[发明专利]一种机器学习框架下高维特征约束的初至拾取方法及系统

说明书

本发明涉及一种机器学习框架下高维特征约束的初至拾取方法及系统，其特征在于，包括以下步骤：1)获取地震数据，并对地震数据进行预处理，得到地震数据的若干地震特征；2)将得到的若干地震特征作为样本输入至预先构建的改进度量方式的模糊聚类算法框架中，对地震数据的地震特征进行筛选，使得地震数据中提取的若干地震特征自动分为初至走时和非初至走时两类，完成地震初至走时的拾取，本发明可以广泛应用于地震勘探领域中。

技术领域

本发明是关于一种机器学习框架下高维特征约束的初至拾取方法及系统，属于地震勘探领域。

背景技术

走时的拾取是地震数据处理的重要一步，在层析成像、静校正、速度分析、AVO分析和地质解释中起着重要的作用，许多地球物理学家均提出了算法，用以进行走时的拾取，这些方法均有各自的优缺点和适用范围。因此，走时自动拾取方法的研究有其现实意义，算法的稳定性和准确性在经济上具有重要价值。

传统走时拾取方法大体可分为滑动时窗法和相干法(Molyneux和Schmitt，1999)两类。在滑动时窗方法中，地震信号序列其属性在连续或重叠的移动窗口中计算，相干类方法依赖于使用一些相似度测量方法比较单个或多个波形，同时，近几年来，由于人工智能的迅猛发展，机器学习算法在地球物理勘探领域的应用越来越广泛。鉴于传统走时拾取方法大多是以单道或两道为基础的处理思路，随着地震数据量的日益增大，孤立的讨论单道的地震事件提取而忽视数据的横向空间连续性，这样没有充分的利用数据的特征信息。因此，考虑如何在机器学习框架下引入高维地震数据特征约束，增强走时拾取的自动化能力，提升走时拾取的精度是很有必要的。

发明内容

针对上述问题，本发明的目的是提供一种能够增强走时拾取的自动化能力和提升走时拾取精度的机器学习框架下高维特征约束的初至拾取方法及系统。

为实现上述目的，本发明采取以下技术方案：一种机器学习框架下高维特征约束的初至拾取方法，其特征在于，包括以下步骤：1)获取地震数据，并对地震数据进行预处理，得到地震数据的若干地震特征；2)将得到的若干地震特征作为样本输入至预先构建的改进度量方式的模糊聚类算法框架中，对地震数据的地震特征进行筛选，使得地震数据中提取的若干地震特征自动分为初至走时和非初至走时两类，完成地震初至走时的拾取。

进一步地，所述地震特征包括能量特征、瞬时走时特征和/或基于图像分割的高维走时特征。

进一步地，所述能量特征为：

其中，E(a)为能量特征，d为地震数据，a为某一采样点，w为时窗大小，E(a)为地震数据中第a点的能量。

进一步地，所述瞬时走时特征为：

其中，ω为角频率，Δω为频率采样间隔，ω_max为最大频率，ω_min为最小频率，T(t,ω)为瞬时走时的时频表征，且：

其中，H(t,ω)为地震数据h(t)的时频变换。

进一步地，所述基于图像分割的高维走时特征的具体获取过程为：①通过下述公式将地震数据转化为灰度图：

D₂(x,t)＝|D(x,t)|

其中，D为地震数据的二维表示，x为地震道数，t为地震数据的纵向采样时间；

②采用高斯滤波器，对灰度图D₂(x,t)进行高斯平滑处理；③基于一阶差分，获取高斯平滑结果中每一点梯度的幅度和方向，得到灰度图中每一点的边缘强度和法向矢量；④采用非极大值，根据灰度图中每一点的边缘强度和法向矢量，确定灰度图的边缘点；⑤采用双阈值算法，连接各边缘点，得到初至走时基于图像分割的高维特征。