CN104914466B - 一种提高地震资料分辨率的方法 - Google Patents

Abstract

本发明公布一种提高地震资料分辨率的方法，涉及多次波发育地震资料的叠前处理，该方法首先基于SRME和聚焦变换理论推导得出利用多次波的多维子波反褶积模型；然后利用引入整形正则化的非稳态回归自适应匹配滤波方法将聚焦域内由多次波恢复的高分辨率数据分离出来，实现原始数据的高分辨率转换。本发明利用多次波提高地震资料分辨率，开辟了新的多次波应用领域。该方法实现基于波动理论，可以适用于任意复杂情况；不存在现有方法中的各种假设；每一道输出结果中所有炮记录都参与运算，从空间上加以约束，在提高纵向分辨率的同时可以很好的改善数据的横向分辨率。模型和实际数据的应用都证明了该方法对于提高地震资料分辨率非常实用和有效。

Description

一种提高地震资料分辨率的方法

技术领域

本发明属于地球物理勘探领域，涉及多次波发育地震资料的叠前处理，具体是一种提高地震资料分辨率的方法。

背景技术

地震资料中的多次波一直是困扰地震勘探数据处理以及解释的棘手难题。为了消除多次波对一次反射波成像的影响，传统数据处理中将其视为噪音，在偏移成像前需要对其进行压制处理。

为了适应精细勘探的发展，深入挖掘及利用不同地震波场中蕴含的地下构造信息成为一种新的发展趋势。由于多次波也是来自地下界面的真实反射，与一次波相比，多次波具有地下传播路径长、覆盖区域广及反射角度小的特点。近年来，不同于传统处理中将多次波视为噪音进行去除，国内外地球物理专家和学者将多次波作为有效信号，对多次波的有效利用进行了深入的研究。但是现有技术中，对多次波的有效利用仅局限于利用多次波成像获取地下更丰富的地下构造信息，对多次波信息的有效利用尚存在较大的发展空间。

另外，野外地震资料受采集因素(如海上地震勘探中震源激发产生的气泡效应及其他采集因素)影响，采集的资料分辨率较低，因此数据处理中需要进行反褶积来提高地震资料的分辨率。然而，传统反褶积处理技术及其改进技术都是基于一定的子波相位和反射系数假设条件，基于反褶积理论通过压缩子波实现地震数据分辨率的提高。该类方法存在以下不足：1)假设条件在实际应用中很难满足，严重影响了传统反褶积方法在工业生产中的应用效果；2)准确提取地震子波是传统反褶积实现的前提，但是子波提取方法多基于特定假设且受地质复杂性等多种因素影响，提取的子波无法适应复杂地质条件下高精度处理的需求；3)传统反褶积模型基于反褶积理论，仅考虑了地震数据的纵向分辨率，忽视了对地震数据的空间约束，对复杂地质条件适应性差。

发明内容

针对上述技术难题，本发明的目的在于提供一种提高地震资料分辨率的方法，目的在于：1)深入挖掘地震数据中多次波有效信息；2)解决传统反褶积方法中由于无法满足子波相位和反射系数假设、子波提取不准确对提高地震资料分辨率的影响。

依据本发明的技术方案，一种提高地震资料分辨率的方法包括以下步骤：

1)对采集的地震资料采用拉东变换进行数据规则化，为一次波估计和聚焦变换准备输入数据；

2)利用表层多次波去除方法(SRME)从地震数据中提取一次波估计，并利用估计的一次波构建正聚焦变换算子F；

F＝G^-1＝ΔP^-1 (1)

式中，G是反聚焦变换算子，ΔP是一次波估计对应的Berhout数据矩阵(Berkhout数据矩阵是指由Berkhout提出的用于描述地震波传播的频率域数据矩阵，以下简称数据矩阵)；

3)利用正聚焦变换算子对地震数据进行正聚焦变换，多次波实现降阶并表现为原始数据的多维子波反褶积；

按照下式进行正聚焦变换：

Q＝FP＝ΔP^-1P＝I+AP (2)

式中，P＝ΔP+M，是地震数据对应的数据矩阵；M＝(ΔPA)P，表示多次波数据矩阵；A是地表相关加权算子；Q是正聚焦变换结果；I＝ΔP^-1ΔP，表示聚焦域内位于原点周围的一次波聚焦能量；多次波则恢复为原始数据的加权，表示为AP；该过程实现了多次波的降阶。

根据波场传播(WRW)模型，地表算子A表示如下：

A＝[S⁺]^-1R^- (3)

式中，S⁺为下行的震源波场数据矩阵，每一列代表一个子波震源向量；R^-为自由地表反射系数矩阵，可将R^-表示为负的单位矩阵-I，因此，

A＝-[S⁺]^-1 (4)

式中，算子A的每一列表示负的反子波频率域向量，在时间域内表示为子波反褶积滤波器。

在计算过程中每一炮都参与运算，根据式(3)结合反褶积理论可知，式(2)中第二项由多次波恢复的数据相当于对原始数据进行了多维子波反褶积。利用该多维子波反褶积模型通过提取多次波恢复的数据即可达到提高地震数据分辨率的目的。

4)对聚焦域结果和地震数据分别进行τ-p正变换，将聚焦域内一次波和多次波映射到不同的分布区域；

τ-p域转换将一次波映射到截距时间τ＝0处的直线上，多次波则表现为位于τ>0区域具有一定曲率的椭圆，有效避免了一次波和多次波能量在聚焦域内的干涉，利于高分辨率数据的提取；步骤4)所述的τ-p正变换采用的是高分辨率τ-p正变换，该方法能够在有效提高τ-p变换精度、更好的实现数据保幅的同时有效压制聚焦域内的随机噪音。

5)利用自适应匹配滤波方法对聚焦域数据和地震数据的正τ-p变换结果进行自适应匹配，分离出τ-p域内由多次波恢复的高分辨率数据；

步骤5)所述的自适应匹配滤波方法采用的是引入整形正则化的非稳态回归自适应匹配滤波方法。相比传统的匹配滤波方法，该方法考虑了滤波系数的空间变化，不需要进行分时窗处理，整形正则化避免了不稳定问题的产生，该方法对应的目标函数表示如下：

式中，x是多维空间坐标，p′(x)是聚焦域响应，p_k(x)是由地震数据经不同空间移动得到的序列，a_k是滤波系数，S是正则化算子，λ是正则化系数。

6)将分离的高分辨率数据进行τ-p反变换得到利用多次波获取的高分辨率数据，实现原始数据的高分辨率转换。

本发明的有益效果是：1)从利用多次波提高地震数据分辨率角度出发，通过深入挖掘多次波中蕴含的有效信息开辟了新的多次波应用领域。2)相比传统反褶积模型，本发明基于波动理论推导得出的多维子波反褶积模型不存在传统反褶积方法中的各种子波相位和反射系数假设；不需要提取子波；基于波动理论推导得到，可以适用于任意复杂地质情况；每一道输出结果中所有炮记录都参与了运算，从空间上加以约束，在提高纵向分辨率的同时可以很好的改善数据的横向分辨率；因此，本发明相比现有技术能够更好的实现地震资料分辨率的提高。

附图说明

图1为本发明提高地震资料分辨率方法流程图

图2为应用本发明得到的模型处理结果

图2(a)为原始单炮记录；

图2(b)为利用SRME提取的一次波估计；

图2(c)为正聚焦变换结果；

图2(d)为聚焦域结果的τ-p域映射；

图2(e)为原始单炮记录的τ-p域映射；

图2(f)为τ-p域内利用匹配滤波提取的多次波恢复响应；

图2(g)为反τ-p变换得到的利用多次波构建的高分辨率数据；

图3为模型数据的多炮叠加结果对比图

图3(a)为原始数据的叠加结果；

图3(b)为传统反褶积后数据的叠加结果；

图3(c)为利用多次波的多维子波反褶积后数据的叠加结果；

图4为模型数据的多炮叠加结果的振幅谱对比图

图4(a)为原始数据叠加结果的振幅谱；

图4(b)为传统反褶积后数据叠加结果的振幅谱；

图4(c)为利用多次波的多维子波反褶积后数据叠加结果的振幅谱；

图5为应用本发明得到的实际资料处理结果

图5(a)为原始数据近偏移距剖面；

图5(b)为应用本发明得到的高分辨率数据的近偏移距剖面。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

图1是本发明所述的一种提高地震资料分辨率方法的基本流程图，包括以下步骤：

S101：对采集的地震资料采用拉东变换进行数据规则化，为一次波估计和聚焦变换准备输入数据；

S102：利用表层多次波去除方法(SRME)从地震数据中提取一次波估计，并利用估计的一次波构建正聚焦变换算子F；

S103：利用正聚焦变换算子对地震数据进行正聚焦变换，多次波实现降阶并表现为原始数据的多维子波反褶积；

S104：对聚焦域结果和地震数据分别进行τ-p正变换，将聚焦域内一次波和多次波映射到不同的分布区域；

S105：利用自适应匹配滤波方法对聚焦域数据和地震数据的正τ-p变换结果进行自适应匹配，分离出τ-p域内由多次波恢复的高分辨率数据；

S106：将分离的高分辨率数据进行τ-p反变换得到利用多次波获取的高分辨率数据，实现原始数据的高分辨率转换。

为测试方法的可行性与优越性，对三层平层模型采用正演模拟产生的含多次波地震数据进行了测试(如图2所示)。下面将结合附图和具体实施例对本发明的具体实施过程进行详细阐述：

1)获取规则化数据，为一次波估计和聚焦变换准备输入数据(如图2(a)所示)。由图可见，受子波旁瓣影响，两界面对应的一次反射能量产生干涉，分辨率较低，同相轴较难分辨，深层多次波能量也存在同样问题。

2)对每一道数据进行傅里叶变换，构建频率域Berkhout数据矩阵，利用表层多次波去除方法(SRME)从输入数据中提取一次波估计(如图2(b)所示)，然后利用估计的一次波根据式(1)构建正聚焦变换算子F。

F＝G^-1＝ΔP^-1 (1)

式中，G是反聚焦变换算子，ΔP是一次波估计对应的Berhout数据矩阵。

3)利用正聚焦变换算子对地震数据进行正聚焦变换(如图2(c)所示)，多次波实现降阶并表现为原始数据的多维子波反褶积。

本步骤按照下列方式完成：

聚焦变换的正反变换表达式表示如下：

Q＝FP 正聚焦变换 (2a)

P＝GQ 反聚焦变换 (2b)

式中，矩阵P表示地震数据对应的数据矩阵，Q是正聚焦变换结果，聚焦变换定义为每个空间频率分量上矩阵的相乘。

利用构建的正聚焦变换算子F进行正聚焦变换：

Q＝ΔP^-1P＝I+AP (3)

其中，

P＝ΔP+M＝ΔP+(ΔPA)P (4)

式中，M＝(ΔPA)P，表示多次波数据矩阵；A是地表相关加权算子；I＝ΔP^-1ΔP，表示聚焦域内位于原点周围的一次波聚焦能量；多次波则恢复为原始数据的加权，表示为AP；该过程实现了多次波的降阶。

根据波场传播(WRW)模型，地表算子A表示如下：

A＝[S⁺]^-1R^- (5)

式中，S⁺为下行的震源波场数据矩阵，每一列代表一个子波震源向量，R^-为自由地表反射系数矩阵，可将R^-表示为负的单位矩阵-I，因此

A＝-[S⁺]^-1 (6)

式中，算子A的每一列表示负的反子波频率域向量，在时间域内表示为子波反褶积滤波器。

在计算过程中每一炮都参与运算，根据式(6)结合反褶积理论可知，式(3)中第二项由多次波恢复的数据相当于对原始数据进行了多维子波反褶积。利用该多维子波反褶积模型通过提取多次波恢复的数据即可达到提高地震数据分辨率的目的。

4)对聚焦域结果和地震数据分别进行高分辨率τ-p正变换，结果如图2(d)和图2(e)所示。

从图中可以看出，聚焦域的一次波聚焦能量在τ-p域内分布在截距时间τ＝0处的直线上，多次波则表现为位于τ>0区域具有一定曲率的椭圆，因此τ-p域转换避免了一次波和多次波能量在聚焦域内的干涉，利用高分辨率数据的提取；而高分辨率τ-p正变换能够在有效提高τ-p变换精度、更好的实现数据保幅的同时有效压制聚焦域内的随机噪音。

5)利用引入整形正则化的非稳态回归自适应匹配滤波方法对聚焦域数据和地震数据的正τ-p变换结果进行自适应匹配，分离出τ-p域内由多次波恢复的高分辨率数据响应(如图2(f)所示)。

本步骤按照下列方式完成：

基于非稳态回归的自适应匹配滤波算法的误差函数表示如下：

其中，x为多维空间坐标，p′(x)为聚焦域数据，p_k(x)是由地震数据经不同空间移动得到的序列，a_k(x)为滤波系数。式(7)中滤波系数随空间变化，避免了基于稳态回归自适应匹配滤波的分时窗处理。

由于滤波系数随坐标变化，式(7)中未知变量多于方程个数，求解是病态的，通过对滤波系数进行附加约束，引入整形正则化，方程求解对应的目标函数表示如下：

式中，S是正则化算子，λ是正则化系数。

利用引入整形正则化的非稳态回归自适应匹配滤波方法提取由多次波恢复的高分辨率数据，相比传统的匹配滤波方法，该方法考虑了滤波系数的空间变化，不需要进行分时窗处理，整形正则化避免了不稳定问题的产生，可以更好的实现高分辨率数据的提取。

6)将分离的高分辨率数据进行τ-p反变换得到利用多次波获取的高分辨率数据(如图2(g)所示)，实现原始数据的高分辨率转换。

对比图2(a)和图2(g)，可以看出利用本发明提高分辨率后的数据相比原始数据反射轴得到了更好的刻画，同相轴变细，不再存在能量的相互干涉。对该数据进行多次波去除以后再进行叠加或者成像处理，即可获取高分辨率的处理结果。

为了说明本发明利用多次波提高地震资料分辨率的方法优越于传统反褶积提高地震数据分辨率方法，附图3分别对原始数据、传统反褶积后数据和本发明方法所得的数据进行叠加后得到的叠加剖面进行了对比。从图中可以看出，原始数据的叠加剖面上(如图3(a)所示)两界面对应的同相轴受子波影响，分辨率较低；对比图3(b)和3(c)可见，本发明相比传统反褶积方法可以更为有效的提高地震数据的分辨率。图4分别为对应的频谱对比结果，由图可见，利用本发明获取的数据叠加结果中频谱明显变宽，低频成分和高频成分都得到了较好的补充，分辨率提高得到了有效的印证；图4(b)和图4(c)结果对比充分验证了本发明相比传统反褶积方法的优势。

本发明不局限于模型数据，可针对实际资料进行处理，具有广泛的适应性。下面将通过实际资料具体实施例对本发明的优势进行详细阐述。

图5显示了对实际地震资料和利用本发明获取的高分辨率数据提取的x＝200m的共偏移距剖面的对比结果，选取的时间范围为1.5s到2.5s。图5(a)为原始数据共偏移距剖面，图5(b)为本发明利用多次波提取的高分辨率数据对应的共偏移距剖面，由图可见，图5(b)中剖面整体的信噪比得到了一定的提升，这是由于聚焦变换中信噪分布区域不同以及τ-p域映射作用，在提取高分辨率数据的同时，原始数据中的噪音也得到了一定的压制。对比图中上部方框内的海底界面同相轴以及在时间t＝2.4s处方框内同相轴的复杂旁瓣都得到了有效的压缩，分辨率得到了明显提高；对比2s-2.2s处方框内的同相轴可明显看出，图5(b)采用本发明得到的结果中不仅垂向分辨率得到了提高，同相轴在空间上的连续性也得到了加强，这是由于本发明在进行聚焦变换的过程中每一炮都参与了运算，相当于对空间进行约束，在一定程度上可以提高数据的横向分辨率。

综上所述，本发明提供的一种提高地震资料分辨率的方法为多次波信息的有效利用开辟了一个新的领域；通过利用多次波，本发明基于SRME和聚焦变换推导的多维子波反褶积模型，相比传统反褶积模型具有明显的优势，具体体现在：1)本发明的多维子波反褶积模型不存在传统反褶积方法中的子波相位以及反射系数假设；2)不需要提取子波；3)基于波动理论推导得到，可以适用于任意复杂地质情况；4)每一道输出结果中所有炮记录都参与了运算，从空间上加以约束，在提高纵向分辨率的同时可以很好的改善数据的横向分辨率。由模型测试以及实际应用效果也可以看出，根据本发明提高数据分辨率效果明显，同相轴连续性较好。

以上公开的仅为本发明的几个具体实施例，但是，本发明并非局限于此，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

Claims (5)

1.一种提高地震资料分辨率的方法，其特征在于，包括以下步骤：

1)对采集的地震资料采用拉东变换进行数据规则化，为一次波估计和聚焦变换准备输入数据；

2)利用表层多次波去除方法(SRME)从地震数据中提取一次波估计，并利用估计的一次波构建正聚焦变换算子；

3)利用正聚焦变换算子对地震数据进行正聚焦变换，多次波实现降阶并表现为原始数据的多维子波反褶积；

4)对聚焦域结果和地震数据分别进行τ-p正变换，将聚焦域内一次波和多次波映射到不同的分布区域；

5)利用自适应匹配滤波方法对聚焦域数据和地震数据的正τ-p变换结果进行自适应匹配，分离出τ-p域内由多次波恢复的高分辨率数据；

6)将分离的高分辨率数据进行τ-p反变换得到利用多次波获取的高分辨率数据，实现原始数据的高分辨率转换。

2.根据权利要求1所述的一种提高地震资料分辨率的方法，其特征在于，所述步骤2)中的正聚焦变换算子F表示如下：

F＝G^-1＝ΔP^-1 (1)

式中，G是反聚焦变换算子，ΔP是一次波估计对应的Berhout数据矩阵，Berkhout数据矩阵是指由Berkhout提出的用于描述地震波传播的频率域数据矩阵。

3.根据权利要求1所述的一种提高地震资料分辨率的方法，其特征在于，所述步骤3)包括：

按照下式进行正聚焦变换：

Q＝FP＝ΔP^-1P＝I+AP (2)

式中，F是正聚焦变换算子，ΔP是一次波估计对应的Berhout数据矩阵，Berkhout数据矩阵是指由Berkhout提出的用于描述地震波传播的频率域数据矩阵，以下简称数据矩阵，P＝ΔP+M是地震数据对应的数据矩阵，M＝(ΔPA)P表示多次波数据矩阵，A是地表相关加权算子，Q是正聚焦变换结果，I＝ΔP^-1ΔP表示聚焦域内位于原点周围的一次波聚焦能量，多次波则恢复为原始数据的加权，表示为AP，该过程实现了多次波的降阶；

根据波场传播(WRW)模型，地表算子A经推导表示为：

A＝-[S⁺]^-1 (3)

式中，S⁺为下行的震源波场数据矩阵，算子A的每一列表示负的反子波频率域向量，在时间域内表示为子波反褶积滤波器；

在计算过程中每一炮都参与运算，根据式(3)结合反褶积理论可知，式(2)中第二项由多次波恢复的数据相当于对原始数据进行了多维子波反褶积，利用该多维子波反褶积模型通过提取多次波恢复的数据即可达到提高地震数据分辨率的目的。

4.根据权利要求1所述的一种提高地震资料分辨率的方法，其特征在于，所述步骤4)中的τ-p域转换将一次波映射到截距时间τ＝0处的直线上，多次波则表现为位于τ>0区域具有一定曲率的椭圆，有效避免了一次波和多次波能量在聚焦域内的干涉，利于高分辨率数据的提取；所述的τ-p正变换采用的是高分辨率τ-p正变换，该方法能够在有效提高τ-p变换精度、更好的实现数据保幅的同时有效压制聚焦域内的随机噪音。

5.根据权利要求1所述的一种提高地震资料分辨率的方法，其特征在于，步骤5)所述的自适应匹配滤波方法采用的是引入整形正则化的非稳态回归自适应匹配滤波方法，相比传统的匹配滤波方法，该方法考虑了滤波系数的空间变化，不需要进行分时窗处理，整形正则化避免了不稳定问题的产生，该方法对应的目标函数表示如下：

<mrow> <mi>F</mi> <mo>&amp;lsqb;</mo> <mi>a</mi> <mo>&amp;rsqb;</mo> <mo>=</mo> <mo>|</mo> <mo>|</mo> <msup> <mi>p</mi> <mo>&amp;prime;</mo> </msup> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>-</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <msub> <mi>a</mi> <mi>k</mi> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <msub> <mi>p</mi> <mi>k</mi> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>|</mo> <msup> <mo>|</mo> <mn>2</mn> </msup> <mo>+</mo> <msup> <mi>&amp;lambda;</mi> <mn>2</mn> </msup> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <mo>|</mo> <mo>|</mo> <mi>S</mi> <mo>&amp;lsqb;</mo> <msub> <mi>a</mi> <mi>k</mi> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> <mo>|</mo> <msup> <mo>|</mo> <mn>2</mn> </msup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>5</mn> <mo>)</mo> </mrow> </mrow>

式中，x是多维空间坐标，p′(x)是聚焦域响应，p_k(x)是由地震数据经不同空间移动得到的序列，a_k是滤波系数，S是正则化算子，λ是正则化系数。