CN102928877B - 基于d-s证据理论的地震属性融合方法 - Google Patents

Abstract

本发明提供一种基于D-S证据理论的地震属性融合方法。根据本发明的示例性实施例的基于D-S证据理论的地震多属性融合方法，通过对源属性数据进行特征提取，构造证据以获得基本概率值，将基本概率值在D-S证据理论指导下进行融合得到融合后的概率值并将其作为加权系数，进而将属性数据各部分小块与加权数相结合从而实现多种地震属性的融合。因此，解决了利用单一地震属性信息解释复杂地质问题时单一地震属性信息所带来的多解性问题。

Description

基于D-S证据理论的地震属性融合方法

技术领域

本发明的示例性实施例通常涉及地球物理测井、油气资源勘探领域，尤其涉及一种运用D-S证据理论来实现地震多属性融合的方法。

背景技术

近年来，地震属性技术发展迅速，已广泛应用于地层分析、油藏特征描述以及油藏动态检测等各个领域，成为了油藏地球物理的核心部分。地下任何地质体及其性质的变化都将引起地震属性的变化，因此，利用地震属性进行储层预测，乃至流体识别仍然具有很大的应用前景。地震属性也从早期的振幅属性发展到目前常用的数百种。由于单一的地震属性往往受观测条件、测量精度、地质的复杂性、主观因素、采集和处理过程中引起的多解性等因素的影响，因此可靠性有待提高，因此，需要寻找一种方法，来克服诸如多解性等因素导致的问题，以为降低油气勘探开发风险做出科学合理的指导。

地震属性融合就是通过利用地震资料中的多种单一属性，用相应的、适合探区地震地质条件的数学关系将它们组合起来，来形成能反映储集层特性、反映油气显示为主的综合信息的地震属性。这样的多属性融合可以说是一种多属性信息融合。信息融合是多传感器系统的信息获取、加工和综合的主要手段，是智能信息处理系统的关键核心技术。它的基本任务是对来自不同传感器的信息流进行综合，以形成一个监视和控制环境的较高特征的智能模型，它的研究水平直接决定了信息综合系统的性能。较早而且也是比较简单的地震多属性融合方法是加权融合法。该方法特点在于实现简单，适合实时处理，并因此被广泛地应用于工程项目中。该方法的基本原理是给要融合的n个地震属性分别赋予一个权值a_i(其中，i＝1、2、……、n)，这些权值还满足0<a_i<1，且然后，把与对应权值相乘之后的所有属性加和，得到一个融合的属性。加权融合虽然能得到融合的属性，但是由于融合的权重因子很难通过算法算出，往往需要先验经验和人为干预，即需要预先确定优势属性，而这样会使融合结果比较粗糙，精度不高，因而影响储层预测工作的开展。当原始图像之间的灰度差异很大时，就会出现明显的拼接痕迹，不利于人眼识别。

地震多属性融合的方法还有很多，除了加权融合外，还有主成分分析(PCA)法、小波多分辨分析法、人工神经网络法和RGBA彩色融合法等属性融合的方法。尽管上述的有些融合方法应用已经较为成熟，但是在某些应用中依然存在一些缺陷，例如上面针对加权融合所描述的。地震多属性融合技术作为目前国内外许多石油公司及科研机构的研究热点之一，尚需要不断拓展新融合方法，以建立有效的融合方法模型和研究相应的算法。

发明内容

本发明的示例性实施例的目的在于克服现有技术中的上述的和/或其他的问题。因此，本发明的示例性实施例提供了一种基于D-S证据理论的地震属性融合方法，通过将多种地震属性融合，以达到在快速实现属性融合的同时，有效提高地质岩性信息的准确性、进而有效地提高对储层空间展布形态、分布范围和储层岩石物理特征参数的描述与预测。

根据本发明的示例性实施例，提供了一种基于D-S证据理论的地震属性融合方法，所述方法包括下述步骤：步骤A、导入待融合的地震属性；步骤B、对导入的地震属性的各幅值分别进行归一化处理；步骤C、确定用于识别数据的识别框架；步骤D、利用确定的识别框架来描述每个属性数据；步骤E、将每个属性数据进行分块，以对每个属性数据的各个块构造证据体；步骤F、分别计算单证据体作用下识别框架中各命题的信度区间；步骤G、利用D-S合成规则计算所有证据体联合作用下的基本概率赋值和信度区间；步骤H、将D-S融合后的概率值作为加权系数，与属性相结合，从而实现地震属性的融合。

在步骤B，可以通过下式进行归一化处理：

${\tilde{X}}_i=\frac{X_i-\min \left(X_i\right)}{\max \left(X_i\right)-\min \left(X_i\right)}---\left(1\right)$

在式(1)中，X_i为第i种属性的幅值，为第i种属性归一化处理后的幅值。

待融合的地震属性可以为均方根振幅地震属性和相干体切片地震属性。在步骤C，可以确定识别框架，以利用熵、平均梯度、点锐度来识别属性数据。

在步骤D，可以通过下述算法来描述每个属性数据：

基于熵值的评价算法

H＝-∑p_ilnp_i(2)

在式(2)中，p_i为灰度值等于i的像素数与图像总像素数之比，ln为自然对数。

基于平均梯度的评价算法：

$\begin{array}{c}GMG=\frac{1}{(M-1)(N-1)}\underset{i=1}{\overset{M-1}{\&Sigma;}}\underset{j=1}{\overset{N-1}{\&Sigma;}}\sqrt{\frac{{\mathrm{\&Delta;I}}_x^2+{\mathrm{\&Delta;I}}_y^2}{2}}\\ =\frac{1}{(M-1)(N-1)}\underset{i=1}{\overset{M-1}{\&Sigma;}}\underset{j=1}{\overset{N-1}{\&Sigma;}}\sqrt{\frac{{\&lsqb;g(i,j+1)-g(i,j)\&rsqb;}^2+{\&lsqb;g(i+1,j)-g(i,j)\&rsqb;}^2}{2}}\end{array}---\left(3\right)$

在式(3)中，M和N为图像的长度和宽度，g(i,j)为图像在(i,j)点的像素值。

基于点锐度的评价算法：

$P=\frac{\underset{i=1}{\overset{m\&times;n}{\&Sigma;}}\underset{a=1}{\overset{8}{\&Sigma;}}|df/dx|}{m\&times;n}---\left(4\right)$

在式(4)中，m、n为图像的长和宽，df为灰度变化幅值，dx为像元间的距离增量。

在步骤E，可以将每个属性数据等分成n×m块，可以将对每个属性数据的各个块用熵、平均梯度、点锐度来评价所得到三个评价因子作为一个证据体。

在步骤F，可以将每个属性相同位置的块的证据体的值分别排序，可以以最小的值作为标准，根据证据体评价因子的值分别赋予概率值。

在步骤F，可以将属性数据评判为好，较好，一般这三档，并可以对应地赋予概率值0.6、0.4、0.2。

在步骤F，可以对每种评价算法所得的基本概率值进行归一化处理：

$P_{ni}=\frac{p_{ni}}{p_{n1}+...+p_{ni}+...+p_{nl}}---\left(5\right)$

在式(5)中，i表示第i种属性，n指示属性数据分块所得的第n块，p_ni为第n块的第i个属性所得概率值，l为总的属性个数。

在步骤G，可以通过三个评价算法联合作用，将每个算法评价的概率融合成一个概率：

$m_1\&CirclePlus;m_2\&CirclePlus;m_3\left(Z\right)=\frac{\underset{X\&cap;Y\&cap;W=Z}{\&Sigma;}{m}_1\left(X\right)\&times;m_2\left(Y\right)\&times;m_3\left(W\right)}{1-K}---\left(6\right)$

其中， $K=\underset{X\&cap;Y\&cap;W=\mathrm{\&phi;}}{\&Sigma;}{m}_1\left(X\right)\&times;m_2\left(Y\right)\&times;m_3\left(W\right)$

在式(6)中，K表示了证据冲突的额度，m₁、m₂、m₃为三种评价算法得到的基本概率值，X，Y，W为三种评价算法，Z为属性数据相同的部分。

在步骤H，可以通过下式得到融合后的系数：

$Z_n=\underset{i=1}{\overset{l}{\&Sigma;}}{P}_{ni}{\tilde{Z}}_{ni}---\left(7\right)$

在式(7)中，Z_n为第n块融合后的系数，P_ni为融合后的系数，为第i个属性的第n块数据。

本发明的示例性实施例还提供了一种基于D-S证据理论的地震多属性融合方法，通过对源属性数据进行特征提取，构造证据以获得基本概率值，将基本概率值在D-S证据理论指导下进行融合得到融合后的概率值并将其作为加权系数，进而将属性数据各部分小块与加权数相结合从而实现多种地震属性的融合。因此，可以解决利用单一地震属性信息解释复杂地质问题时单一地震属性信息所带来的多解性问题。

本发明的示例性实施例利用D-S证据理论将多种地震属性数据进行合成处理，具有简捷、快速可靠，效率准确度高，处理能力强等特点，对数据量较大的地震属性的融合效果尤为明显，有效提高地质岩性信息的准确性、进而有效地提高对储层空间展布形态、分布范围和储层岩石物理特征参数的描述与预测。

根据本发明的示例性实施例的基于D-S证据理论的地震属性融合方法与直接加权融合有同样的执行效率。与传统的直接加权融合方法相比，根据本发明的示例性实施例的算法本身就可以确定加权因子，不需要先验信息和人为干预，即使属性差异很大，融合的效果也比单一的加权融合好，能够把地质岩性信息更准确地表现出来，进而有效提高对储层空间展布形态、分布范围和储层岩石物理特征参数的描述与预测。

根据本发明的示例性实施例的基于D-S证据理论的地震属性融合方法效率准确度高，处理能力强，对数据量较大的地震属性的融合效果尤为明显，即使属性差异很大，融合的效果也比单一的加权融合好，能综合多种地震属性信息，将有效的地质信息、储层信息及含流体特征信息更准确地表现出来。根据本发明的示例性实施例的基于D-S证据理论的地震属性融合方法适用范围广，可以通过调整评价算法来适应不同的情况，适用于各种地震属性数据的融合。由于该方法不需要先验信息和人为干预，使用起来方便快捷，且综合了更多有效的地震属性有效信息，因此将在地质岩性分析、储层空间的描述与预测、含油气检测等领域有良好的应用前景。

根据本发明的示例性实施例的基于D-S证据理论的地震属性融合方法拓展了常规的属性数据融合方法，使其在地震属性分析，地震储层预测、岩性与流体识别取得更一步的良好效果。采用根据本发明的示例性实施例的方法可以融合多种地震属性，进行地震属性分析，地震储层预测、岩性与流体识别等研究，弥补使用单一地震属性信息参数解决地质现象存在的多解性缺陷。

附图说明

通过下面结合附图的详细描述，可以更清楚地理解本发明示例性实施例的上面的和其他的特征和优点，在附图中：

图1为根据本发明示例性实施例的基于D-S证据理论的地震属性融合方法的应用原理示意图；

图2为根据本发明示例性实施例的基于D-S证据理论的地震属性融合方法的流程示意图；

图3a-图3c为根据本发明示例性实施例的融合属性，其中，图3a为均方根振幅地震属性，图3b为相干体切片地震属性，图3c为融合的属性。

具体实施方式

下文中，将参照附图来详细描述本发明的示例性实施例。然而，本发明的示例性实施例可以以许多不同的形式来实施，且不应该被局限于这里阐述的示例。相反，提供这些示例使得本公开将是彻底并完整的，并将向本领域技术人员充分地传达本发明的范围。

图1为根据本发明示例性实施例的基于D-S证据理论的地震属性融合方法的应用原理示意图，图2为根据本发明示例性实施例的基于D-S证据理论的地震属性融合方法的流程示意图。

参照图1和图2，根据本发明的示例性实施例，首先，可以导入待融合的地震属性，并可以在对导入的待融合的地震属性的幅值分别规范到[0，1]区间(归一化处理)后，将其作为常量输入。接下来，可以对输入的属性数据进行特征提取，构造证据，以获得基本概率值。在一个本发明的示例性实施例中，可以将输入的一个属性数据等分成n×m块小数据块，可以对每个小数据块进行基于熵、梯度和平均梯度的评价，并可以将得到的评价因子与其他属性对应的评价因子作比较。然后，可以以比较后的结果作为依据来求取基本概率值。可以将基本概率值通过D-S证据理论来融合得到融合后的概率值，可以将得到的融合后的概率值作为加权系数。最后，可以将属性数据的各个分得的小数据块块与加权数相结合，从而实现多种地震属性的融合。

具体地讲，根据本发明的一个实施例的基于D-S证据理论的地震属性融合方法可以包括下述步骤。

步骤A：导入待融合的地震属性；

步骤B：属性幅值的归一化处理，即，对导入的地震属性的各幅值分别进行归一化处理；

步骤C：在深入分析决策问题的基础上，构造系统识别框架；

步骤D：针对属性数据，构建基于识别框架的证据体(例如，熵值、点锐度、平均梯度值)；

步骤E：将每个属性数据进行分块，搜集每个属性中各个块的证据体资料；

步骤F：综合每个属性的对应块的证据体，分别计算单证据体作用下识别框架中各命题的信度区间；

步骤G：利用D-S合成规则计算所有证据体联合作用下的基本概率赋值和信度区间；

步骤H：将D-S融合后的概率值作为加权系数，与属性相结合实现多地震属性融合。

下面，将参照图3a-图3c，以均方根振幅地震属性和相干体切片地震属性的融合为例，具体地说明根据本发明的一些示例性实施例的基于D-S证据理论的地震属性融合方法。图3为根据本发明示例性实施例的融合属性，其中，图3a为均方根振幅地震属性，图3b为相干体切片地震属性，图3c为融合的属性。

步骤A

在步骤A，可以导入均方根振幅属性和相干体切片属性。

步骤B

在步骤B，可以进行属性幅值的归一化处理。例如，可以对在步骤A导入的地震属性的幅值分别进行归一化处理。可以通过下式进行归一化处理：

${\tilde{X}}_i=\frac{X_i-min\left(X_i\right)}{\max \left(X_i\right)-min\left(X_i\right)}---\left(1\right)$

在式(1)中，X_i为第i种属性的幅值，为第i种属性归一化处理后的幅值。

步骤C

在步骤C，可以确定识别框架，利用熵、平均梯度、点锐度来识别属性数据。

步骤D

在步骤D，可以构造证据体，通过熵、平均梯度、点锐度来描述每个属性数据。示例性的算法如下：

基于熵值的评价算法：

H＝-∑p_ilnp_i(2)

在式(2)中，p_i为灰度值等于i的像素数与图像总像素数之比。

基于平均梯度的评价算法：

$\begin{array}{c}GMG=\frac{1}{(M-1)(N-1)}\underset{i=1}{\overset{M-1}{\&Sigma;}}\underset{j=1}{\overset{N-1}{\&Sigma;}}\sqrt{\frac{{\mathrm{\&Delta;I}}_x^2+{\mathrm{\&Delta;I}}_y^2}{2}}\\ =\frac{1}{(M-1)(N-1)}\underset{i=1}{\overset{M-1}{\&Sigma;}}\underset{j=1}{\overset{N-1}{\&Sigma;}}\sqrt{\frac{{\&lsqb;g(i,j+1)-g(i,j)\&rsqb;}^2+{\&lsqb;g(i+1,j)-g(i,j)\&rsqb;}^2}{2}}\end{array}---\left(3\right)$

在式(3)中，M和N为图像的长度和宽度，g(i,j)为图像在(i,j)点的像素值。

基于点锐度的评价算法：

$P=\frac{\underset{i=1}{\overset{m\&times;n}{\&Sigma;}}\underset{a=1}{\overset{8}{\&Sigma;}}|df/dx|}{m\&times;n}---\left(4\right)$

在式(4)中，m、n为图像的长和宽，df为灰度变化幅值，dx为像元间的距离增量。式(4)可描述为：逐个对图像中的每点取8邻域点与之相减。先求8个差值的加权和加权的大小取决于距离，距离远，则权小，如45°和135°方向的差值需乘以再将所有点所得值相加除以像素总个数。其中df/dx较边缘锐度算法之所以由平方变为绝对值的原因主要是，整幅图像的8邻域灰度差值和已足够反映图像的灰度分布情况。若加上平方的放大作用，反而会因噪声等众多因素而造成该参数的波动。式(4)可以理解为对图像每点周围的灰度扩散程度的统计，即扩散程度越剧烈，其值越大，图像越清晰。从另一个角度看，该算法可以近似地等同于对图像点扩展函数能量分布情况的统计。这里，属性数据与图像数据一样，是一个二维数据，将属性数据归一化后，可以将属性数据看做图像数据。

步骤E

在步骤E，可以取得证据体。例如，可以将每个属性数据等分成n×m块，可以对每个属性数据的各个块构造证据体，即，可以将对每个块用熵、平均梯度、点锐度来评价所得到三个评价因子作为一个证据体；

步骤F

在步骤F，可以进行基本概率值的赋值。例如，可以将每个属性相同位置的块的证据体的值分别排序，以最小的值作为标准，根据证据体评价因子的值赋予三种概率值，将属性数据评判为好、较好、一般这三档，对应的概率值为0.6，0.4，0.2。为了便于融合，最后对每种评价算法所得的基本概率值进行归一化处理。公式如下：

$P_{ni}=\frac{p_{ni}}{p_{n1}+...+p_{ni}+...+p_{n1}}---\left(5\right)$

在式(5)中，i指示第i种属性，n指示属性数据分块所得的第n块，p_ni为第n块的第i个属性所得概率值，l为总的属性个数。

步骤G

在步骤G，可以实现属性融合。例如，可以通过三个评价算法联合作用，将每个算法评价的概率最终融合成一个概率，如下式所示：

$m_1\&CirclePlus;m_2\&CirclePlus;m_3\left(Z\right)=\frac{\underset{X\&cap;Y\&cap;W=Z}{\&Sigma;}{m}_1\left(X\right)\&times;m_2\left(Y\right)\&times;m_3\left(W\right)}{1-K}---\left(6\right)$

其中， $K=\underset{X\&cap;Y\&cap;W=\mathrm{\&phi;}}{\&Sigma;}{m}_1\left(X\right)\&times;m_2\left(Y\right)\&times;m_3\left(W\right)$

在式(6)中，K表示了证据冲突(EvidentialConflict)的额度，m₁、m₂、m₃为三种评价算法得到的基本概率值，X，Y，W为三种评价算法，Z为属性数据相同的部分。

步骤H

在步骤H，可以实现属性对步骤G所得每个属性的各个块的融合系数，则属性融合的对应幅值输出为各属性的各个幅值与其对应的D-S证据理论的融合系数的乘积之和。例如，假设Z_n为融合后的属性数据，则有：

$Z_n=\underset{i=1}{\overset{l}{\&Sigma;}}{P}_{ni}{\tilde{Z}}_{ni}---\left(7\right)$

在式(7)中，Z_n为第n块融合后的属性数据，P_ni为融合后的系数，为第i个属性的第n块数据。

图3中(a)为均方根属性数据的显示图，(b)为相干体属性数据的显示图。可以看到图3中的(a)和(b)中由于属性单一，存在很多冗余信息。然而，如通过上述方法融合得到的图3中的(c)所示，通过重叠部分可以看出，大大降低了多解性，突出了感兴趣区域。

本发明的示例性实施例利用D-S证据理论将多种地震属性数据进行合成处理，具有简捷、快速可靠，效率准确度高，处理能力强等特点，对数据量较大的地震属性的融合效果尤为明显，有效提高地质岩性信息的准确性、进而有效地提高对储层空间展布形态、分布范围和储层岩石物理特征参数的描述与预测。

根据本发明的示例性实施例的基于D-S证据理论的地震属性融合方法与直接加权融合有同样的执行效率。与传统的直接加权融合方法相比，根据本发明的示例性实施例的算法本身就可以确定加权因子，不需要先验信息和人为干预，即使属性差异很大，融合的效果也比单一的加权融合好，能够把地质岩性信息更准确地表现出来，进而有效提高对储层空间展布形态、分布范围和储层岩石物理特征参数的描述与预测。

根据本发明的示例性实施例的基于D-S证据理论的地震属性融合方法效率准确度高，处理能力强，对数据量较大的地震属性的融合效果尤为明显，即使属性差异很大，融合的效果也比单一的加权融合好，能综合多种地震属性信息，将有效的地质信息、储层信息及含流体特征信息更准确地表现出来。根据本发明的示例性实施例的基于D-S证据理论的地震属性融合方法适用范围广，可以通过调整评价算法来适应不同的情况，适用于各种地震属性数据的融合。由于该方法不需要先验信息和人为干预，使用起来方便快捷，且综合了更多有效的地震属性有效信息，因此将在地质岩性分析、储层空间的描述与预测、含油气检测等领域有良好的应用前景。

根据本发明的示例性实施例的基于D-S证据理论的地震属性融合方法拓展了常规的属性数据融合方法，使其在地震属性分析，地震储层预测、岩性与流体识别取得更一步的良好效果。采用根据本发明的示例性实施例的方法可以融合多种地震属性，进行地震属性分析，地震储层预测、岩性与流体识别等研究，弥补使用单一地震属性信息参数解决地质现象存在的多解性缺陷。

虽然已经示出并描述了本发明的示例性实施例的示例，但是本领域技术人员应该理解的是，本发明的示例性实施例不限于此，在不脱离根据权利要求所限定的本发明的精神和范围的情况下，可以对这些示例性实施例进行各种修改。

Claims (7)

1.一种基于D-S证据理论的地震属性融合方法，其特征在于，所述方法包括下述步骤：

步骤A、导入待融合的地震属性；

步骤B、对导入的地震属性的各幅值分别进行归一化处理；

步骤C、确定用于识别数据的识别框架；

步骤D、利用确定的识别框架来描述每个属性数据；

步骤E、将每个属性数据进行分块，以对每个属性数据的各个块构造证据体；

步骤F、分别计算单证据体作用下的识别框架中各命题的信度区间；

步骤G、利用D-S合成规则计算所有证据体联合作用下的基本概率赋值和信度区间；

步骤H、将D-S融合后的概率值作为加权系数，与地震属性数据相结合，从而实现地震属性的融合；

其中，待融合的地震属性为均方根振幅地震属性和相干体切片地震属性，

在步骤C，确定识别框架，以利用熵、平均梯度、点锐度来识别属性数据；

其中，在步骤D，通过下述算法来描述每个属性数据：

基于熵值的评价算法：

H＝-Σp_ilnp_i

(2)

在式(2)中，p_i为灰度值等于i的像素数与图像总像素数之比；

基于平均梯度的评价算法：

在式(3)中，M和N为图像的长度和宽度，g(i,j)为图像在(i,j)点的像素值；

基于点锐度的评价算法：

在式(4)中，m、n为图像的长和宽，df为灰度变化幅值，dx为像元间的距离增量，

其中，以经归一化处理的地震属性数据作为图像数据；

其中，在步骤E，将每个属性数据等分成n×m块，将对每个属性数据的各个块用熵、平均梯度、点锐度来评价所得到三个评价因子作为一个证据体。

2.如权利要求1所述的方法，其特征在于，在步骤B，通过下式进行归一化处理：

在式(1)中，X_i为第i种地震属性的幅值，为第i种地震属性归一化处理后的幅值。

3.如权利要求1所述的方法，其特征在于，在步骤F，将每个属性数据相同位置的块的证据体的值分别排序，以最小的值作为标准，根据证据体评价因子的值分别赋予概率值。

4.如权利要求3所述的方法，其特征在于，在步骤F，将属性数据评判为好，较好，一般这三档，并对应地赋予概率值0.6、0.4、0.2。

5.如权利要求3所述的方法，其特征在于，在步骤F，对每种评价算法所得的基本概率值进行归一化处理：

在式(5)中，i表示第i种地震属性，n指示属性数据分块所得的第n块，p_ni为第n块的第i种地震属性所得概率值，l为总的属性个数。

6.如权利要求3所述的方法，其特征在于，在步骤G，通过三个评价算法联合作用，将每个算法评价的概率融合成一个概率：

其中，

在式(6)中，K表示了证据冲突的额度，m₁、m₂、m₃为三种评价算法得到的基本概率值，X，Y，W为三种评价算法，Z为属性数据相同的部分。

7.如权利要求6所述的方法，其特征在于，在步骤H，通过下式得到融合后的系数：

在式(7)中，Z_n为第n块融合后的系数，P_ni为融合后的系数， 为第i种地震属性的第n块的地震数据。