적으로 줄어들었지만 잘못된 지층 해석을 도출할 수 있는 낮은 유사도 영역이 여전히 존재한다.

Figure 9. The similarity attribute result (a) before noise attenuation and after applying (b) FX deconvolution, (c) DSMF, (d) Noise2Noise, (e) DnCNN.

6.1. 잡음 제거 방법 비교

본 연구에서는 4가지의 대표적인 탄성파 무작위 잡음 제거 방법을 통해 3차원 고해상 탄성파 자료의 무작위잡음을 제거한 후 탄성파 속성을 적용하여 지층 가스 분포를 도출하고자 하였다. 일반적으로 탄성파 자료의 잡음을 제거할 때 잡음 제거 알고리듬의 적용 난도, 계산량, 잡음 제거 수준, 신호 왜곡 정도와 같은 요소가 고려되므로 본 연구에서도 각 잡음 제거 방법을 적용 난도, 계산량, 잡음 제거 수준, 신호 왜곡 측면에서 비교하고 어떤 잡음 제거 방법이 가장 효과적인지 확인해보고자 한다.우선 적용 난도의 경우 FX 디콘볼루션이 가장 낮다. FX 디콘볼루션은 주파수-공간 영역에서 단일 주파수 신호의 주기성을 이용하여 신호와 잡음을 분리하기 때문에주파수-공간 영역으로의 변환 과정, 신호의 주기성 예측과정이 필요하다. 주파수-공간 영역으로의 변환은 푸리에변환을 통해, 신호의 주기성 예측은 위너-레빈슨 필터(wiener-levinson filter) 등을 설계하여 수행할 수 있으므로 적용 과정이 간단하다. 또한 대부분의 상용 소프트웨어에서도 FX 디콘볼루션을 지원하므로 적용 난도는 매우 낮다. DSMF는 반사면의 경사도를 계산하는 과정과필터를 적용하는 과정으로 구성되어 있다. 반사면의 경사도는 특정 위치를 중심으로 설정된 영역에서 인접한반사파 간의 경사가 얼마인지를 계산하는 방식으로 수행되며, 계산된 경사도를 바탕으로 3차원의 중간 값 필터를 설계하고 적용하게 된다. DSMF는 반사면의 경사 계산을 위해 샘블란스(semblance)를 계산해야 하며 경사도가 반영된 3차원 중간 값 필터를 설계해야 한다는 점에서 FX 디콘볼루션에 비해서 적용 난도가 높다고 평가할수 있다. Noise2Noise는 비지도 학습 기반의 잡음 제거방법으로 적용을 위해서는 탄성파 자료 가공을 통한 학습 자료 구축, 인공 신경망 설계, 모델 학습 과정이 필요하다. 학습 자료 구축은 단순히 공통 중간점 번호를 기준으로 탄성파 자료를 입력 자료 및 대상 자료로 구분하면 되지만 인공 신경망 설계와 모델 학습은 다양한 변수들이 존재하므로 최적의 변수를 찾기 위해 시행착오를거쳐야 한다. 또한 FX 디콘볼루션 및 DSMF와는 달리Noise2Noise를 통한 잡음 제거는 상용 프로그램을 활용하기 어렵기 때문에 모든 과정을 직접 프로그래밍 해야한다는 단점이 있다. DnCNN은 지도 학습 기반의 잡음제거 방법이므로 적절한 학습 자료 구축이 매우 중요하다. 학습 자료 구축을 위해서는 대상 자료에 포함된 잡음과 동일한 특성을 가진 잡음 자료가 필요하며 잡음 자료 획득에 추가적인 과정이 필요하다는 점에서 적용 난도가 높다고 볼 수 있다. 특히 자료를 통해 직접 잡음을추출하기 어려운 경우에는 본 연구에서 제안된 방식대로비지도 학습을 통해 잡음을 추출한 후 학습 자료를 구축해야하는 복잡한 과정이 필요하므로 다른 잡음 제거 방법들에 비해 높은 적용 난도를 가진다. 또한 인공 신경망 설계 및 학습 단계의 최적화 문제와 상용 프로그램의활용이 불가능하다는 문제는 DnCNN 적용 난도를 높이는 요인으로 작용한다.

계산량은 탄성파 자료 처리에서 중요한 요인 중 하나이며 계산량과 자료 처리 결과의 품질 사이 적절한 타협점을 찾는 것이 효율적인 탄성파 자료 처리의 기본 조건이다. 본 연구에서 적용한 잡음 제거 방법들은 사용하는계산 자원에 차이가 있어 계산량을 직접적으로 비교하기는 어렵다. 따라서 각 잡음 제거 방법들을 적용하기 위해 일반적으로 사용되는 계산 자원을 바탕으로 잡음 제거에 필요한 총 시간을 도출하여 계산량을 간접적으로비교해보고자 한다.

FX 디콘볼루션은 일반적으로 CPU 기반으로 잡음 제거를 수행하며 본 연구에서는 Intel(R) Xeon(R) Gold 5220R CPU 1개를 활용하였다. 248개 인-라인 자료로 구성된 포항 영일만 고해상 탄성파 탐사 자료 전체에 FX 디콘볼루션을 적용할 경우 총 계산 시간은 1분 24초로 매우 짧다. DSMF 또한 Intel(R) Xeon(R) Gold 5220R CPU 1개를 이용하여 잡음 제거를 수행하였으며 전체 자료 적용에는 2시간 9분 18초가 소모되었다. 각 단계로 나누어 보면, 경사도를 계산하는 단계는 53초로 매우 짧은 계산 시간이 필요했으나 중간 값 필터 적용 단계에서 2시간 8분25초가 소모되어 전체 소모 시간의 대부분이 중간 값 필터 적용 단계에 필요한 것을 볼 수 있다. Noise2Noise를이용한 잡음 제거를 위해서는 학습 자료 생성, 모델 학습, 학습된 모델 적용 과정이 필요하며 학습 자료 생성은 Intel(R) Xeon(R) Gold 5220R CPU 1개, 모델 학습 및학습된 모델 적용은 NVIDIA RTX A5000 GPU 1개가 사용되었다. 학습 자료 생성에는 6초, 모델 학습은 총 30번반복 학습에 1시간 20분 48초, 학습된 모델 적용에 39초가 소요되어 총 소요 시간은 1시간 21분 33초이다. 학습자료 생성과 학습된 모델 적용에 매우 짧은 시간이 필요하였으나 모델 학습 단계에서 전체의 99 %에 해당하는시간이 필요하였다. DnCNN을 이용한 잡음 제거는Noise2Noise를 이용한 잡음 추출 및 학습 자료 구축, 모델 학습, 학습된 모델 적용 단계로 구성되어 있으며 사용한 CPU 및 GPU 장비는 Noise2Noise를 이용한 잡음제거와 동일하다. 잡음 자료 구축과 학습 자료 구축에는총 1시간 21분 37초, 모델 학습에는 1시간 22분 24초, 학습된 모델 적용에는 47초가 소모되어 잡음 제거에 필요한 총 시간은 2시간 44분 1초이다. 모델 학습에 필요한시간은 DnCNN과 Noise2Noise가 유사하였으나 본 자료의 경우 잡음 자료 추출에 비지도학습을 활용 하였으므로 학습 자료 구축에 많은 시간이 소모되었다. 만약 취득된 자료에서 직접 잡음 자료를 구축할 수 있다면 학습자료 구축에 필요한 시간을 줄일 수 있을 것이며 총 소모 시간 또한 감소될 것이다. 요약하면, FX 디콘볼루션이 가장 낮은 계산량을 가지며 Noise2Noise, DSMF, DnCNN 순서로 계산량이 증가한다. 본 연구에서 FX 디콘볼루션은 2차원의 인-라인 자료에 대해 각각 잡음 제거를 수행하였기 때문에 낮은 계산량만을 활용하여 잡음제거를 수행할 수 있었지만 Noise2Noise와 DnCNN은 모델 학습이 충분히 수행될 때까지 반복 계산이 필수적이므로 상대적으로 높은 계산량이 필요했다. DSMF는 FX디콘볼루션, Noise2Noise, DnCNN과는 달리 3차원 구조정보를 이용한 잡음 제거 방법으로 3차원 공간에 대한필터 적용에 많은 시간이 필요하여 계산량이 높았다.

탄성파 자료의 잡음 수준에 대한 평가는 신호 대 잡음비(signal to noise ratio)를 이용하는 것이 일반적이며 본연구에서도 Eq. (5)를 이용하여(Holbrook et al., 2013) 3차원 자료 전체에 대해 평균 신호 대 잡음 비를 계산하였다.

$$\text{S/N}=\sqrt{\frac{\left|c\right|}{\left|a-c\right|}.}$$(5)

a는 탄성파 트레이스의 영 지연 자기상관이며 c는 인접한 두 탄성파 트레이스 간 상호상관의 최대 값이다. 인접한 트레이스 간 신호는 유사하지만 무작위 잡음의 특성이 다르다는 특성을 이용한 방법으로 잡음의 수준이낮다면 인접한 트레이스 간 상호상관 값이 커지기 때문에 신호 대 잡음비가 커진다.

잡음 제거 전의 자료는 신호 대 잡음 비가 4.35로 낮지만 FX 디콘볼루션 적용 결과는 6.97, DSMF 적용 결과는 11.28, Noise2Noise 적용 결과는 7.66, DnCNN 적용 결과는 10.25의 값을 보인다. DSMF 적용 결과가 가장 높은 신호 대 잡음 비를 가지며 DnCNN 적용 결과는DSMF 적용 결과와 유사하지만 조금 더 낮은 신호 대 잡음 비를 보인다. Fig. 6에 도시된 예측된 잡음에서는 DnCNN이 DSMF에 비해 무작위 잡음 예측 성능이 더 우수한 것으로 보이지만 정량적으로 계산된 신호 대 잡음비에서는DSMF의 결과가 더 우수한 것으로 나타난다. Eq. (5)는인접 트레이스와의 유사도 정보에 기반하여 신호 대 잡음비를 계산하기 때문에 신호의 왜곡 정도에 대한 요소는 고려하지 않는다. 만약 잡음 제거 과정 중 평활화 등의 효과로 인해 인접 트레이스 간 유사도가 높아지는 방향으로 신호의 왜곡이 발생한다면 잡음 제거가 올바르게수행되지 않았음에도 불구하고 신호 대 잡음비가 커지는한계가 존재한다. 따라서 DSMF의 높은 신호 대 잡음비는 DSMF가 양호한 잡음 제거 성능을 가졌다는 점과DSMF가 잡음 제거 과정 중에 인접 트레이스 간 유사성을 높이는 방향으로 신호를 왜곡시킬 수 있다는 특성이함께 작용한 결과로 판단된다.

마지막으로 신호의 왜곡 측면에서 결과를 비교하기 위해서는 구조적 유사 지수(structural similarity index)와 같은 정량적인 수치를 활용하는 것이 합리적이나, 본 자료는 현장 자료이므로 잡음이 전혀 없는 정답 자료가 존재하지 않는다. 따라서 Fig. 6에 도시된 예측된 잡음과 Fig. 10의 주파수 스펙트럼을 통해서 신호의 왜곡 정도를 정성적으로 비교하고자 한다. FX 디콘볼루션 결과(Fig. 6b)에서 해저면을 포함한 일부 반사면들이 잡음으로 예측된것을 볼 수 있으나 그 정도가 심하지는 않다. 반면 DSMF결과(Fig. 6d)에서는 더 많은 반사면들이 잡음으로 예측된 것을 볼 수 있으며 명점도 예측된 잡음에서 강한 진폭으로 나타난다. 이는 잡음 제거를 통해 신호의 왜곡이발생하였으며 지층 가스의 중요 지시자 중 하나인 명점의 정보가 훼손되었음을 의미한다. Noise2Noise 결과 (Fig. 6f)에서는 지층 반사면이 거의 관측되지 않지만 해저면과 명점이 강하게 나타나고 있어, Noise2Noise가 잡음 특성을 잘 예측하는 반면 중요 신호들을 왜곡 시킬수 있음을 알 수 있다. DnCNN 결과(Fig. 6h)는 무작위잡음을 잘 예측하고 있으며 중요 반사면, 명점, 해저면등의 신호가 예측된 잡음에서 관찰되지 않는 것으로 보아 신호의 왜곡이 가장 낮다고 판단할 수 있다. 잡음 제거 전후의 89번째 인-라인 구조보정 단면에 대한 탄성파스펙트럼에서는 FX 디콘볼루션과 DnCNN의 경우 잡음제거 전의 주파수 스펙트럼과 비교했을 때 유의미한 차이가 관찰되지 않는다. FX 디콘볼루션은 잡음을 충분히제거하지 못하였으므로 신호의 변화 정도가 작았기 때문에 주파수 스펙트럼의 변화가 작았으며, DnCNN은 무작위한 잡음의 특성을 잘 예측하고 제거했기 때문에 전체주파수 스펙트럼의 왜곡을 최소화 하였다고 추정할 수있다. 하지만 DSMF의 경우 250 Hz 이상의 고주파수 부분에서 진폭 감쇠를 확인할 수 있으며, 이로 인해 잡음제거 결과에 신호 왜곡이 발생한 것으로 보인다. Noise2Noise는 주파수 정보 왜곡이 가장 심했으며 특히저주파수 신호의 왜곡이 심한 것을 확인할 수 있다. 이는 Fig. 6f에서 확인할 수 있듯이 Noise2Noise가 해저면반사 신호를 크게 왜곡시켰기 때문으로 추정된다.

Figure 10. The frequency spectrum of the 89^th inline poststack seismic section before and after noise attenuation.

무작위 잡음 제거 방법에 대한 분석 결과는 Table 1에제시되어 있다. 결과에 대한 종합적인 분석을 통해 계산비용과 적용 난도는 FX 디콘볼루션이 가장 낮지만 잡음제거 성능 측면에서는 DSMF가 가장 높은 신호 대 잡음비를 보여주며 신호 왜곡 정도는 DnCNN이 가장 낮은것을 확인할 수 있다. 잡음 제거 성능 비교에서의 중요도는 잡음 제거 수준과 신호 왜곡 정도가 계산량과 적용난도보다 높다고 판단된다. 따라서 높은 잡음 제거 수준과 낮은 신호 왜곡 정도를 보인 DnCNN와 가장 우수한잡음 제거 수준을 보인 DSMF가 효과적인 잡음 제거 방법이라고 결론 내릴 수 있다. 하지만 본 연구에서는 탄성파 속성의 정확도를 향상시키기 위한 목적으로 무작위잡음 제거를 수행하였으므로 탄성파 속성 적용 결과를함께 분석하여 적합한 잡음 제거 방법을 제시하는 것이합리적일 것이다.

Table 1 . Comparison of the four types of denoising method.

	Application difficulty	Computation time	Signal to Noise ratio	Signal distortion
FX deconvolution	Low	1m 24s	6.97	Medium
DSMF	Medium	2h 9m 18s	11.28	High
Noise2Noise	High	1h 21 33s	7.66	High
DnCNN	High	2h 44m 1s	10.25	Low

6.2. 탄성파 속성 적용 결과 비교

탄성파 무작위 잡음 제거 결과에 대해 에너지 속성, 스위트니스 속성, 유사도 속성을 적용한 결과는 Figs. 7-9에 각각 제시되어 있다. 탄성파 속성 적용 결과들에 나타나는 특성들을 지층 가스 분포 파악 측면에서 비교해보면 진폭 정보를 활용하는 에너지 속성과 스위트니스속성에서 DSMF 결과가 가장 큰 진폭 왜곡을 보여주고있으며 DnCNN이 가장 낮은 왜곡 정도를 보여주고 있다. FX 디콘볼루션은 잡음 제거 수준이 낮아 명점의 형태가명확하지 않은 문제를 가지고 있으며 Noise2Noise는 명점을 명확히 드러내고 있으나 남은 잡음들이 탄성파 속성 분석 결과에 영향을 주고 있다. 유사도 속성에서는 높은 잡음 제거 수준과 반사면의 연속성 향상으로 인해DSMF의 결과가 지층 가스 분포와 관련이 있는 음향 공백대를 잘 드러내 주고 있으며 지층 가스 분포와 관련성이 낮은 위치에서는 높은 유사도 지수를 보여주고 있다.진폭 정보를 이용하는 탄성파 속성 분석 결과에서 가장이상적인 결과를 보여준 DnCNN의 경우 음향 공백대를잘 감지하고 있지만, 가스 분포와 관련성이 낮은 위치에서도 낮은 유사도 값을 도출하는 오류를 포함하고 있다. FX 디콘볼루션과 Noise2Noise 결과는 낮은 잡음 제거 수준으로 인해 인접 트레이스 간 유사도가 전반적으로 낮게 계산되어 가스 분포와 관련된 위치를 정확히 제공하기 어렵다는 한계를 가진다.

탄성파 잡음 제거 결과와 탄성파 속성 제거 결과를 통해 DSMF와 DnCNN이 전반적으로 합리적인 잡음 제거성능 및 탄성파 속성 분석 결과를 도출함을 알 수 있다.하지만 한 가지의 탄성파 잡음 제거 방법이 모든 측면에서 다른 방법들에 비해 우수하지는 않으며, 탄성파 속성의 종류에 따라 적합한 잡음 제거 방법이 서로 다른 것을 확인할 수 있다. 따라서 적용하고자 하는 탄성파 속성의 특성과 잡음 제거를 위한 주변 조건에 맞는 적합한잡음 제거 방법을 선택하는 것이 가장 합리적일 것이다.만약 적용하고자 하는 탄성파 속성이 진폭 정보 기반이라면 DnCNN과 같이 잡음 제거 성능이 우수하면서 신호의 왜곡을 최소화 시킬 수 있는 방법이 적합할 것이며,적용하고자 하는 탄성파 속성이 트레이스 간 유사성을 활용하거나 보유한 계산 자원이 충분하지 않은 경우DSMF와 같이 잡음 제거 성능이 우수하며 적용이 비교적 간단한 방법이 적합할 것이다. 탄성파 자료는 각 자료마다 취득 환경이 다르며 잡음의 특성도 다르기 때문에 모든 탄성파 자료에 대해 DSMF 또는 DnCNN을 적용하는 것이 가장 이상적이라고 결론 내리기는 어렵다.예를 들어 잡음이 수준이 매우 낮은 자료라면 계산 효율이 높은 FX 디콘볼루션을 적용하는 것이 가장 합리적일수 있으며 지층 구조가 매우 복합한 지역이라면 DSMF결과의 신뢰도가 매우 하락할 것이다. 하지만 적용 난도,계산량, 잡음 제거 성능, 신호 왜곡과 같은 요소들은 각잡음 제거 방법 고유의 알고리듬 특성과 직접적으로 연관 되어 있으므로 본 연구에서 수행한 분석 결과가 일반적으로 적용될 수 있을 것이며 탄성파 속성 분석 전 잡음 제거 방법 선택의 판단 기준으로 활용될 수 있을 것이다.

탄성파 속성 분석은 탄성파 자료를 통해 지층 내 존재하는 다양한 지질학적 특성을 이해하고 해석하는데 정량적인 근거를 제시해주는 중요한 방법이다. 하지만 대부분의 탄성파 속성 분석은 탄성파 구조보정 자료의 반사면 연속성, 신호 대 잡음 비 등 자료의 품질에 큰 영향을받기 때문에 탄성파 속성 분석 전 탄성파 구조보정 자료의 품질 향상이 선행되어야 한다. 본 연구에서는 지층 가스 분포 도출에 적합한 탄성파 속성 분석의 정확도를 향상시키고자 탄성파 속성 분석 적용 전 자료에 대해 다양한 무작위 잡음 제거 방법들을 적용하고 비교하였다. 기존의 무작위 잡음 제거 알고리듬인 FX 디콘볼루션과DSMF, 기계학습 기반 무작위 잡음 제거 알고리듬인Noise2Noise와 DnCNN을 포항 영일만 고해상 3차원 탄성파 구조보정 자료에 적용하여 무작위 잡음을 제거하였다. 그리고 잡음 제거 결과에 지층 가스 분포 도출에 널리 사용되는 에너지, 스위트니스, 유사도 속성을 적용한후 각 잡음 제거 알고리듬의 특성과 효과를 정성 및 정량적으로 분석하였다.

적용 난도와 계산 효율 측면에서는 FX 디콘볼루션이가장 우수하였으나 잡음 제거 성능이 충분히 높지 않아잡음 제거 후에도 여전히 낮은 신호 대 잡음 비를 보이며 탄성파 속성 분석 결과도 잡음의 영향이 크게 존재하는 것으로 확인되었다. 잡음 제거 성능은 DSMF가 가장높았으며 우수한 잡음 제거 성능 덕분에 유사도 속성 결과에서 지층 가스와 관련 없는 곳은 높은 유사도 값이,음향 공백대는 낮은 유사도 값이 적절히 도출되었다. 하지만 DSMF는 인접 트레이스 간 연속성을 높이는 방향으로 필터를 설계하고 적용하므로 명점과 같은 주요 반사면의 진폭 값을 왜곡하거나 일부 단층 및 음향 공백대와 같은 불연속 구조를 과소평가하는 경향을 보였다. 기계학습 기반의 Noise2Noise와 DnCNN은 적용 난도가 높으며 계산량이 크지만 잡음 특성을 효과적으로 학습한다는 특징이 있다. 특히 Noise2Noise는 추가적인 학습 자료 구축 없어도 잡음 특성을 적절히 학습할 수 있다는장점이 있지만 진폭 왜곡이 발생하며 잡음 제거 수준을조정하기 어렵다는 한계가 있어 모든 탄성파 속성 분석결과에서 가스 도출 정확도가 낮았다. DnCNN은 학습 자료 구축에 추가적인 계산량이 필요하지만 자료의 왜곡을최소화 하며 성공적으로 잡음을 제거하였으며 진폭 기반의 탄성파 속성에서 우수한 결과를 도출하였다. 하지만유사도 속성 결과에서는 여전히 지층 가스 및 단층과 관련 없는 곳에서 낮은 유사도가 계산된 부분이 발견되었다.

무작위 잡음 제거 알고리듬을 적용하기 전의 자료에 대한 탄성파 속성 분석 결과에서는 강한 잡음의 영향으로인해 가스 분포 해석이 왜곡될 여지가 있었다. 반면 적절한 잡음 제거가 수행 된 자료에 대한 탄성파 속성 분석 적용 결과는 지층 가스 분포를 더 정확히 도출하였다.하지만 잡음 제거 알고리듬마다 적용 난도, 계산량, 잡음제거 수준, 자료 왜곡 정도가 상이하며 잡음 제거 수준및 자료 왜곡 정도에 따라 탄성파 속성 분석을 통한 가스 분포 도출 정확도가 다르다는 것을 확인하였다. 따라서 분석하고자 하는 지질학적 구조, 적용하고자 하는 탄성파 속성의 특성, 보유하고 있는 계산 자원 등에 따라적합한 잡음 제거 알고리듬을 선정해야 함을 알 수 있다.

본 연구에서는 일부의 탄성파 속성에 대해서만 분석을수행하였지만 많은 탄성파 속성들이 진폭이나 유사도 정보에 기반하고 있다는 사실과 널리 사용되는 탄성파 무작위 잡음 제거 알고리듬의 특성을 탄성파 속성과 연계하여 종합적으로 분석하였다는 점에서 본 연구의 결과는시사하는 바가 크다. 또한 탄성파 속성 분석의 중요성이점차 증대되고 있는 현 시점에서 탄성파 속성 분석의 적용성 향상을 위해서는 두 가지 방향으로 추가 연구가 필요하다.

우선가스 분포뿐만 아니라 지층 내 단층 및 균열 탐지,층서 경계 구분, 하도 분포 등에 적합한 탄성파 속성과잡음 제거 방법에 대한 추가 연구가 수행되어야 할 것이다. 그리고 탄성파 무작위 잡음 제거 측면에서의 성능 향상이 필요하다. 특히 본 연구에서는 DSMF만 3차원 탄성파 자료에서 직접 잡음을 제거하였으며, 계산량의 한계로 인해 Noise2Noise 및 DnCNN은 2차원의 인-라인자료 각각에 대해 모델 학습 및 적용이 수행되었다. 향후 모델 고도화와 계산 효율 증대를 통해 3차원 탄성파 자료로부터 직접 잡음 특성 학습 및 잡음 제거가 수행된다면, 정확한 탄성파 속성 분석에 크게 기여할 수 있을것으로 기대된다.

이 논문은 2021학년도 경북대학교 신임교수정착연구비에 의하여 연구되었음. 본 연구에 사용된 자료는 한국지질자원연구원으로부터 제공받았음.