CN112883564A - 一种基于随机森林的水体温度预测方法及预测系统 - Google Patents
一种基于随机森林的水体温度预测方法及预测系统 Download PDFInfo
- Publication number
- CN112883564A CN112883564A CN202110136900.9A CN202110136900A CN112883564A CN 112883564 A CN112883564 A CN 112883564A CN 202110136900 A CN202110136900 A CN 202110136900A CN 112883564 A CN112883564 A CN 112883564A
- Authority
- CN
- China
- Prior art keywords
- temperature
- water
- model
- water body
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明属于地震海洋学水体预测技术领域,公开了一种基于随机森林的水体温度预测方法,利用优选出三种属性利用随机森林算法进行预测水体温度,先根据四种模型的复杂程度灵活调整机器学习的标准道数目,将预测得到的温度剖面与原始温度剖面进行比较,比较不同模型的预测效果并分析差异;再对某海域实测数据进行温度预测,并将预测温度与浅剖资料进行对比。本发明进行浅剖资料高精度处理时,针对采集过程中的废道、坏道问题,利用基于能量不变的相关插值法进行数据重构,该方法精准度达到0.9524,本发明进行涌浪校正,消除了将近90%的涌浪干扰;本发明基于随机森林的水体温度预测,对海域实测数据进行温度预测精度高。
Description
技术领域
本发明属于地震海洋学水体预测技术领域,尤其涉及一种基于随机森林的水体温度预测方法及预测系统。
背景技术
随着近年来科技手段的不断发展,地球科学也在不断地进步,勘探的手段和技术也在一步步日臻完善。由于能提供海底地层的基本信息,因此高分辨率海洋地球物理勘探技术越来越被人们所重视。在实际应用中,高分辨率海洋地球物理调查技术通常与区域地质、地质取样、钻孔取芯等多种调查方法有机结合,构成一个成熟完备的海洋调查系统,一方面可以为海洋地质学、物理海洋学、海洋环境学、海洋生命学、海洋化学等多种学科提供宝贵的科研资料,另一方面对海洋交通、海洋渔业、海洋军事等方面提供指导参考,是进行海洋科学研究必不可少的手段。
浅地层剖面探测技术是一种重要的地球物理方法,它利用声波在海洋水体、海底地层中的反射及传播规律进行走航式的探测,即每激发一道就记录一道,激发点和接收点沿着测线方向不断同步移动,在进行多次观测后,得到共偏移距剖面。在浅剖测量时,通常采用较小的偏移距,因此得到的共偏移距剖面可以近似认为是自激自收、直接成像的地震反射时间剖面。近年来,浅地层剖面采集仪器有了长足的进步,工作效率大幅提高、数据采集质量不断提高,对海洋水体以及地下地层实现了高分辨率采集,广泛应用于海底地质分析、水库淤泥识别、海底管道探测、海洋水体调查等。
近年来,虽然浅地层剖面采集仪器有了长足的发展,采集质量也有了明显的提高,但浅剖资料在采集之后,通常只进行简单的前期处理,没有形成完备的处理体系。并且由于采集地点在海上,受海况影响大,会引入各种海上噪音的干扰,例如涌浪干扰、潮汐干扰、工业电干扰等,这些干扰会导致资料的信噪比较低。另外在浅海海域进行作业时,多次波现象严重,导致整个剖面同相轴连续性严重变差。再加上处理的精度不够高,许多高频信息以及弱小信号都难以得到有效的识别,使得细微的地层构造和海水结构无法识别。因此,对浅剖资料进行精细处理就变得意义重大。
相比于地震勘探技术,浅剖测量操作简单、效率更高且分辨率更高,因此在实际生产中得到了大量的应用。现阶段来讲,主要利用浅剖资料进行海底探测等工作,而对于海底之上的水体部分应用甚少,因此说,将研究目标从深部的地下构造转向浅层的海水结构,利用浅剖资料分辨率高的优点进行海水细微结构的划分。
海水的温度、盐度和密度是海洋中极其重要的三个因素,尤其是在近海海域的科研调查中,浅海海域对于海洋水体的性质以及水体随时间变化的特征的调查就显得尤为重要。通常,我们通过对不同位置和不同时间的海洋水体采样或者仪器测量可以获得海洋的水体参数,例如海洋水体的温度、盐度、速度、密度等,进一步确定海洋水体的特征结构,从而用于水层划分、海洋锋面的识别、中尺度涡旋的识别、海洋内波的识别划分等。这些现象的识别和研究对于全球海洋环境的分析、海洋交通运输、海洋中生产力的分布以及渔场的分布有着重要影响。于此同时,大型跨海大桥、海底隧道、核电站、大型港口的选址以及海洋管线的立体探测等工程建设也都需要高精度的浅海海洋水体结构。
定点式的测量以及拖曳式的锯齿测量是目前广泛采用的海洋水体特性调查方式,这样的调查方式虽然在垂直方向的采样间隔能达到一米以内,具有很好的分辨能力,可是在水平方向投放的采集仪器密度会大大降低,因此在水平方向上精度很低。在以往的研究中,整个海域的海洋水体特征大多都是根据各个测站的数据内插所得,从而进行运算和模拟。这样的处理方式使得测站与测站之间的横向变化不得而知,尤其是在浅海海域,两个测站之间可能因为地形、潮流、径流、气候的影响,海洋水体结构更加复杂,甚至有可能出现海洋水体结构的突变的情况,在此情况下,传统的采集、处理方式使得我们并不能很好的捕捉海洋水体结构的细微变化,从而不能精确的描述和还原真实的物理海洋的变化过程。地震勘探方法提供了一种能够更加方便快捷的获得海水温盐结构的方法,并且这种方法在水平方向具有很高的分辨率。
通过对反射地震方法的研究以及定点海洋水体的特征参数标定,Holbrook等人于2003年将地震学方法运用于物理海洋的研究之中,并取得了很好的效果,获得了海洋水体的精细结构,从而宣告了“地震海洋学”的问世。通过计算分析反射系数与波速、波速与温度的关系,得到了地震剖面与海洋水体细微结构的对应关系,从而估算出海洋水体的特征分布。相比较以前传统的调查方式,这种方法在水平方向上具有更高的分辨能力,通常能达到小于十米的水平方向的精度,因此,地震海洋学的成功运用可以改变人们探测、识别、分析海洋水体细微结构的手段,促进新一代海洋水体结构变化模型模拟水平的提高,对工程建设也有更好的指导作用。
综上所述,基于浅剖资料进行地震海洋学研究,将实际生产应用广泛的浅剖资料用以水体研究,有着重要的理论意义以及现实意义。
综上所述,现有技术存在的问题是:
(1)现有技术中,针对水体的温度预测多是采用XBT,CTD等定点测量仪器或者卫星遥测等方式,其中应用定点预测手段获得的水体温度数据,虽然在垂向上分辨率较高,但是在横向上对于揭示水体运动的现象表达不明显。卫星遥测方式仅仅获得海水表面的温度资料,无法获取水体的温度信息。
(2)当前地震海洋学多利用常规的反射地震方法进行水体温度预测,但资料分辨率较低,多采用海水声速公式,且涉及到盐度、压力等多个变量,在实际应用中很难精确预测水体温度。
解决上述技术问题的难度:
(1)常规的反射地震资料由于分辨率低,很难精确预测水体温度,为解决该问题,可采用分辨率高的浅剖数据,但是浅剖数据信噪比较低,在处理中提高资料质量比较困难。
(2)为了利用地震海洋学方法精确地预测海水温度,需要建立地震属性与水体温度的准确关系,可以考虑利用智能优化算法来解决。
解决上述技术问题的意义:基于高精度处理的浅剖数据,结合智能优化算法,可以有效的建立地震属性与水体温度的关系,达到预测海水温度的目的。
发明内容
针对现有技术存在的问题,本发明提供了一种基于随机森林的水体温度预测方法及预测系统。
本发明是这样实现的,一种基于随机森林的水体温度预测方法,包括:
利用优选出三种属性利用随机森林算法进行预测水体温度,先根据四种模型的复杂程度灵活调整机器学习的标准道数目,将预测得到的温度剖面与原始温度剖面进行比较,针对不同的模型,选择包含目标体的某道数据进行单道分析,比较不同模型的预测效果并分析差异;
再对某海域实测数据进行温度预测,并将预测温度与浅剖资料进行对比,评价预测的精度。
进一步,利用随机森林算法进行水体模型温度预测中,包括:地震属性的提取与优选、温度预测;
在地震属性的优选时,从提取的多种属性中选取瞬时频率、均方根振幅以及一阶导数三种属性进行后期的温度预测;
在温度预测过程中,根据四种模型的复杂程度灵活调整机器学习的标准道数目;用11道标准道进行水层模型温度预测;
用17道标准道预测水团模型温度;
用51道、135道分别对海洋锋模型、冷水团模型预测。
进一步,利用随机森林算法进行实测数据温度预测中,采取将有限标准道多次输入的学习方式,进行实测数据温度预测。
进一步,利用优选出三种属性利用随机森林算法进行预测水体温度前,需进行:
在不同浅海水体模型的正演模拟时,依据实测资料中海洋水体的真实形态建立了海洋锋模型和温跃层下的双中心冷水团结构模型,并且采用高频震源激发、单道接收的采集方式进行模拟。
进一步,在不同浅海水体模型的正演模拟的方法具体包括:
首先利用海水的温度、盐度以及深度信息求取速度以及密度,再分析不同的海水参数对速度以及密度的影响。
进一步,利用优选出三种属性利用随机森林算法进行预测水体温度前,还需进行:
浅剖资料高精度处理,利用基于能量不变的相关插值法进行数据重构,对采集涌浪过程中的干扰,采用变周期的叠加消除法进行涌浪校正,建立正弦函数型涌浪模型以及基于Neumann谱的涌浪模型,然后进行涌浪校正,消除涌浪干扰。
进一步,采用基于能量不变的相关插值,步骤如下:
确定插值道i,向左向右各寻访5个非零道,记为a1,a2,a3,a4,a5,b1,b2,b3,b4,b5;
将a1道与剩余9道做相关,寻找各道与a1道的上下偏移量;
将各道上下平移减去偏移量后,在按照距离反比例加权相加得到x;
利用各道的与a1道的距离作为横坐标、偏移量作为纵坐标求取偏移量函数;
利用偏移量函数求取i道的偏移量,将x按照偏移量进行上下平移得到y;
依照相邻道间采样能量基本不变,将y进行能量校正得到z;
将z填充目标道;
对采集涌浪过程中存在的随机噪声,利用F-X域信号增强、F-K域滤波、带通滤波技术联合压制,最终提高剖面的信噪比。
本发明的另一目的在于一种实现所述基于随机森林的水体温度预测方法的信息数据处理终端。
本发明的另一目的在于提供一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行所述的基于随机森林的水体温度预测方法。
本发明的另一目的在于提供一种实现所述基于随机森林的水体温度预测方法的基于随机森林的水体温度预测平台。
综上所述,本发明的优点及积极效果为:首先将理想化的海水模型转化为地震波场模型,根据威尔逊公式、国际海水状态方程,利用海水的温度、盐度以及深度等信息求取海水速度以及密度,在求取过程中探究了不同的海水参数对速度以及密度的影响大小。得出结论,在浅海海域进行海水速度求取时,海水温度为最主要影响因素,远大于盐度以及深度的影响。密度的影响规律更为明显,相比于温度,盐度以及深度对密度的影响几乎可以忽略不计。因此,在进行浅海水体模型建立时,主要依托于海洋水体温度的差异。
在正演模型时,一方面综合前人的成果以及渤海的实际情况,建立了水层模型、水团模型、海洋锋模型以及温跃层下的双中心冷水结构模型四种水体模型。另一方面,针对浅剖测量特有的特点,选取震源频率为500HZ的零相位雷克子波、高频激发、单道接收的采集方式,分析了不同的海洋水体结构在浅剖剖面的波场特征以及传播规律。
在浅剖资料处理关键技术阶段,针对不同的问题进行了不同的处理手段。首先,针对采集过程中的废道、坏道问题,利用基于能量不变的相关插值法进行数据重构,并与左侧填充插值、两侧插值方法进行比较,比较了不同的插值方式针对地下地层以及海水层的插值效果。该方法精准度达到0.9524,远大于常用的左侧填充插值、两侧插值方法。针对采集过程中涌浪的干扰,采用变周期的叠加消除法进行涌浪校正,建立正弦函数型涌浪模型以及基于Neumann谱的涌浪模型,然后该方法对其进行涌浪校正,消除了将近90%的涌浪干扰。针对采集过程普遍存在的随机噪声问题,可以利用F-X域信号增强、F-K域滤波、带通滤波技术联合压制,针对浅海水体的资料特点选择与常规地震处理不同的参数,使反射轴能量变强、形态变细、连续性增强,“雪花状”随机干扰得到了很好地压制,提高了整个剖面的信噪比。其对比效果如图11和图12所示。
在基于随机森林算法进行水体模型温度预测阶段,可以大致分为地震属性的提取与优选、利用随机森林算法进行温度预测两个环节。在属性的优选时,从提取的多种属性中选取了瞬时频率、均方根振幅以及一阶导数三种属性,分析了不同的水体模型在三种属性剖面的响应。利用该算法进行实测数据温度预测时,采取将有限标准道多次输入的学习方式,很好地还原了水体的温度分布情况,准确的划分了水层,为后期的水体结构研究提供了重要信息。通过模拟海洋冷锋模型并预测其温度效果如图13所示,分析其预测效果的关系数图也如图14所示,但是在中部区域,预测的温度准确率最高可达0.9834,综合来看,平均相关系数依然可以达到0.8866。通过相关系数可以看出预测结果比较精确。
相比于现有技术,本发明的优点进一步包括:
本发明在不同浅海水体模型的正演模拟时,依据实测资料中海洋水体的真实形态建立了海洋锋模型和温跃层下的双中心冷水团结构模型,并且采用高频震源激发、单道接收的采集方式进行模拟。
进行浅剖资料高精度处理时,针对采集过程中的废道、坏道问题,利用基于能量不变的相关插值法进行数据重构,该方法精准度达到0.9524,远大于常用的左侧填充插值、两侧插值方法。针对采集过程中涌浪的干扰,采用变周期的叠加消除法进行涌浪校正,建立正弦函数型涌浪模型以及基于Neumann谱的涌浪模型,然后该方法对其进行涌浪校正,消除了将近90%的涌浪干扰。
在基于随机森林的水体温度预测时,针对四种模型的复杂程度灵活调整“机器学习”的标准道数目,选择包含目标体的某道数据进行单道分析,比较不同模型的预测效果并分析其差异原因。利用该算法对我国某海域实测数据进行温度预测时,采取将有限标准道多次输入的学习方式。
附图说明
图1是本发明实施例提供的基于随机森林的水体温度预测方法流程图。
图2是本发明实施例提供的激发单元组成图。
图3是本发明实施例提供的接收单元组成图。
图4是本发明实施例提供的建立水团模型图。
图5是本发明实施例提供的依照水层模型的观测方式进行模拟得到结果图。
图6是本发明实施例提供的水层模型原始温度与预测温度剖面对比图。
图7是本发明实施例提供的水层模型第100道对比图。
图8是本发明实施例提供的水团模型原始温度与预测温度剖面对比图。
图9是本发明实施例提供的第25道浅剖与预测温度对比图。
图10是本发明实施例提供的第65道浅剖与预测温度对比图。
图11是本发明实施例提供的原始地震记录示意图。
图12是本发明实施例提供的处理后的地震记录示意图。
图13是本发明实施例提供的模型和预测效果图。
图14是本发明实施例提供的相关系数图。
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,以下结合实施例,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用以解释本发明,并不用于限定本发明。
现有技术中,在不同浅海水体模型的正演模拟时,没有依据实测资料中海洋水体的真实形态建立了海洋锋模型和温跃层下的双中心冷水团结构模型,并且没有采用高频震源激发、单道接收的采集方式进行模拟。现有技术进行浅剖资料高精度处理时,针对采集过程中的废道、坏道问题,没有利用基于能量不变的相关插值法进行数据重构,造成数据重构精准度低。针对采集过程中涌浪的干扰,没有采用变周期的叠加消除法进行涌浪校正,建立正弦函数型涌浪模型以及基于Neumann谱的涌浪模型,然后进行涌浪校正,造成不能有效消除涌浪干扰。现有技术中,在基于随机森林的水体温度预测时,针对四种模型的复杂程度灵活调整“机器学习”的标准道数目,没有选择包含目标体的某道数据进行单道分析,比较不同模型的预测效果并分析其差异原因。导致对海域实测数据不能进行温度准确预测。
针对现有技术存在的问题,本发明提供了一种基于随机森林的水体温度预测方法及预测系统,下面结合附图对本发明作详细的描述。
1.下面结合具体分析对本发明作进一步描述。
如图1所示,首先以区域物理海洋资料为基础,建立不同的浅海水体模型,采用高频子波、单道采集的浅剖采集方式并进行正演模拟。其次对得到的正演模拟记录进行坏道重构、涌浪校正、噪声压制等关键技术处理,得到高精度处理的浅海水体浅剖剖面,分析不同的水体结构的地震波场特征。然后针对不同的水体结构对前文资料进行属性的提取、优选与分析,最后基于随机森林算法利用地震属性预测海水的温度。
2.下面结合浅地层剖面探测技术基本原理对本发明作进一步描述。
2.1浅地层剖面仪
依照功能划分,浅地层剖面仪可以大致分为三个重要部分:激发单元、接收单元以及其他部件。
2.1.1激发单元,如图2所示。
激发单元也可称为激发换能器,它的作用相当于地震勘探中的震源,它负责将电能转化为声能,产生声波向外传播,来达到探测地下地层的目的。通常来说,激发单元主要由信号发射器、波束形成单元、功率放大单元以及发射基阵四部分组成。
信号发生器是产生信号的设备,根据探测目标体的不同,可以产生各种不同的信号,例如固定频率的信号、线性调频声脉冲(chrip)信号。信号产生器产生的信号被送到波束形成矩阵,它的作用是给信号增加一个延时以及加权处理。经过加权和延时的信号再进行下一步的功率放大,然后再与发射基阵相匹配,这样就可以以更高的效率发射信号。
2.1.2接收单元,如图3所示。
接收单元也可称为接收换能器,它的作用相当于地震勘探中的检波器,它负责将质点的振动信号转化为电信号,并将其记录下来。接收单元主要由接收基阵、信号处理单元、信号显示单元三部分组成。
首先,接收基阵负责接收来自海底的反射波,然后信号处理单元对收集得到的信号做简单的处理,例如自动增益控制、时变增益放大等,最后显示单元对简单处理之后的信号进行成图显示。
2.1.3其他部件
其他部件既包括仪器的配套设备,如电源、电缆、接线盒等。又包括了其他的辅助测量设备,例如导航定位设备、涌浪测量设备、热敏输出设备等等。
仪器的配套设备是进行测量的重要保障,它们为激发单元以及接收单元提供各种支持,是整个系统不可或缺的一部分。而辅助测量设备则各有其功能,导航定位设备用于海上导航定位信号的接收,保证采集的准确度。海上作业时,由于涌浪、海流等因素的变化会对测量结果造成影响,因此,涌浪测量设备使用记录涌浪的变化,方便后期的处理消除涌浪起伏对信号的影响。高质量的热敏输出设备能够实时的输出结果,直观准确的反映地层岩性变化,做到采集结果的实时反馈,极大程度的提高采集效率。
2.2数据处理
在数据采集阶段,浅地层剖面探测技术与常规水深的测量大致相同,但在测线设计、震源特性部分稍有区分。
在测线设计方面,进行浅剖测量的测线设计与其他水深测量的测线设计类似,均需要严格按照测量比例尺进行测线的设计和布设,只是在进行浅剖测量时,为了保证测量的精度,必须要设计若干条与主测线相垂直的检查线,就此来进行自检从而校正测量的误差,提高测量精度。
浅剖测量与单道地震工作原理基本一致,但与单道地震相比,浅剖测量采用的声源频率更高,因此得到的记录的分辨率也就更高。但是,由于单道采集的采集方式不能进行叠加等处理,通常受外界噪声干扰的影响比较严重。要获得信噪比更高的数据,就需要各个环节严格把关。通过改善系统的激发和接收条件,能够降低数据采集过程一部分的噪声干扰,使数据质量得到一定程度的提高,但是要想获得高精度高质量的浅剖剖面,浅剖数据的处理就变得尤为重要。在浅剖资料的处理过程中,对于各种干扰波的识别与压制就成为重中之重。
2.2.1直达波干扰
在进行浅剖资料采集时,当激发换能器激发信号向外传播时,大部分的信号会向下传播,但由于换能器的发射角度较大,激发换能器发射的信号会有一部分直接沿水平方向传播。该部分信号没有经过地下地层的反射而直接到达接收换能器,被换能器直接接收,就形成了直达波记录。由于一般情况下激发换能器与接收换能器间距小于测区水深时,直达波的旅行时间较短,且在采集过程中几乎不发生变化,因此,直达波在剖面图中会反映在海底面的上端,与时间轴平行,水平方向形态几乎保持不变,可呈现一条或多条平行线。直达波出现在10ms以内,与地下地层的反射记录的旅行时间有明显的差异,在处理过程中可以采用直接切除的方式。
2.2.2环境噪声干扰
在进行浅剖测量时,由于会受到船体的机械振动和交流电源干扰,以及海流、波浪作用的影响,会产生一定的环境噪声。环境噪声分布比较均匀具有一定的随机性,在剖面上呈现出一种不规则的形态,是浅剖剖面记录上的主要干扰背景。在这众多的环境干扰中,水听器的拖曳与海水的摩擦产生的振动干扰首当其冲。另外,这两者摩擦产生的震动干扰的强弱与还与采集时的航向息息相关,当船体顺着水流进行测量时,波浪干扰背景较弱,采集得到的记录信噪比较高。当船体逆着水流进行测量时,水听器的拖曳与海水的摩擦加剧,干扰噪声背景会明显增强,甚至会掩盖较弱的有效反射信号。于此同时,船速也是环境噪声干扰的一个重要因素,船速越大,环境噪声就会越严重,因此可以通过控制船速来达到降低环境噪声的目的。实践表明,当工作的船速小于5节时,环境噪声相对较弱,记录的信噪比较高,可以满足一般的勘探要求。此外,在采集过程中还会受到50HZ的交流电的干扰,可以尝试将高压放电控制单元和采集工作站良好接地,以此来消除交流电干扰。
一般情况下,环境噪声在频率域有无限大的频率,为白噪声。因此在后期处理过程中,可以采用带通滤波、中值滤波等手段处理。
2.2.3多次反射波
多次反射波的识别与压制,一直以来是浅剖资料处理中的一个复杂的问题,尤其是在浅海区域,多次波的影响更为严重。当工区水深较浅,并且海底地层介质较硬时,海水和该介质之间就会形成强反射界面。激发换能器发射的声波达到该界面,大部分声波会被反射回来,一部分声波被接收换能器所接收,作为该界面的回波信号显示在记录上。同时另一部分回来的声波经过水面反射,再次返回海底,再经过该界面的第二次反射,再次回到海面又被接收换能器接收到,第二次作为该界面的回波信号再次显示在记录上。以此类推,部分信号还会再次向下传导经界面三次反射第三次显示在记录上。这些多次反射会与其他界面的一次反射混在一起,严重影响了资料的质量。为了能更好的识别压制多次被,就需要了解多次波的特点。
从时间上来看,多次波的旅行时间表现为一次反射的两倍或多倍。从反射形态来看,多次波在剖面上的整体形态与一次波几乎相同,但是强度会逐次减弱,并且极性也会依次相反。并且当海底界面存在一定的坡度时,相比较于一次波,多次波的同相轴所呈现斜率会成倍增加,可以以此来作为多次波的重要判别依据。在进行资料处理的时,为了消除多次波,可以采用预测反褶积的方式。
2.3分辨能力
浅剖测量的分辨能力可以用分辨率来衡量,而分辨率又可以分为垂直分辨率以及水平分辨率。
2.3.1垂直分辨率
浅剖的垂直分辨率指的是浅剖测量在垂直方向的分辨能力,简而言之,在垂直方向上能分辨出来的地层的最小厚度。垂直分辨率主要取决于发射脉冲信号的宽度,即:
其中,c为地层中的声速,τ为发射脉冲信号的宽度。说明在垂直方向能分辨的最薄地层厚度为也就是说,在理想状况下,当第一个脉冲信号到达接收单元时,第二个脉冲到达接收单元的延时必须大于这样两个脉冲才能完全分隔开来,从而分辨出两个界面。如果两个脉冲信号到达接收单元的时间差小于就会发生干涉,从而重叠在一起,影响对地下地层的判断。而在实际的过程中,垂向分辨率还与多种因素有关,例如地层的深度、界面透射与反射的能力以及计算机等设备自身的分辨能力。
2.3.2水平分辨率
声波以球面波形式向外传播,而它覆盖的面积也随扩散时间的增加而变大。声波触及反射界面后产生反射声波,能够第一时间被剖面仪的检波器记录下来的反射声波的有限元域,称为第一菲涅尔带。第一菲涅尔带的半径大小对浅剖测量的水平分辨率具有很大的影响。这一半径R可由下式表示:
其中t为声波到达反射物体的时间。V为声源与反射体之间介质的速度。f为声波信号的频率。
当R值较小时,水平分辨率高,能分辨在水平方向上的细微的凹陷或者隆起构造。而当R值较大时,水平分辨率低,细微的凹陷或者隆起构造不能得到有效的分辨。
3.下面结合水体模型的正演模拟对本发明作进一步描述。
在物理海洋学的研究过程中,海水的温度、盐度和密度是极为重要的三个物理参数,许多重要问题都与这三者有密不可分的联系。海水的温度、盐度和密度的时空分布情况以及它们的变化规律,与海洋中几乎所有的现象都息息相关,一直是研究的重点。
总的来说,全球海洋的温盐密度场基本特征可以概括为:水平方向上沿纬度呈带状分布,即东西方向上差异较小,南北方向上差异相对大。垂直方向上,基本呈层状结构,水深越深水平差异越小,到了深层,温盐密基本呈均匀状态。
由于海水在垂直方向是成层状分布的,温度盐度密度的分布都有一定的规律可循,因此说,可以利用海水层状分布的特征以及海水实际的物理特征来建立理想状况下海水模型。但是,理想化的海水模型是温、盐、密-深度模型,而在进行地震波场正演模拟时,理想的模型是速度-密度模型,因此,要想建立地震波场模型进行正演模拟,首先要实现两种模型的转化,将理想化的海水模型转化为地震波场模型,利用海水模型中的温度、盐度等资料求取海水的速度以及密度。
3.1海水速度的求取
众所周知,声波在海水中的传播速度大致为1500m/s,然而,当研究的对象变为了海水的内部结构,对于海水的速度也有了更严格的要求。研究表明,介质的特性会对声波的传播速度有影响。海水是非均质介质,它的温度、盐度在垂直方向是成层状分布的,不同深度的海水温度、盐度、生物量和气泡都不同。因此,声波在海水各处的传播速度也不同。
获取海水的速度有两种途径,一是可以通过实验直接获取,二是利用其它参量根据经验公式计算得到。前者固然更加准确,但是采集成本高且不适用于大片海域。因此,后者的应用更加广泛。
经过海洋学家得出规律。海水中的声速是温度、盐度和压力的函数,在计算海水声速时,目前应用比较多的是威尔逊公式,引用
C=1499.14+ΔC1+ΔCT+ΔCs+ΔCp+ΔCTSp (2-1)
式(2-1)中
ΔCT=4.5721T-4.4532×10-2T2-2.6045×10-4T3-7.985×10-6T4ΔCs=1.398(S-35)+1.692×10-2(S-35)2
ΔCp=1.60272×10-1p+1.0268×10-5p2+3.5126×10-9p3-3.3603×10-12p4
ΔCTSp=(S-35)(-1.1244)×10-2T+7.7711×10-7T2+7.7016×10-5P-1.2943 ×10- 7P2+3.1580×10-8Pt+1.5790×10-9PT2)+p(-1.8607)×10-4T +7.4812×10-6T2+4.5283×10- 8T3)+p2(-2.5294×10-7T+1.8563 ×10-9T2)+p3(1-1.9626×10-4T)
在式(2-1)中,C的单位为m/s,T为℃,S为%,p为kg/cm2。在实际计算中,静压力可以通过经验公式转化为深度,经验公式的关系式为:
p=1.033+1.028126×10-1Z+2.38×10-7TZ2-6.8×10-17T (2-2)
在式(2-2)中,Z为深度,单位为m。
将以上几个公式进行带入化简,可以将声波速度最终转换为温度、盐度和深度三者函数,具体关系式为:
C=1492.9+3(t-10)-6×10-3(t-10)2-4×10-2(t-18)2 +1.2(S-35)-10-2(t-18)(S-35)2+Z/61 (2-3)
利用公式(2-3),进行探讨浅海海域温度、盐度、深度对声波速度的影响。根据资料,我国渤海海域夏季温度变化范围一般为18.4-25.6℃。盐度变化范围一般为30-34。大部分海域海水深度为0-50m。
(1)温度对声波速度的影响
当盐度固定为31,深度固定为25m时,温度对速度的影响基本呈现正相关,随着水体温度的升高,声波速度也变大。并且当温度小于18℃时,曲线斜率更大,而当温度大于18℃时,曲线相对变得平缓。从总体来看,从低温海域到高温海域速度变化还是比较明显的,最高温海域速度可达1540m/s,而最低温海域速度不足1500m/s,两者之差达到了40m/s,说明温度是影响速度的主要因素,是建立模型的重要依据。
(2)盐度对声波速度的影响
当温度固定为22℃,深度固定为25m时,盐度对速度的影响基本呈现正相关的一次函数图像,随着水体盐度的升高,声波速度也变大,且直线的斜率基本保持不变。从总体来看,从低盐海域到高盐海域速度变化不大,最高温海域速度为1526m/s,而最低温海域速度也接近1522m/s,两者之差仅仅只有4m/s,说明盐度是影响速度的次要因素,在建立模型时可以选择忽略。
(3)深度对声波速度的影响
当温度固定为22℃,盐度固定为31,水体深度对速度的影响基本呈现正相关,声波速度随水体盐度的升高而变大。从总体来看,从表层到深层速度变化很小,深层速度为1523.3m/s,而海水表层速度也接近1522.5m/s,两者之差仅仅只有0.8m/s,几乎可以忽略不计,说明盐度对速度影响很小,在建立模型时几乎不用考虑。
3.2海水密度的求取
海水的密度在研究海洋过程时的一个重要参数,对海洋中的许多工作都有重要影响。同样,海水的密度也有两种获取方法,一是可以直接测量得到海水密度,二是可以利用海水盐度、温度和压力根据经验公式计算得到。前者更加准确但操作比较繁琐,并且深层之下的海水密度是很难直接测量。后者的经验公式称为海水状态方程。
海水状态方程还分为一个大气压下国际海水状态方程以及任意压力下国际海水状态方程:引用
当海水在海面,海压为0,海水密度ρ(S,t,0)仅是盐度S和温度t(℃)的函数,就形成了一个大气压下国际海水状态方程:
ρ(S,t,0)=ρw+LS+MS3/2+NCS2 (2-4)
式(2-4)中
L=8.24493×10-1-4.0899×10-3t+7.6438×10-5t2-8.2467×10-7t3+5.3875 ×10-9t4
M=5.72466×10-3+1.0227×10-4-1.6546×10-6t2
N=48314×10-4
其中ρw为基准水的密度,可以由以下公式来计算:
ρw=999.842594+6.793952×10-2t-9.095290×10-3t2+ 1.001685×10-4t3-1.120083×10-6t4+6.536332×10-9t5 (2-5)
式(2-5)的有一定的适用范围,即:温度-2~40℃,实用盐度0~42,计算密度的标准差为 3.6×10-3kg/m3。
当海水不在海面时,海水海水密度ρ(S,t,p)是任意压力状态下与盐度、温度和海压的关系,即任意压力下国际海水状态方程:
式(3-6)中ρ(S,t,0)为海压为0情况下的海水状态方程,如式(2-7)所示。
K(S,t,p)=K(S,t,0)+A·(np)+B·(np)2 (2-7) 其中:
K(S,t,0)=Kw+(54.6746-0.603459t+1.09987×10-2t2-6.1670×10-5t3)S +(7.944×10-2+1.6483×10-2t-5.3009×10-4t2)S3/2
A=Aw+(2.2838×10-3-1.0981×10-5t-1.6078×10-6t2)S+1.91075×10-4S3/2
B=Bw+(-9.9348×10-7+2.0816×10-8t+9.1697×10-10t2)S
割线体积模量中的纯水项由下式给出:
Kw=19652.2+148.4206t-2.327105t2+1.360477×10-2t3-5.155288×10-5t4
Aw=3.239908+1.43713×10-3t+1.16092×10-4t2-5.79905×10-5t3
Bw=8.50935×10-5-6.12293×10-6t+5.2787×10-8t2
同时,该方程也有一定的适用范围:温度-2~40℃,实用盐度0~42,海压0~108Pa,压力匹配因数n=10-5。
利用上述两个方程,进行探讨浅海海域温度、盐度、深度对海水密度的影响。
(1)温度对海水密度的影响
当盐度固定为31,深度固定为25m时,水体温度对密度的影响基本呈现负相关,水体密度随温度的升高而降低。从总体来看,从低温海域到高温海域密度变化不大,当温度为14℃时,海水密度为1023.2kg/m3。温度为28℃时,海水密度降为1019.5kg/m3,两者之差不大。
(2)盐度对海水密度的影响
当温度固定为22℃,深度固定为25m时,水体盐度对密度的影响基本呈现正相关,水体密度随盐度的升高而增加。但总体来看变化不大,当盐度为30时,海水密度为1020.5kg/m3。盐度为34时,海水密度变为1023.5kg/m3,两者相差不大。因此在进行模型建立时,盐度变化对于海水密度的影响可以不予考虑,将模型盐度按照常数处理。
(3)深度对海水密度的影响
当温度固定为22℃,盐度固定为31时,水体盐度对密度的影响基本呈现正相关,水体密度随深度的增加而增加。不难理解,当海水深度变大,压强随之增大,就会导致水体被“压实”,因而密度增加。总体来看,从海水表面到深度为50m的深水区域,海水密度的变化很微弱。当海水深度为0m时,密度为1021.19 kg/m3。当海水深度为50m时,海水密度为1021.4kg/m3,两者仅仅相差了0.2kg/m3。因此浅海海水在进行模型建立时,可以选择忽略深度对海水密度的影响。
3.3模型的正演模拟
为了分析不同的海洋水体结构在浅剖剖面的波场特征以及传播规律,根据前人对渤海海域水层的研究结果以及现有的温度盐度数据,进行以下四种海洋水体结构的正演模拟。
3.3.1水平层状模型
由于海水在垂直方向是层状分布的,因此,就会存在温度、盐度等参量突变的界面,即存在各种跃层。在多种的跃层中,温跃层最为常见。因此,水平层状模型的建立主要为了模拟温跃层,从而分析温跃层在浅剖剖面的波场响应以及传播规律。
表3-1水层模型的温盐参数
水层 | 深度(m) | 温度(℃) | 盐度 |
水层1 | 0-12.75 | 22.6 | 31.71 |
水层2 | 12.75-22.5 | 20.8 | 31.79 |
水层3 | 22.5-30 | 18.70 | 31.86 |
地层 | >30 | —— | —— |
根据对渤海水层的划分,将水平层状模型定为3层,总水深为30m,其中,水层1的厚度为12.75m,温度为22.6℃,盐度为31.71。水层2的厚度9.75m,温度为20.8℃,盐度为31.79。水层3的厚度为2.75m,温度为18.70℃,盐度为31.86,30m以下为海底的地层。随后利用水层的温度、盐度以及深度求取各个水层的速度以及密度,其中,地层的速度给定为1800m/s,而地层的密度则根据加德纳公式求得。
在进行模型的正演模拟时,为与浅剖测量的测量方式保持一致,因此本发明模拟采用高频率震源、单道接收的方式。此外,在进行采样间隔的选择时,也与平时模拟有所区别,并没有选择采用整数毫秒的采样,而是选择了浅剖测量时的0.062ms的采样间隔。在本次模拟中,为了更能符合浅剖测量的真实情况,采用的500HZ的零相位的雷克子波。
为了使模拟的结果与真实的测量结果更加接近,考虑到涌浪的干扰以及随机噪声的影响,因此,在正演模拟时加入了信噪比为50的随机干扰,并且模拟加入了最高可达0.8m的涌浪。
在剖面的最顶端,存在一条强反射,它旅行时间短、波形能量强、且近乎水平,因此可以断定为直达波。在0.04秒处,有一条强反射轴,这是海底的一次反射,而在0.08秒处,仍有一条强反射轴的存在,其形态与海底一次反射类似,时间大致是其两倍,因此我们可以断定为海底的多次反射波。海底以上部分还存在两条反射轴,这就是三层海水的两个分界面,与上层的直达波以及下面的海底反射相比,海水界面的反射能量低,不易识别。
在加入了涌浪之后,原本水平的地层以及海水层在剖面上呈现起伏,尤其是在170道左右,海底的起伏幅度较大,对后续的解释形成了较大的干扰,因此我们在下一步的资料处理环节要消除涌浪的影响。此外海水界面的能量相比于海底地层本就十分微弱,而在加入随机噪音之后,海水界面变得更加难以识别,因此,也要在后期的资料处理环节进行环境噪声的压制。
3.3.2水团模型
在近海海域,海水不仅仅在垂直方向上能看到跃层,在水平方向上也会存在物性参数不同的水团。这些水团与周围水层之间存在着温度和盐度的差异,因此建立水团模型来对此进行模拟。虽然在实际中水团的形状是不规则的,并且还与周围的水层存在一定的混合区域,但在模拟时,为简化运算,将水团定为规则形状。
在水平层状模型的上部加入两个水团形成水团模型。如表(3-2),其中水团5为低温水团,温度19.40℃,盐度为30.5,。水团6为高温水团,温度为22.38℃,盐度为32.05。
表3-2水团模型的温盐参数
水团 | 温度(℃) | 盐度 |
水团5 | 19.40 | 30.5 |
水团6 | 22.38 | 32.05 |
根据水团的温度、盐度、深度求解得到两个水团各自的速度以及密度,建立水团模型如图4所示。两个水团外形均为规则四边形,水团横向展布大约为30m,分布深度大致在3到11m之间,其中左侧黄色四边形代表低温水团,速度为1515.3m/s,密度为1021.5kg/m3。右侧淡蓝色四边形为高温水团,速度为 1525.1m/s,密度为1021.9kg/m3。
依照水层模型的观测方式进行模拟得到结果如5所示。图中涌浪的以及随机噪声的影响依然十分明显,相比于前文的水平层状模型,随机噪声对水团模型的影响更加严重,尤其是对于右侧高温水团,高温水团由于和周围水体的温差小,形成的波阻抗差异不明显,因此水团与周围水体的分界面反射系数小,能量弱小从而不易识别。
3.3.3海洋锋模型
锋面是海洋中常见的自然现象,当两个流体团相遇,由于它们各自来源地不同,因此具有明显的水文差异,这样一来,在两个流体团的接触面就会出现狭窄的过渡区域,并且这个区域的各个参量水平变化非常迅速,于是便把这样区域称为锋面。
首先,海洋锋面所在区域的热量、水汽交换非常活跃,对天气和气候有非常重要的影响。其次,海洋锋的垂向输运还改变了海水营养盐的分布,因此为海洋渔业提供了重要的考察依据。再者,海洋锋区域环境噪声严重,水下声学通讯产生极大的干扰,间接的影响了船只舰队的航行以及海军水下活动。因此说。对于锋面的分析在海洋气候、海洋渔业、军事、海上救援等方面有重要意义。
通常情况下,温跃层的等温线分布大体呈水平状。而由于太阳辐射、海流和海浪的混合作用等多种原因,会使海水的温跃层结构受到破坏,下层冷水和上层暖水相遇,造成浅水区水温高于层化区的底层水温,而低于外海层化区上层混合水温的现象出现。此时,原本水平结构的温跃层等温线变成了台状结构,出现等温线向下弯曲的过渡区,这就是海洋锋。
为突出海洋锋在剖面的显示,对两侧的海洋锋进行局部放大,中部的水团尺寸相应缩小。中部海域等温线几乎平行且温度由上及下逐渐降低,而在两侧的海洋锋分布区域,等温线不再水平,而是呈现一定的夹角。并且温度的分布不再是单一的上及下逐渐降低,而是呈现了低—高—低的形式。
对上述海洋锋模型进行正演模拟可以看出海洋锋的形态清晰可见。对海洋锋局部进行分析,海洋锋的同相轴与普通等温线相比,最明显的特征为极性相反。因此,在进行资料处理时,可以加以利用。
3.3.4双中心冷水团结构模型
渤海平均水深不到20m,由渤海湾、莱州湾、辽东湾和中部浅滩四部分组成。渤海海域的发生季节性层化一般从每年4月开始,持续时间约为半年。在这几个月的时间内,从黄河口到辽东湾湾顶的断面水团的分布规律为:近岸被温度较高的混合均匀水所占据。远岸为“双中心”冷水团结构,即形成两个底层冷水团,中心为浅滩南、北两侧的洼地。观测表明,两个冷水团的温度也存在差异,北部的洼地由于纬度高、深度较深等因素导致形成的水团温度较低,使得两个冷水团表现为“非对称”的温度结构。数据表明二者的温度差异可达1.5℃左右。
根据前人调查得到的双中心冷水团温度与盐度分布情况,建立双中心冷水结构模型,旨在分析这一现象在浅剖剖面的波场特征以及传播规律。
水团之上的等温线呈现平行分布,双中心冷水团表现为非对称结构,且右侧水团温度要低于左侧水团,符合水团实际的分布情况。对双中心冷水结构模型进行浅剖正演模拟,两个冷水团界面虽然强度远小于海底地层的反射,但相比于水体等温线仍然呈现出更强的能量反射。相比较之下,右侧冷水团的反射强度更大,这与右侧水团温度更低有一定的关系。在随机噪声的干扰之下,水团边界以及等温线边界都变得不再清晰,因此,压制随机噪声明确水团边界是后期处理的重要工作。
4.下面结合浅剖资料处理关键技术分析对本发明作进一步描述。
提高浅剖资料的品质是一项系统工程,它既包括野外资料采集更包括室内的资料处理,而就目前而言,浅剖的资料的室内处理环节并没有得到足够的重视,因此进行资料处理的研究就显得尤为重要。本发明主要针对残缺数据插值、涌浪校正、环境噪声压制三个环节进行数据处理。
4.1数据插值
4.1.1基本原理
插值法又叫“内插法”,是利用函数进行逼近的一种重要方法。它的原理就是利用多个离散点拟合出一条曲线称为插值函数,这样就可以得到这条函数上每一个点的函数值,既包括原来的已知点的函数值又可以求解未知点的函数值,以此来求得缺失的数据。
假设我们给定的N个点采样数据为{mi,i=1,2,3,……N},其中m1,m2,m3……mn为插值节点,将这一序列插值成Q个点的序列{nj,j=1,2,3,……N},插值的过程如下:
其中KN为权系数,f为插值核。通常在进行插值时,最简单的方法就是对两个采样点进行插值,因此插值形式可以简化为:
然后这样的插值方式在进行浅剖资料插值时,当目标界面非水平时,插值误差比较大。因此本发明采用基于能量不变的相关插值,步骤如下:
(1)确定插值道i,向左向右各寻访5个非零道,记为a1,a2,a3,a4,a5,b1,b2,b3,b4,b5。
(2)将a1道与剩余9道做相关,寻找各道与a1道的上下偏移量。
(3)将各道上下平移减去偏移量后,在按照距离反比例加权相加得到x。
(4)利用各道的与a1道的距离作为横坐标、偏移量作为纵坐标求取偏移量函数。
(5)利用偏移量函数求取i道的偏移量,将x按照偏移量进行上下平移得到y。
(6)依照相邻道间采样能量基本不变,将y进行能量校正得到z。
(7)将z填充目标道。
4.1.2应用效果
利用基于能量不变的相关插值法与传统的左侧填充插值、两侧插值方法进行比较。
首先针对地下地层的插值效果进行比较。原始记录中,第1道到第6道之间,地层有一明显的深度变化,并且能量相对较低。将原始记录的2—5道、12—14道、20道、22道、24道人工充零形成目标道,待插值记录中,随即进行利用四种方式进行插值恢复目标道。
左侧填充插值方式,可以看出目标道完全呈现左侧记录的形态,当地下地层起伏不大或者为平层时,当道号大于6时,目标道与左侧道形态、能量差别很小,左侧填充的插值方式可以达到很好地插值效果。当地下地层呈现非水平状态时,左侧填充的插值方式效果较差。
两侧插值方式,直接寻访目标道两侧最近的非零道进行加权相加,相比于左侧填充插值,这样的插值方式使得目标道可以兼顾两侧的记录。当地下地层起伏不大或者为平层时,如图当道号大于6时,各道之间差别较小,且相位差几乎为零,因此两侧插值的方式可以很好地还原地下地层的形态。而当地下地层为倾斜状态时,道与道之间存在相位差,简单的两侧相加会造成记录之间的互相抵消,不仅会使能量大幅降低还会使波形出现畸变,填充效果不理想。
基于能量不变的相关插值,相比于两侧插值,它对于地下地层的为倾斜的情况,插值效果更加明显。比较2—5道的插值结果,从波形形状来看,形成的同相轴更加平滑,且波形基本保持一致没有发生畸变,从能量角度分析,相关插值的结果与原数据波形能量基本保持一致,并没有明显的增强或者削弱。因此说,基于能量不变的相关插值可以很好地还原地下地层的原有形状,实现浅剖资料的数据重构。
上述分析了基于能量不变的相关插值在针对地下地层的插值效果,还要再次分析几种插值方式对于水层等更细微的层位的效果,于是将上述几种插值方式结果的浅层水体部分放大加以分析。同理,原始的记录结果中,将原始记录的2—5道、12—14道、20道、22道、24道人工充零形成待插值记录,不同于地下地层的单层结构,浅层水体部分的记录呈现多条同相轴的形态,且几乎每条同相轴均有一定的弧度。
在这样的情况下,左侧填充的插值方式效果很不理想,尤其是多道连续填充时,原本起伏的水层变成了水平层,且在填充最后出现同相轴的上下错断,容易在给后续的解释工作造成假象干扰。而两侧插值方式相比较于左侧填充插值,在同相轴的连续方面大有改进,没有出现同相轴的上下错断的情况,但是在4、 5道能量变低,并且波形的形状发生了变化,原来记录只有两个波峰,而在进行两侧插值之后,波峰数目发生了变化,变为了三个,这样的波形畸变会对后期的频率分析产生巨大干扰。
相比较上述两种插值方式,基于能量不变的相关插值在波形能量以及波形的畸变的控制方面都展现了更好的效果。在原始记录中,相比较于第三道和第五道,第四道的主波峰能量更强,而在进行相关插值之后,明显看到第四道的主波峰能量明显高于两侧。而在波形畸变的控制方面,相关插值的波形波峰数目与原始记录一致且波形的基本形状也基本不变,更好的还原了原始记录的形态。
对三种插值方式所得到的数据与原始数据对应道进行相关计算,求取Pearson相关系数,以此来定量分析判定三种插值方式对待插值道的还原能力。当对单道进行插值时,如20、22、24道三种插值方式的相关系数均大于0.90,其中两侧插值达到了0.95以上,而相关插值则为0.97左右,总的来说差异并不是太大。但是当出现连续道缺失时,如3—5道、12—14道,三种插值方式的优劣就变得尤为明显。左侧插值的相关系数降低到0.6以下,而两侧插值的相关系数则在0.75至0.85之间,起伏较大。但相关插值的相关系数依然在0.90以上,综合所有插值道,平均值达到0.9524,可见该算法较为稳定。
综上所述,基于能量不变的相关插值方式无论对于地下地层,还是能量更小的浅海水层,都能更好的还原原始浅剖记录的形态,达到理想的数据重构的效果。
4.2涌浪校正
4.2.1基本原理
在陆地地震勘探中,静校正是数据处理过程中不可或缺的一步,它可以消除激发点与接收点的高度差变化以及采集过程中地面起伏造成的基准面的变化影响。而在海洋勘探中,激发单元和接收单元都固定在调查船上,彼此之间的高度差一直保持不变,不需要校正。但是调查船在采样过程中会受到涌浪的影响,相对于海平面上下平移,造成海底地形和下伏地层界面的畸变,这一平移量通常很小,一般不会超过2m,但是对于追求高精度的浅剖测量来讲,这一误差显然不可忽视,因此说在浅剖资料处理的过程中必须通过类似静校正的方式消除这一平移量的影响,称之为“涌浪校正”。
想要进行涌浪校正,最理想的情况是可以获取采集过程中涌浪造成的海面的起伏变化,而在浅剖测量过程中,一般没有专门的仪器对海面的起伏进行跟踪测量,因此说不能采用传统地震勘探静校正的方式进行涌浪校正。虽然在采集过程中,涌浪是时刻变化的,涌浪自身的运动本就存在一定的规律。在一个周期内,可以近似的认为涌浪的波峰和波谷可以相互抵消。因此,针对这一规律只需要确定涌浪在采集时段的周期,就可以通过多道叠加的方式消除涌浪的影响。为确定不同采集时段的周期,可以通过对记录进行分段截取,然后通过自相关法来求取。称之为变周期的叠加消除法。
4.2.2应用效果
根据涌浪的变化规律,建立正弦函数型涌浪模型以及基于Neumann谱的涌浪模型,然后利用变周期的叠加消除法对其进行涌浪校正,分析该方法的校正效果。
正弦型涌浪图中,横轴为距离,纵轴为涌浪高度,可以看出该涌浪在0—20m的范围内大致上下震荡三次,周期保持不变,大致为7m,而最大的振幅为0.8m。将正弦型涌浪应用于理想海面,即可得到正弦型涌浪海面校正前记录,在时间大致为500毫秒时,存在一强反射界面,此时呈现起伏形态,与此同时,在时间大致为1200毫秒也存在一个相对较弱的反射界面,此时也出现上下起伏现象。而在理想海面记录上,这两个界面均呈现水平形态。
利用变周期的叠加消除法对其进行涌浪校正,无论在500毫秒还是1200毫秒。两条同相轴均变得水平,接近理想海面的记录,还原了记录的真正形态,有效的消除了正弦型涌浪对资料的干扰。
相比较于正弦型涌浪,基于Neumann谱的涌浪模型更加复杂,它的涌浪波形的周期以及峰值变化较大且规律性不强,在一个周期内,它的正振幅和负振幅基本相等,在一个周期内进行各道叠加,正负值恰好可以相互抵消,这也保证了可以利用变周期的叠加消除法对其进行涌浪校正。对于周期的确定,则可以通过利用自相关的方法简单获取。
基于Neumann谱的涌浪模型中,横轴为距离,纵轴为涌浪高度,可以看出该涌浪在上下震荡的最大振幅为0.5m左右。为使应用效果明显化,将基于Neumann谱的涌浪截取部分应用于理想海面,即可得到基于Neumann谱的涌浪校正前记录。横轴为道号,纵轴为记录的时间,单位为毫秒。在时间大致为180毫秒时,存在一强反射界面,此时呈现起伏形态,与此同时,在时间大致为350毫秒也存在另一个反射界面,此时也出现上下起伏现象。尤其是当道号为20—40、以及100—130时,界面的起伏尤其明显,严重影响了解释精度。而在理想海面记录上,这两个界面均呈现水平形态。
利用变周期的叠加消除法对其进行涌浪校正,相比于校正前,无论在180毫秒还是350毫秒。两条同相轴均变得水平,尤其是在道号为20—40、以及100—130时,原本起伏的界面变得平缓,更加接近理想海面的记录。但是由于模型本身周期以及峰值变化较大且规律性不强,简单的变周期的叠加消除法还无法完完全全消除涌浪影响,做到与理想状况丝毫不差,因此在部分道仍然存在起伏,尤其道号为40—60时,起伏相比于原来还略有增加。因此计算校正前后波动平方和对所有道校正结果进行综合评价。将校正前校正后的记录相对于理想海面记录求取其上下波动值,再计算该波动值数列中每个元素的平方和。校正前波动平方和为2.6233,校正后波动平方和为0.2973,将校正后结果与校正前结果做商为0.1133。也就是说,该方法消除了将近90%的涌浪干扰。
综上所述,相比于校正前,利用变周期的叠加消除法进行涌浪校正有效的消除了涌浪对资料的干扰,提高了资料的品质。
4.3噪声压制
与常规地震通常采用的多次覆盖采集方式相比,浅剖测量采用单道激发单道接收的采集方式,地下的同一个反射点只有一道记录与之对应,在后期的处理过程中无法建立观测系统,从而无法进行动校正之后的资料叠加,环境噪声往往得不到有效的压制,通常情况下,浅剖资料的信噪比较低。在无法建立观测系统的情况下如何压制环境噪声,提高资料的信噪比一直也是近年来研究的重点。许多技术手段也在研究中取得了不错的应用效果,例如:带通滤波、混道相加、F-X域信号增强、F-K域滤波、反褶积、振幅恢复等。
这些技术手段的分析目标通常为地下的地层或者地下结构,这样的目标体在剖面通常变现为强反射,同相轴相对更加明显且可追踪性更强。但是,当研究的目标转向浅层的水体,水层以及水体结构所形成的反射强度十分弱小,在剖面上表现的极不明显,也对这些技术的适用性提出了新的考验。因此,要利用这些技术,对浅海水体部分进行噪声压制、提高浅海水体部分资料的信噪比。
4.3.1F-X域信号增强
以冷水团模型为例利用多种技术来进行噪声压制以此来提高资料的信噪比,在原始记录,由于地层反射以及直达波能量过强,浅海水层部分的弱信号反射根本无法呈现,因此首先就要对原始记录进行顶底切除,目的就是将不需要的地下地层反射以及直达波部分的信号人为充零处理,突出显示浅海水体部分的有效信号,将左侧水层局部放大,总体来看,剖面随机干扰比较多,信噪比较差,不同水层的界限位置反射同相轴隐约可见,但是连续性较差,不能有效的划分水层以及水体的结构。
利用F-X域信号增强技术进行数据处理,在进行参数选择时,不同于常规地震的低频参数,根据浅剖采集的震源主频为500HZ,选取的增强范围为200—2000HZ,处理后的反射同相轴能量明显得到加强,对于处理前,方框位置的连续性也有所改善,可是在圆圈所示的水团两侧的边界区域,有效信号的能量依然很弱,同相轴很难得到识别,因此水团边界的具体位置很难确定。
4.3.2F-K域滤波
利用F-K域滤波技术进行信号处理,意思就是,将T-X域的信号分时窗利用二维傅里叶变换进行变换到F-K域。在时窗参数的选择时,浅剖资料的处理与常规地震的有所不同,不同于常规地震动辄上百毫秒的大时窗,针对浅海水体处理的时窗参数通常为十几毫秒,有时甚至选择3—5毫秒。在F-K域中,有效信号与随机噪声更加容易分辨,通常情况下,有效信号的能量会大于随机噪声的能量,因此,可以针对变换后功率谱,进行进一步的计算。将能量强的部分认为是有效信号,然后乘以一定的系数再次进行加强。将能量弱的部分认为是随机噪声,然后同样乘以一定的系数再次将其减弱。最后将计算后的信号反变换回T-X域,
在经过F-K域滤波之后,同相轴的能量变得更强、可识别度更高、连续性也更好,水层之间的界限更加明显,呈现强反射形式。更大的变化体现在水团的两侧的边界区域,信噪比得到很大程度的提高,原来模糊的区域出现几条形态可追踪的同相轴,使得水团的边界区域的划分变得可能。
4.3.3带通滤波
带通滤波利用有效信号以及随机噪声干扰频率的差别进行分离滤波,因此,带通滤波的范围就变得尤为关键,在常规地震的处理中,有效信号的频率较低,因此带通滤波的频带范围也较低,但是在浅剖资料的处理中,由于震源频率为500HZ左右,因此带通滤波的频带范围需要适当加大。再者,滤波前的剖面主要干扰主要为“雪花状”的随机噪声,这些随机噪声为高频干扰,因此说需要用时频分析的方法来确定有效信号以及随机干扰各自的频带,从而确定滤波器的参数。
有效信号的频带范围,主要集中于500HZ以下。“雪花状”随机干扰的频带范围,频带很宽,从 0—5000HZ均有分布。为了保证尽可能的保留有效信号不被“误伤”,又能尽可能的压制随机噪声,在经过多次的试验之后,最终将频带范围确定为200-240-1000-1200。
相比较于滤波前,方框区域内的反射轴也发生了变化,形态变细,对水层边界的刻画更加精确。另一方面,最大的变化就是“雪花状”随机干扰得到了很好地压制,提高了整个剖面的信噪比,达到了预想的效果。
5.下面结合基于随机森林的水体温度预测对本发明作进一步描述。
5.1随机森林算法
随机森林算法是一种新型的集成学习算法,是基于Bagging算法的扩展与改进。与传统的分类算法不同,它不是构建一个单独的分类器,而是通过构建多个相互独立的分类器,从而共同完成分类任务,它的最终分类结果是根据多棵决策树共同投票得出的。相比于其他机器学习算法,它简单容易实现、计算成本低。而相比较于单一分类器,它又能有效的克服过拟合的问题。除此之外,它具有很好的抗干扰性,对异常值以及噪声的容忍程度高,且事先不需要先验知识。
5.1.1决策树
决策树是随机森林的基分类器,它是一种常见的机器学习方法。通常,一棵决策树由一个根节点、多个内部节点以及多个叶节点组成。叶节点就是最终的决策结果,而其他的内部节点则相当于一个个的属性测试,上一个节点的样本将依次通过属性测试,并且根据属性测试结果被划分到响应的下一层节点。根节点是整个样本集,从根节点到底层的每一个叶节点的每一条路径都对应一个判别序列。
以某公司进行招聘为例,假设该企业会根据应聘者的学历、专业对口程度和性格等条件决定是否录用,这个过程就完全可以称为一个决策树案例,学历为根节点,它包含了所有的应聘者,而专业、性格则为决策树的非叶子节点,这些非叶子节点分别有许多分支,不同的分支就代表了不同的输出结果。在该决策树中,学历是第一个判别依据,也就是将学历作为第一个分裂特征。在进行分裂特征选择时,企业可以根据以往的经验,但是在机器分裂时,就需要借助分裂算法来实现。
5.1.2节点分裂算法
在分裂节点选择分裂属性是构建决策树最重要的环节。分裂属性是指在分裂节点,按照某种特征划分不同的分支,分裂属性的关键环节就是属性的选择。常见的节点分类算法主要有ID3算法、C4.5算法、CART 算法等。
(1)ID3算法
ID3算法的依据就是信息增益最大化原理。具体表现为引入信息论中的信息增益的概念,以信息增益为标准对属性值进行测试,选择结果最大的属性作为节点进行分裂。信息增益也就是信息熵的变化,即:
E(X)=M(u1)N(u1)+M(u2)N(u2)+………+M(ui)N(ui) (4-1)
式(5-1)中,M、N表示消息、消息的自信息量,i为个数。ID3算法参数较少,使用也较为简单,但是它的固有缺陷就是容易陷入局部极小。
(2)C4.5算法
针对ID3算法的不足,改进提出了C4.5算法,相比较于前者的信息增益最大化为判别依据,后者通过属性的信息增益率来选择节点分裂属性。即:
与ID3相比,一方面C4.5算法对连续的数据集也能有很好的适用程度,计算效果也更加精确。另一方面,它的运算成本也有相应的增加。
(3)CART算法
CART算法是基于基尼指数最小化作为分裂特征的选择度量,一个数据体A的基尼指数可以表示为:
其中,n为类型个数、Pi为该类型样本所占的比例。基尼指数数值介于0到1之间,且一个集合内类型越杂乱,该指数越大。该算法计算量小,可以处理连续性字段。但是一旦类别过多,效果会变差。
5.1.3随机森林算法主要流程
随机森林算法是可以看作是一种统计学习理论,它的主要原理可以概括为,首先利用bootsrap重抽样的方法从原始样本中选取部分样本,随即对每个所抽取的样本进行决策树建模,然后多棵决策树的预测进行组合,最后通过投票的方式得出最终预测结果。
它的主要流程包括以下几步:
(1)对原始的样本D运用放回或者不放回的方式进行抽样,从而形成D1、D2、……DI,共I个样本。
(2)在进行单个样本分析时,每个样本可以选择原始样本M个属性中任意的N个属性,并利用最佳分割点方式建立决策树。
(3)对每选取的K个样本都重复一次(2)过程,总共进行I次,对应产生的决策树数目为I。
(4)在上述步骤完成后,利用所有决策树对分类结果进行投票,从而获得最终的分类结果。
5.2地震属性提取
地震属性分析技术自应用之初就主要进行油气勘探的识别与解释,在后来的发展中,应用范围开始变得广泛,比如天然气水合物的属性分析、利用地震属性进行储层参数预测、对采空区利用三维地震属性体进行分析等等。而在地震海洋学发展之后,利用地震属性进行水体参数分析也开始得到广泛应用,利用三瞬属性、振幅属性、频率属性建立与水体的密度、速度、盐度的关系,实现利用地震属性来求取水体参数。
地震属性种类多种多样,而不同的地震属性也代表着不同的含义,在进行地质解释时扮演不同的作用,针对浅海水体的模型,经过多次试验,选取瞬时频率、均方根振幅以及一阶导数三种属性进行属性提取。
瞬时频率属性可以通过复地震道分析法来提取,就是将地震记录经过Hilbert变换得到复地震道,把信息在时间域内直接分解,得到瞬时振幅、瞬时相位和瞬时频率。
通常情况下,我们可以将地震波视为解析信号,那它可以看做是由地震实信号x(t)和它经过Hilbert变换得到的x*(t)结合起来组成而成:
f(t)=x(t)+ix*(t) (4-5)
其中,x*(t)为虚数部分,是地震道x(t)的正交道。因此就可以利用实数道与虚数道,求得瞬时振幅A(t) 和瞬时相位θ(t):
θ(t)=arctg[x*(t)/x(t) (4-7)
其中,A(t)是瞬时振幅,又可叫做包络振幅。θ(t)是瞬时相位。然后对所求的瞬时相位进行求导,就可以得到瞬时频率S(t):
但是在实际应用中,地震资料都是离散化的,所以在进行以上计算时,都要进行差分的形式的转化,即有:
θ(nΔt)=arctg[x*(nΔt)/x(nΔt) (4-10)
均方根振幅属性的提取可以根据以下公式:
式中,N为时窗内样点个数,xi为时窗内第i个样点的振幅值。
导数类属性基于地震道或相应的瞬时振幅的一阶或二阶导数求得,通过以下的公式来计算:
其中,Si是第i个地震道或振幅包络。d1i为一阶导数。d2i为二阶导数。Δt为采样间隔。
在水层模型记录及三种属性剖面中,a为处理后的水层模型记录剖面。b为水层模型瞬时频率属性剖面。c为水层模型均方根振幅属性剖面。d为水层模型一阶导数属性剖面。在三种剖面图中,水层的分界面界限均可以分辨出,尤其是在均方根振幅属性剖面中,同相轴处呈现强反射。而在一阶导数剖面中,同相轴的划分更加精细,子波的形态也可以得到很好地分辨。
在水团模型记录及三种属性剖面中,a为处理后的水体模型记录剖面。b为瞬时频率属性剖面。c为均方根振幅属性剖面。d为一阶导数属性剖面。与上述水层模型类似,两水层分界面可以得到很好地识别,在水团与周围水体的分界面的识别来看,左侧低温水团界面在几个属性剖面都能得到好的分辨,但是右侧的低温水团分界面的分辨效果不好,尤其是在一阶导数剖面,在水团下方与水层接触区域,甚至出现了界面的重叠现象,导致水团边界出现严重变形。
在水团模型记录及三种属性剖面中,a、b、c、d分别为海洋锋模型记录剖面、该模型的瞬时频率属性剖面、均方根振幅属性剖面以及一阶导数属性剖面。在海洋锋模型中,无论是原始的记录剖面还是三种地震模型剖面,锋面的位置都得到了清晰的刻画。b的瞬时频率剖面更注重锋面的整体轮廓,而c、d则对海洋锋的实际深度刻画的更加精确。
在图冷水团模型记录及三种属性剖面中,与以上类似,a、b、c、d分别为双中心冷水团模型记录剖面、该模型的瞬时频率属性剖面、均方根振幅属性剖面以及一阶导数属性剖面。不同于以上三个模型,双中心冷水团模型水体结构更加复杂,水层明显增多且水层的边界弯曲程度明显增大,因此,在以上的图中,水层的划分以及水团边界的识别并不是十分清晰。尤其是在b的瞬时频率剖面,不同水层之间的纵向间隔太小以至于出现瞬时频率属性的重叠,相互干扰,严重降低了分辨效果。但是在d的一阶导数属性剖面,各水层之间的分界明显清晰了许多。因此,借助多种属性剖面,依然可以实现对水层分界的识别划分。
5.3水体模型温度预测
在经过多次属性优选以及试验之后,选择瞬时频率、均方根振幅以及一阶导数三种属性进行属性分析,首先将三种属性进行归一化处理,然后选取部分道作为标准道,输入系统进行“学习”,利用随机森林算法寻找三种属性与水体温度之间的关系,将剩余道的属性值进行求解得到每一道的温度值,从而得到整个记录的温度剖面作为输出。
5.3.1水层模型温度预测
由于水层模型结构简单,在水平方向基本保持不变,因此在进行选取标准道作为已知输入时,输入的数目可以相对较少,但是随机森林算法自身的缺陷又对标准道的数目有一定的要求,因为综合两者,在进行多测实验的情况下,最终选择1、101、201、……1001共计11道作为标准道作为输入,最终得到水层模型的预测温度剖面。
在图6水层模型原始温度与预测温度剖面对比图中,a为水层模型原始温度剖面,b图为水层模型预测温度剖面,从整体来看,预测剖面中有许多“麻麻点”状干扰,整个剖面不够清晰,分辨率有所下降。但是另一方面,在预测剖面中,依然可以清晰看出水体可以分为三层,三层水温度都在20℃左右且温度逐渐降低,并且可以看到两个分界面在280毫秒以及490毫秒左右,这些信息与原始剖面基本保持一致。
将两个剖面的第100取出进行单道比较得到图7,红色线条为原始温度,黑色线条为预测温度,首先在水层间温度预测方面,表层水所预测温度相比于实际温度低了大约0.5℃,而深层水的预测温度则大致高了0.5℃,中层水预测温度则与实际温度基本吻合。其次在水层间界面的位置预测方面,两条曲线的拐点基本重合,水层界面的位置得到了很好的吻合。
预测温度剖面的每一道与原始温度剖面进行相关分析,模型水平变化不大,因此结果较为稳定。最高相关系数达0.9838,最低相关系数为0.9608,各道平均相关系数为0.9757。
5.3.2水团模型温度预测
在对水团模型进行选取标准道作为已知输入时,在进行多测实验的情况下。改变水层模型等间隔选取的普通采样方式,而是采用普通采样与重点采样相结合的方式。即在无水团的区域选择间隔为100道的普通采样,而在有水团的区域则采用间隔为50m的重点采样,总共选取17道数据作为标准道作为算法的“学习模板”,从而对整个区域进行温度预测,最终得到整个水团模型的预测温度剖面。
在图8中,a为水团模型原始温度剖面,b图为水团模型预测温度剖面,从整体来看,随机噪声干扰所造成的预测剖面中的“麻麻点”现象依然存在,下层水层之间的划分依旧清晰可见,不在详细赘述,重点分析上层两个水团的预测情况。左侧的低温水团由于与周围水体的温度差异较大,在不同的属性剖面上就得到了很好地识别,因此在预测温度中依就变现清晰可见。而右侧的高温水团虽然不像左侧低温水团一样明显,但是在预测温度剖面还是隐约可见。不同于三种属性剖面只对水团的边界有所反应,预测温度剖面对整个水团的温度都实现了刻画。而在水团的边界识别方面,相比于原始温度剖面,预测剖面的精确度有所下降,但是时间误差依然可以在2毫秒之内。
为细致比较左侧低温水团与右侧高温水团的预测结果,分别选取第300道以及第700道进行单道比较。不同线条分别为原始温度、预测温度。
在水团模型第300道对比图中,低温水团实际温度为19.40℃,预测温度曲线也基本稳定在20℃以下,在水团内部温度方面预测基本准确。在水团与周围水体的分界面位置预测时,预测温度与实际温度的误差大致30个采样点左右,采样间隔为0.0620毫秒,因此误差大致为1.86毫秒。
在水团模型第700道对比中,高温水团温度为22.38℃,与周围水体的22.6℃仅仅相差0.22℃,但是预测温度依然能捕捉到这一微小变化并有所呈现,预测温度与实际温度基本吻合。在水团与周围水体的分界面位置预测时,也比低温水团的预测更加准确,误差基本可以忽略不计。
水团模型的相关系数计算结果与水层模型基本一致,总体来说稳定在0.94—0.99之间,平均相关系数达到0.9694,相比于水层模型,精度稍有下降。
5.3.3海洋锋模型温度预测
从简单水团模型变为水体结构更加复杂的海洋锋模型,用于学习的标准道数目也发生了变化,为保证预测剖面的质量,由原来的间隔100道、50道普通采样直接降为间隔为20道的精确采样。因此,在本模型的预测时,共选取1、21、41等标准道共计51道,得到整个海洋锋模型的预测温度剖面。
由于模型的变得更加复杂、水层的数目急剧增加、水体的结构也不再规则,因此预测温度的准确度也有所下降。主要变现就是不同水层之间的界限的识别度相比于前两个模型有所下降。尤其是在方框区域,由于水层的厚度变薄且数目随之增多,对于资料的分辨能力提出了更高的要求,而震源子波又有一定的长度,不同的水层之间的出现轻微的干扰也是不可避免。但是在圆圈所示的海洋锋区域,由于深度较浅并且与下层水层之间的距离相对较远,资料质量较高,海洋锋分布的具体位置以及形态可以得到很好的识别。
选取包含海洋锋锋面的第200道以及第800道进行具体分析。在海洋锋模型第200道对比图中,原始温度与预测温度在海洋锋界面位置的识别划分方面并无二致,只是在上下层水体的自身温度预测时,存在最大可达1℃的误差。但总的来说,该道海洋锋模型的温度预测还是准确而可靠的。第800道模型与第200 道基本一致,结论一致。
在对海洋锋模型进行预测结果的相关分析时,首先要剔除模型左右两侧充零部分,在模型边缘区域,大部分采样点被充零处理,偶然性大,因此相关系数变化剧烈。但是在中部区域,预测的温度准确率最高可达0.9834,综合来看,平均相关系数依然可以达到0.8866。
5.3.4冷水团模型温度预测
冷水团模型的结构的复杂性主要表现在以下几个方面,首先水层数目急剧增大,达到了两位数。其次,水层之间的分界面起伏较大,最高可达到30m左右。再者,水层的厚度变化明显,从2m到15m不等。最后,地下地层的界面也呈现起伏形态。因此,在进行冷水团模型的标准道选取时,需要进一步减小采样间隔,一方面为了保证预测的精确度需要增加标准道数目,另一方面考虑到实际温度采样的成本控制,特别选取间隔为10道、5道相间分布的标准道选取形式。总计选取标准道135道进行“学习”,从而进行整个模型温度剖面的预测。
冷水团模型的预测结果差强人意,一方面,相比较于前三个模型,它的剖面分辨率更低,尤其是在两个冷水团部分冷水团的顶部温度可以得到很好地预测,但是在冷水团的中部以及底部,温度的预测结果出现在部分偏差。另一方面,虽然没有前面简单模型的高分辨率,所有的水层都在预测剖面上得到了应有的体现,并没有出现水层的缺失或者重复现象。
对含有水团的第250道以及第700道进行具体分析。
首先在不同温度的水团的分界面的识别方面,第250道以及700道的预测结果都得到了很好地识别,与原始的温度曲线得到了很好地吻合。在各个水团以及水层的温度预测方面,可以大致分为两段,在500 采样点之前,预测温度与原始温度基本相差无几,最多误差不超过0.5℃。但在500个采样点之后,即冷水团部分,温度预测误差变大。在水团的上部区域,预测温度确定度较高,水团的中部以及下部,两水团的原始温度分别为17、15℃,但是预测温度分别为19、17℃,温差达到了2℃。但是相比较于上部的水层,依旧可以识别出低温水团。
相关系数的结果大致呈现两个向上的凸起,与双中心的冷水团模型形成了很好地对应。在两个冷水团的中心区域温度预测更为准确,相关系数均在0.95以上,最高可达0.9883。而在边界区域相关系数则有所下降,一般在0.75—0.85之间。而在整个模型的边界区域,相关系数骤降,最低为0.3。综合来看,平均相关系数依然可以达到0.8616,仍然具有良好的预测精度。
5.4实测数据温度预测
利用随机森林算法针对四种常见的水体模型进行水体温度预测时,无论对具体温度求取的准确性以及不同水团的边界位置都取得了理想的效果。随即基于该算法,利用高精度处理后的实测浅剖数据以及对应位置的CTD数据进行该区域的温度预测,并分析其效果。
经过对某海域浅剖实测资料进行高精度处理,再根据海水分布的具体形态以及CTD资料的取样位置,选取区域剖面该区域资料采样间隔为0.5ms,共计选取71道,其中第16道、36道以及56道有对应的CTD 数据。采样时间长度大致为60ms,因此判定海水总体深度大致为45m。整体来看,海水分层清晰可见,在25ms以及42ms左右存在两条连续性非常好的同相轴。而在浅层区域,同相轴能量稍有降低且连续性也有所下降。
在进行浅剖测量时时间间隔选取为0.5ms,海水速度视为常量1500m/s,对应深度域采样间隔大致为 0.375m,但是在进行CTD测量时,通常的采样间隔为1m,因此要对CTD数据进行数据加密,对第36道记录所对应位置的CTD中的温度数据进行三次样条插值前后对比。二者整体差异不大,插值后的数据基本保留了插值前的信息,而在拐点处也并未发生大的畸变。
利用插值后得到的新温度数据与浅剖数据的对应道进行对应,一方面检验资料处理的结果是否准确,另一方面也可以检验温度数据的插值效果是否满足实际的水体情况。同样对第36道进行两者的对比分析,左图为第36道浅剖数据,右图为该位置的温度数据,横纵轴分别为温度以及深度。在蓝色箭头的指示位置,该道浅剖数据共出现大小4个波谷,即有四处水体温度突变点,而在右侧的对应位置恰好存在四处温度的突变点,将对应点用蓝色箭头连接起来,可以看到,温度突变点与浅剖数据波谷基本出现在同一深度。另一方面波谷的振幅值大小与温度突变点变化的剧烈程度也有很好的对应。18m、32m处波谷振幅值大,对应位置温度突变剧烈。而5m、38m处波谷振幅值小,对应位置温度变化相对平缓。
在进行属性提取时依然选择瞬时频率、均方根振幅以及一阶导数三种属性作为温度预测的输入属性,相比较于前文的水体模型,该实测数据的采样频率偏低,因此在瞬时频率属性剖面以及均方根振幅属性剖面的分辨能力不强,但是在一阶导数属性剖面仍然可以实现对水层的精细化分。
在综合提取到的三种属性剖面以及对应位置的温度数据利用随机森林算法进行温度预测时,首先要解决的是供给机器的学习标准道的个数,由于只有3道位置有温度数据,相对于需要预测的整个模型来说相对较少,可能出现的误差就会变大。由于每次机器学习是从总样本中随即抽取部分数据进行学习训练建立决策树,因此在没有办法引入新的标准道的情况下,选择将原来的标准道多次输入,以此来控制预测误差,而过多的学习次数也有可能造成过拟合现象。因此,综合两者考虑,在本次预测时选取的标准道数目为3,重复输入学习次数也为3。
预测结果总体来看本区域温度变化不大,基本稳定在16—17℃,温度分布基本呈现层状分布,纵向之间存在温度差异,而水平方向基本保持不变。存在几个温跃层且大致分布在15m、25m以及36m附近,其中15m以及36m左右的温跃层与温跃层位置以及波谷位置基本一致。而25m处温跃层与波谷位置稍有偏差。而在圆圈区域也出现了细微的温度变化跃层。
选取预测温度剖面中的25、65两道与对应的浅剖资料进行对比,分析预测准确度。在图9中,如蓝色箭头所示,左侧浅剖资料图中共出现六个强波谷,对应右侧预测温度中的六个温度拐点,且深度误差大致在两米之内,可以说,该道的温度预测十分准确。在图10中,温度预测准确度稍有下降,蓝色箭头所指示的三个强波谷均在右侧的预测温度中有所对应,但是红色圆圈所示的另一强波谷却缺少对应。另一方面,在浅部区域中,浅剖波形与预测温度曲线形态也有所差异,但是深度为2m处的温度拐点仍然与浅剖的波谷有所对应。
受困于CTD数目的限制和前期数据处理过程中引入的其他干扰,以及数据插值等算法的影响,预测温度结果虽然在具体道的具体位置与实际浅剖数据对应还不是十分理想,预测温度剖面的部分水层位置存在一定的偏差,但是总的来看,基于随机森林的水体温度预测技术仍然很好地还原了水体的温度分布情况,准确的划分了水层,为后期的水体结构研究提供了重要信息。
下面结合创新点对本发明作进一步描述。
(1)在水体模型的正演模拟阶段,首先利用海水的温度、盐度以及深度等信息求取速度以及密度,在求取过程中探究不同的海水参数对速度以及密度的影响大小。得出结论,在浅海海域进行海水速度求取时,海水温度为最主要影响因素,远大于盐度以及深度的影响。密度的影响规律更为明显,除海水温度因素外,盐度以及深度对密度的影响几乎可以忽略不计。因此,在进行浅海水体模型建立时,主要依托于海洋水体温度的差异。
(2)在浅剖资料处理阶段,针对不同的问题进行了不同的处理手段。首先,针对采集过程中的废道、坏道问题,利用基于能量不变的相关插值法进行数据重构,精准度达到0.9524。针对采集过程中涌浪的干扰,利用变周期的叠加消除法进行校正,消除了将近90%的涌浪干扰。针对采集过程普遍存在的随机噪声问题,可以利用F-X域信号增强、F-K域滤波、带通滤波技术联合压制。最终提高了剖面的信噪比,达到了预想的效果。
(3)利用随机森林算法进行水体模型温度预测阶段,可以大致分为地震属性的提取与优选、利用随机森林算法进行温度预测两个环节。在属性的优选时,从提取的多种属性中选取瞬时频率、均方根振幅以及一阶导数三种属性进行后期的预测。在后期的温度预测过程中,根据四种模型的复杂程度灵活调整“机器学习”的标准道数目。用11道标准道进行水层模型温度预测,准确度为0.9757。用17道标准道预测水团模型温度,准确度为0.9694。用51道、135道分别对海洋锋模型、冷水团模型预测,准确度可达0.8866、 0.8616,取得了理想的效果。
(4)利用随机森林算法进行实测数据温度预测阶段,采取将有限标准道多次输入的学习方式。预测温度结果虽然在具体道的具体位置与实际浅剖数据对应还不是十分理想,预测温度剖面的部分水层位置存在一定的偏差,但是总的来看,基于随机森林的水体温度预测技术仍然很好地还原了水体的温度分布情况,准确的划分了水层。
下面结合效果对本发明作进一步描述。
本发明的水体速度以及密度的求取中。依托威尔逊公式以及国际海水状态方程,根据海水的温度、盐度、深度求取海水的速度和密度,分析温度、盐度、深度各个参量对于速度、密度的影响。
常见浅海水体模型的正演模拟。根据对于渤海水体的分析,本发明建立水平层状模型、表层水团模型、海洋锋模型、温跃层下的双中心冷水结构模型。根据浅剖资料的采集特点,采用高频震源、单道接收的方式进行正演模拟。
本发明关于浅剖资料处理关键技术分析。其中包括利用基于能量不变的相关插值进行残缺数据的重构,并利用该算法与其他算法对地下地层以及水层进行插值比较。针对采集过程中涌浪的干扰,利用变周期的叠加消除法进行涌浪校正,建立正弦函数型涌浪模型以及基于Neumann谱的涌浪模型,然后利用该方法对其进行涌浪校正,消除了采集过程中涌浪对于结果的影响。利用F-X域信号增强、FK域滤波、带通滤波等技术等进行环境噪音的压制,提高资料信噪比,从而得到高精度处理的浅剖资料剖面。
本发明进行水体模型的地震属性提取。以地震属性分析技术为基础,对处理后水体提取瞬时频率、均方根振幅以及一阶导数三种属性,针对水层、水团以及特殊水体结构对提取到的属性进行分析,得到不同水体结构在各个属性剖面的响应。
本发明基于随机森林的水体温度预测。利用优选出三种属性利用随机森林算法进行预测水体温度,先根据四种模型的复杂程度灵活调整“机器学习”的标准道数目,将预测得到的温度剖面与原始温度剖面进行比较,针对不同的模型,选择包含目标体的某道数据进行单道分析,比较不同模型的预测效果并分析其差异原因。最后利用该算法对某海域实测数据进行温度预测,并将预测温度与浅剖资料进行对比,以此来评价预测的精度。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现,所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线 (例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于随机森林的水体温度预测方法,其特征在于,所述基于随机森林的水体温度预测方法包括:利用优选出三种属性利用随机森林算法进行预测水体温度,先根据四种模型的复杂程度灵活调整机器学习的标准道数目,将预测得到的温度剖面与原始温度剖面进行比较,针对不同的模型,选择包含目标体的某道数据进行单道分析,比较不同模型的预测效果并分析差异;再对某海域实测数据进行温度预测,并将预测温度与浅剖资料进行对比,评价预测的精度。
2.如权利要求1所述的基于随机森林的水体温度预测方法,其特征在于,利用随机森林算法进行水体模型温度预测中,包括:地震属性的提取与优选、温度预测;
在地震属性的优选时,从提取的多种属性中选取瞬时频率、均方根振幅以及一阶导数三种属性进行后期的温度预测;
在温度预测过程中,根据四种模型的复杂程度灵活调整机器学习的标准道数目;用11道标准道进行水层模型温度预测;
用17道标准道预测水团模型温度;
用51道、135道分别对海洋锋模型、冷水团模型预测。
3.如权利要求1所述的基于随机森林的水体温度预测方法,其特征在于,利用随机森林算法进行实测数据温度预测中,采取将有限标准道多次输入的学习方式,进行实测数据温度预测。
4.如权利要求1所述的基于随机森林的水体温度预测方法,其特征在于,利用优选出三种属性利用随机森林算法进行预测水体温度前,需进行:
在不同浅海水体模型的正演模拟时,依据实测资料中海洋水体的真实形态建立了海洋锋模型和温跃层下的双中心冷水团结构模型,并且采用高频震源激发、单道接收的采集方式进行模拟。
5.如权利要求4所述的基于随机森林的水体温度预测方法,其特征在于,在不同浅海水体模型的正演模拟的方法具体包括:
首先利用海水的温度、盐度以及深度信息求取速度以及密度,再分析不同的海水参数对速度以及密度的影响。
6.如权利要求1所述的基于随机森林的水体温度预测方法,其特征在于,利用优选出三种属性利用随机森林算法预测水体温度前,还需进行:
浅剖资料高精度处理,利用基于能量不变的相关插值法进行数据重构,对采集涌浪过程中的干扰,采用变周期的叠加消除法进行涌浪校正,建立正弦函数型涌浪模型以及基于Neumann谱的涌浪模型,进行涌浪校正,消除涌浪干扰。
7.如权利要求6所述的基于随机森林的水体温度预测方法,其特征在于,
采用基于能量不变的相关插值,步骤如下:
确定插值道i,向左向右各寻访5个非零道,记为a1,a2,a3,a4,a5,b1,b2,b3,b4,b5;
将a1道与剩余9道做相关,寻找各道与a1道的上下偏移量;
将各道上下平移减去偏移量后,在按照距离反比例加权相加得到x;
利用各道的与a1道的距离作为横坐标、偏移量作为纵坐标求取偏移量函数;
利用偏移量函数求取i道的偏移量,将x按照偏移量进行上下平移得到y;
依照相邻道间采样能量基本不变,将y进行能量校正得到z;
将z填充目标道;
对采集涌浪过程中存在的随机噪声,利用F-X域信号增强、F-K域滤波、带通滤波技术联合压制,最终提高剖面的信噪比。
8.一种实现权利要求1~7任意一项所述基于随机森林的水体温度预测方法的信息数据处理终端。
9.一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行如权利要求1-7任意一项所述的基于随机森林的水体温度预测方法。
10.一种实现权利要求1~7任意一项所述基于随机森林的水体温度预测方法的基于随机森林的水体温度预测平台。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110136900.9A CN112883564B (zh) | 2021-02-01 | 2021-02-01 | 一种基于随机森林的水体温度预测方法及预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110136900.9A CN112883564B (zh) | 2021-02-01 | 2021-02-01 | 一种基于随机森林的水体温度预测方法及预测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112883564A true CN112883564A (zh) | 2021-06-01 |
CN112883564B CN112883564B (zh) | 2022-11-18 |
Family
ID=76052295
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110136900.9A Active CN112883564B (zh) | 2021-02-01 | 2021-02-01 | 一种基于随机森林的水体温度预测方法及预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112883564B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113790822A (zh) * | 2021-09-15 | 2021-12-14 | 中国科学院空天信息创新研究院 | 地面测量温度数据异常检测方法、装置及可读存储介质 |
CN113821986A (zh) * | 2021-11-22 | 2021-12-21 | 中国海洋大学 | 基于随机森林的涡旋海面信号与水下关键参数反演方法 |
CN114781576A (zh) * | 2022-04-19 | 2022-07-22 | 广东海洋大学 | 一种基于随机森林算法的声速剖面估计方法及装置 |
CN114997055A (zh) * | 2022-06-06 | 2022-09-02 | 安徽理工大学 | 海平面温度时频域变化特性分析方法 |
CN116931088A (zh) * | 2023-09-15 | 2023-10-24 | 自然资源部第一海洋研究所 | 海洋高分辨率地震数据涌浪相关静校正量快速估算方法 |
CN117214398A (zh) * | 2023-09-04 | 2023-12-12 | 江苏省连云港环境监测中心 | 一种深层地下水体污染物检测方法及系统 |
CN117739994A (zh) * | 2024-02-20 | 2024-03-22 | 广东电网有限责任公司阳江供电局 | 一种视觉机器人水下目标识别追踪方法及系统 |
CN117214398B (zh) * | 2023-09-04 | 2024-05-14 | 江苏省连云港环境监测中心 | 一种深层地下水体污染物检测方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105510968A (zh) * | 2015-12-31 | 2016-04-20 | 中国海洋大学 | 一种基于地震海洋学的海水物性测量方法 |
CN106951992A (zh) * | 2017-03-20 | 2017-07-14 | 上海事凡物联网科技有限公司 | 一种地表可燃物含水率的预测方法及系统、服务器 |
CN107515422A (zh) * | 2017-08-30 | 2017-12-26 | 中国海洋大学 | 一种高精度浅地层剖面采集系统 |
CN109003128A (zh) * | 2018-07-07 | 2018-12-14 | 太原理工大学 | 基于改进的随机森林公共自行车站点需求量预测方法 |
CN110346831A (zh) * | 2019-07-19 | 2019-10-18 | 同济大学 | 一种基于随机森林算法的智能化地震流体识别方法 |
CN111242206A (zh) * | 2020-01-08 | 2020-06-05 | 吉林大学 | 一种基于层次聚类和随机森林的高分辨率海洋水温计算方法 |
AU2020100709A4 (en) * | 2020-05-05 | 2020-06-11 | Bao, Yuhang Mr | A method of prediction model based on random forest algorithm |
US20200302187A1 (en) * | 2015-07-17 | 2020-09-24 | Origin Wireless, Inc. | Method, apparatus, and system for people counting and recognition based on rhythmic motion monitoring |
CN111797552A (zh) * | 2020-06-12 | 2020-10-20 | 中国海洋大学 | 一种基于海浪谱的起伏海面地震波场数值数据模拟方法 |
CN111860146A (zh) * | 2020-06-11 | 2020-10-30 | 中山大学 | 海洋锋区域的获取方法、装置、计算机设备和存储介质 |
-
2021
- 2021-02-01 CN CN202110136900.9A patent/CN112883564B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200302187A1 (en) * | 2015-07-17 | 2020-09-24 | Origin Wireless, Inc. | Method, apparatus, and system for people counting and recognition based on rhythmic motion monitoring |
CN105510968A (zh) * | 2015-12-31 | 2016-04-20 | 中国海洋大学 | 一种基于地震海洋学的海水物性测量方法 |
CN106951992A (zh) * | 2017-03-20 | 2017-07-14 | 上海事凡物联网科技有限公司 | 一种地表可燃物含水率的预测方法及系统、服务器 |
CN107515422A (zh) * | 2017-08-30 | 2017-12-26 | 中国海洋大学 | 一种高精度浅地层剖面采集系统 |
CN109003128A (zh) * | 2018-07-07 | 2018-12-14 | 太原理工大学 | 基于改进的随机森林公共自行车站点需求量预测方法 |
CN110346831A (zh) * | 2019-07-19 | 2019-10-18 | 同济大学 | 一种基于随机森林算法的智能化地震流体识别方法 |
CN111242206A (zh) * | 2020-01-08 | 2020-06-05 | 吉林大学 | 一种基于层次聚类和随机森林的高分辨率海洋水温计算方法 |
AU2020100709A4 (en) * | 2020-05-05 | 2020-06-11 | Bao, Yuhang Mr | A method of prediction model based on random forest algorithm |
CN111860146A (zh) * | 2020-06-11 | 2020-10-30 | 中山大学 | 海洋锋区域的获取方法、装置、计算机设备和存储介质 |
CN111797552A (zh) * | 2020-06-12 | 2020-10-20 | 中国海洋大学 | 一种基于海浪谱的起伏海面地震波场数值数据模拟方法 |
Non-Patent Citations (2)
Title |
---|
FRANCESCO DI PAOLA 等: "MiRTaW: An Algorithm for Atmospheric Temperature and Water Vapor Profile Estimation from ATMS Measurements Using a Random Forests Technique", 《REMOTE SENSING》 * |
王红珠: "基于随机森林的山体滑坡状态监测系统设计与实现", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113790822A (zh) * | 2021-09-15 | 2021-12-14 | 中国科学院空天信息创新研究院 | 地面测量温度数据异常检测方法、装置及可读存储介质 |
CN113821986A (zh) * | 2021-11-22 | 2021-12-21 | 中国海洋大学 | 基于随机森林的涡旋海面信号与水下关键参数反演方法 |
CN113821986B (zh) * | 2021-11-22 | 2022-02-22 | 中国海洋大学 | 基于随机森林的涡旋海面信号与水下关键参数反演方法 |
CN114781576A (zh) * | 2022-04-19 | 2022-07-22 | 广东海洋大学 | 一种基于随机森林算法的声速剖面估计方法及装置 |
CN114781576B (zh) * | 2022-04-19 | 2023-04-07 | 广东海洋大学 | 一种基于随机森林算法的声速剖面估计方法及装置 |
CN114997055B (zh) * | 2022-06-06 | 2024-04-05 | 安徽理工大学 | 海平面温度时频域变化特性分析方法 |
CN114997055A (zh) * | 2022-06-06 | 2022-09-02 | 安徽理工大学 | 海平面温度时频域变化特性分析方法 |
CN117214398A (zh) * | 2023-09-04 | 2023-12-12 | 江苏省连云港环境监测中心 | 一种深层地下水体污染物检测方法及系统 |
CN117214398B (zh) * | 2023-09-04 | 2024-05-14 | 江苏省连云港环境监测中心 | 一种深层地下水体污染物检测方法及系统 |
CN116931088A (zh) * | 2023-09-15 | 2023-10-24 | 自然资源部第一海洋研究所 | 海洋高分辨率地震数据涌浪相关静校正量快速估算方法 |
CN116931088B (zh) * | 2023-09-15 | 2023-12-19 | 自然资源部第一海洋研究所 | 海洋高分辨率地震数据涌浪相关静校正量快速估算方法 |
CN117739994A (zh) * | 2024-02-20 | 2024-03-22 | 广东电网有限责任公司阳江供电局 | 一种视觉机器人水下目标识别追踪方法及系统 |
CN117739994B (zh) * | 2024-02-20 | 2024-04-30 | 广东电网有限责任公司阳江供电局 | 一种视觉机器人水下目标识别追踪方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112883564B (zh) | 2022-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112883564B (zh) | 一种基于随机森林的水体温度预测方法及预测系统 | |
Shen et al. | Crustal and uppermost mantle structure beneath the United States | |
CN111239802B (zh) | 基于地震反射波形和速度谱的深度学习速度建模方法 | |
Toomey et al. | Tomographic imaging of the shallow crustal structure of the East Pacific Rise at 9° 30′ N | |
CN106094029B (zh) | 利用偏移距矢量片地震数据预测储层裂缝的方法 | |
Anifowose et al. | Integrating seismic and log data for improved petroleum reservoir properties estimation using non-linear feature-selection based hybrid computational intelligence models | |
Koch et al. | Challenges in conditioning a stochastic geological model of a heterogeneous glacial aquifer to a comprehensive soft data set | |
CN102645670B (zh) | 一种基于叠加响应分析的观测系统优化设计方法 | |
CN110231652B (zh) | 一种基于密度的含噪声应用空间聚类的地震相提取方法 | |
Williams et al. | Scholte wave inversion and passive source imaging with ocean-bottom DAS | |
Cheng et al. | High‐resolution ambient noise imaging of geothermal reservoir using 3C dense seismic nodal array and ultra‐short observation | |
CN104678434A (zh) | 一种预测储层裂缝发育参数的方法 | |
Newman et al. | Evolution of seismic layer 2B across the Juan de Fuca Ridge from hydrophone streamer 2‐D traveltime tomography | |
CN109521469B (zh) | 一种海底沉积物弹性参数的正则化反演方法 | |
Lott et al. | On the analysis of wind-induced noise in seismological recordings: approaches to present wind-induced noise as a function of wind speed and wind direction | |
Sain et al. | Meta-attributes and artificial networking: A new tool for seismic interpretation | |
CN104199087B (zh) | 水陆检波器数据海水深度反演方法和装置 | |
CN110261903B (zh) | 一种基于逆时能量聚焦的地下震源被动定位方法 | |
Rodgers et al. | WUS256: An adjoint waveform tomography model of the crust and upper mantle of the western United States for improved waveform simulations | |
Samba et al. | Reservoir properties prediction using extended elastic impedance: the case of Nianga field of West African Congo basin | |
CN104297790A (zh) | 一种起伏海底地震观测系统中炮检距分布的定量评估方法 | |
AU2015201786B2 (en) | Methods and systems to separate wavefields using pressure wavefield data | |
AlHakeem | 3D seismic attribute analysis and machine learning for reservoir characterization in Taranaki Basin, New Zealand | |
CN115857047A (zh) | 一种地震储层综合预测方法 | |
Smith et al. | Using topographic slope distributions to infer seafloor patterns |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |