CN113109866A - 一种基于压缩感知的多域稀疏地震数据重构方法及系统 - Google Patents

一种基于压缩感知的多域稀疏地震数据重构方法及系统 Download PDF

Info

Publication number
CN113109866A
CN113109866A CN202010020557.7A CN202010020557A CN113109866A CN 113109866 A CN113109866 A CN 113109866A CN 202010020557 A CN202010020557 A CN 202010020557A CN 113109866 A CN113109866 A CN 113109866A
Authority
CN
China
Prior art keywords
data
sparse
seismic
sampling
operator
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.)
Pending
Application number
CN202010020557.7A
Other languages
English (en)
Inventor
李翔
武威
李文卉
郭明杰
王东
吴晓丰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China National Petroleum Corp
BGP Inc
Original Assignee
China National Petroleum Corp
BGP Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China National Petroleum Corp, BGP Inc filed Critical China National Petroleum Corp
Priority to CN202010020557.7A priority Critical patent/CN113109866A/zh
Publication of CN113109866A publication Critical patent/CN113109866A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28—Processing seismic data, e.g. for interpretation or for event detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Geophysics (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明提供了一种基于压缩感知的多域稀疏地震数据重构方法及系统，所述方法包括：基于地震数据观测系统对地震观测数据进行数据采样得到地震采样数据；基于稀疏约束的反演算法对地震采样数据进行反演得到采样数据在稀疏变换域的解；根据所述采样数据在稀疏变换域的解得到重构规则网格上的地震观测数据，本发明可得到更高精度，更高分辨率的地震数据，降低地震数据采集成本。

Description

一种基于压缩感知的多域稀疏地震数据重构方法及系统
技术领域
本发明涉及石油勘探技术领域，尤其涉及一种基于压缩感知的多域稀疏地震数据重构方法及系统。
背景技术
随着地震勘探处理技术对分辨率要求的提高，对现代地震数据采集技术的要求也越来越高，然而地震数据采集过程成本高，有些地区施工条件差，低油价导致的采集预算减少等各种因素导致了地震数据缺失，数据采集效率降低。
发明内容
本发明的一个目的在于提供一种基于压缩感知的多域稀疏地震数据重构方法，得到更高精度，更高分辨率的地震数据，降低地震数据采集成本。本发明的另一个目的在于提供一种基于压缩感知的多域稀疏地震数据重构系统。本发明的再一个目的在于提供一种计算机设备。本发明的还一个目的在于提供一种可读介质。
为了达到以上目的，本发明一方面公开了一种基于压缩感知的多域稀疏地震数据重构方法，包括：
基于地震数据观测系统对地震观测数据进行数据采样得到地震采样数据；
基于稀疏约束的反演算法对地震采样数据进行反演得到采样数据在稀疏变换域的解；
根据所述采样数据在稀疏变换域的解得到重构规则网格上的地震观测数据。
优选地，所述方法进一步包括预先设计所述地震数据观测系统的步骤。
优选地，所述数据采样为线性数据采样。
优选地，所述基于稀疏约束的反演算法对地震采样数据进行反演得到采样数据在稀疏变换域的解具体包括：
根据地震采样数据得到采集算子和对应的采集反算子；
建立重构规则网格的稀疏变换算子和对应的变换反算子；
根据采集算子、对应的采集反算子、稀疏变换算子和对应的变换反算子得到构建稀疏变换的采样算子和对应的采样反算子；
根据采样算子和对应的采样反算子和稀疏约束进行反演得到重构规则网格在稀疏变换域的解。
优选地，所述根据所述采样数据在稀疏变换域的解得到重构规则网格上的地震观测数据具体包括：
通过采样反算子和采样数据在稀疏变换域的解得到重构规则网格上的地震观测数据。
本发明还公开了一种基于压缩感知的多域稀疏地震数据重构系统，包括：
数据采样模块，用于基于地震数据观测系统对地震观测数据进行数据采样得到地震采样数据；
稀疏变换模块，用于基于稀疏约束的反演算法对地震采样数据进行反演得到采样数据在稀疏变换域的解；
数据重构模块，用于根据所述采样数据在稀疏变换域的解得到重构规则网格上的地震观测数据。
优选地，所述系统进一步包括系统构建模块，用于预先设计所述地震数据观测系统。
优选地，所述数据采样为线性数据采样。
优选地，所述稀疏变换模块具体用于根据地震采样数据得到采集算子和对应的采集反算子，建立重构规则网格的稀疏变换算子和对应的变换反算子，根据采集算子、对应的采集反算子、稀疏变换算子和对应的变换反算子得到构建稀疏变换的采样算子和对应的采样反算子，根据采样算子和对应的采样反算子和稀疏约束进行反演得到重构规则网格在稀疏变换域的解。
优选地，所述数据重构模块具体包括通过采样反算子和采样数据在稀疏变换域的解得到重构规则网格上的地震观测数据。
本发明还公开了一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上所述方法。
本发明还公开了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述方法。
本发明通过对存在缺失的地震采样数据，通过稀疏约束的优化反演算法得到采样数据在稀疏变换域的解，并根据稀疏变换域的解得到重构规则网格上的地震观测数据，以对缺失的地震采样数据进行重建，从而恢复缺失的地震采样数据，以实现基于压缩感知的多域稀疏重构地震数据，本发明利用地震数据在稀疏变换域的稀疏性，实现在陆地数据勘探中对野外缺失数据的重构，从而提高野外采集的效率，打破传统采样定律，在未知信号满足一定稀疏条件的情况下，利用稀疏反演技术在采样率远远低于采样率的情况下，对信号进行完整的恢复，实现在陆地数据勘探中对野外缺失数据的重构，得到更高精度，更高分辨率的数据，或者在同等精度以及分辨率的要求下，花费更少的采集成本，从而提高野外采集的效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出本发明一种基于压缩感知的多域稀疏地震数据重构方法一个具体实施例的流程图之一；
图2示出本发明一种基于压缩感知的多域稀疏地震数据重构方法一个具体实施例的流程图之二；
图3示出本发明一种基于压缩感知的多域稀疏地震数据重构方法一个具体实施例的流程图之三；
图4示出本发明一种基于压缩感知的多域稀疏地震数据重构方法一个具体实施例的流程图之四；
图5示出本发明一种基于压缩感知的多域稀疏地震数据重构方法一个具体实施例Marmousi模型的示意图；
图6示出本发明一种基于压缩感知的多域稀疏地震数据重构方法一个具体实施例Marmousi模型正演数据的最小子集的示意图；
图7示出本发明一种基于压缩感知的多域稀疏地震数据重构方法一个具体实施例Marmousi模型正演数据的单时间切片的示意图；
图8示出本发明一种基于压缩感知的多域稀疏地震数据重构方法一个具体实施例Marmousi模型正演数据的共炮点道集的示意图；
图9示出本发明一种基于压缩感知的多域稀疏地震数据重构方法一个具体实施例原始的规则网格数据的示意图；
图10示出本发明一种基于压缩感知的多域稀疏地震数据重构方法一个具体实施例随机抽稀后的数据的示意图；
图11示出本发明一种基于压缩感知的多域稀疏地震数据重构方法一个具体实施例随机抽稀后的数据时间切片的示意图之一；
图12示出本发明一种基于压缩感知的多域稀疏地震数据重构方法一个具体实施例随机抽稀后的数据时间切片的示意图之二；
图13示出本发明一种基于压缩感知的多域稀疏地震数据重构方法一个具体实施例缺失地震采样数据重构后的示意图；
图14示出本发明一种基于压缩感知的多域稀疏地震数据重构方法一个具体实施例重构的时间切片的示意图之一；
图15示出本发明一种基于压缩感知的多域稀疏地震数据重构方法一个具体实施例重构的时间切片的示意图之二；
图16示出本发明一种基于压缩感知的多域稀疏地震数据重构系统一个具体实施例的结构示意图之一；
图17示出本发明一种基于压缩感知的多域稀疏地震数据重构系统一个具体实施例的结构示意图之二；
图18示出适于用来实现本发明实施例的计算机设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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。
目前地震数据采集成本较高，由于一些地区施工条件差，低油价导致的采集预算减少等各种因素会导致地震观测系统采集的地震数据出现数据缺失的情况，其中，地地震数据缺失主要包括以下三种情况：炮点缺失、检波点缺失和炮点和检波点同时缺失。
为了解决现有技术中地震数据缺失导致的数据采集精度低的问题，根据本发明的一个方面，本实施例公开了一种基于压缩感知的多域稀疏地震数据重构方法。如图1所示，本实施例中，所述方法包括：
S100：基于地震数据观测系统对地震观测数据进行数据采样得到地震采样数据。
S200：基于稀疏约束的反演算法对地震采样数据进行反演得到采样数据在稀疏变换域的解。
S300：根据所述采样数据在稀疏变换域的解得到重构规则网格上的地震观测数据。
本发明通过对存在缺失的地震采样数据，通过稀疏约束的优化反演算法得到采样数据在稀疏变换域的解，并根据稀疏变换域的解得到重构规则网格上的地震观测数据，以对缺失的地震采样数据进行重建，从而恢复缺失的地震采样数据，以实现基于压缩感知的多域稀疏重构地震数据，本发明利用地震数据在稀疏变换域的稀疏性，实现在陆地数据勘探中对野外缺失数据的重构，从而提高野外采集的效率，打破传统采样定律，在未知信号满足一定稀疏条件的情况下，利用稀疏反演技术在采样率远远低于采样率的情况下，对信号进行完整的恢复，实现在陆地数据勘探中对野外缺失数据的重构，得到更高精度，更高分辨率的数据，或者在同等精度以及分辨率的要求下，花费更少的采集成本，从而提高野外采集的效率。
在优选的实施方式中，如图2所示，所述方法还包括预先设计所述地震数据观测系统的步骤S000。优选的，可根据样方采集理论建立地震数据观测系统，例如奈奎斯特-香浓(Shannon Nyquist)采样定律。
在优选的实施方式中，可采用线性数据采样对地震数据观测系统获取的地震观测数据进行数据采样得到地震采样数据。在其他实施方式中，也可以采用其他采样方式进行数据采样，本发明对此并不作限定。
在优选的实施方式中，如图3所示，所述S200具体可包括：
S210：根据地震采样数据得到采集算子和对应的采集反算子。可以理解的是，根据野外实际施工的检波点和炮点的网格位置，以及重构后数据的恢复之后的建波点和炮点的网格位置，建立一个采样算子，该算子的作用到重构网格的规则数据上即可得到野外实际施工网格的数据，而采集反算子为了采集算子的共轭转置，其作用为将实际野外施工网格的数据摆放到重构的网格中。
S220：建立重构规则网格的稀疏变换算子和对应的变换反算子。
S230：根据采集算子、对应的采集反算子、稀疏变换算子和对应的变换反算子得到构建稀疏变换的采样算子和对应的采样反算子。
S240：根据采样算子和对应的采样反算子和稀疏约束进行反演得到重构规则网格在稀疏变换域的解。
具体的，在一个具体例子中，当采用线性数据采样时，基于地震数据观测系统进行线性数据采样，得到的线性采样数据可以表达为一个线性数据方程组
b＝Ax
其中，
Figure BDA0002360623690000061
为观测到的已知信号，
Figure BDA0002360623690000062
为采样矩阵，
Figure BDA0002360623690000063
为被采样的信号。
如果未知信号x满足一定的稀疏条件，稀疏的条件为信号本身或者在某些变换域中一半以上的地方为零。另外采样矩阵A满足一定的随机性，就可以通过稀疏约束的线性反演算法进行未知信号的重构，其数学表达式为：
min||x||1 s.t.Ax＝b (1)
其中，||·||1为l1的范数(向量所有元素的绝对值相加)，而l1范数约束可以看成是对未知信号x进行稀疏约束。
如果未知信号x在空间域不是稀疏的，就需要利用未知信号x在某一些变换域中的稀疏性，例如Fourier/wavelet变换域，curvelet/shearlet变换域等。在求解线性反演的过程中将稀疏约束作用到未知信号x在稀疏域的系数上。则公式(1)可表示为：
min||y||1 s.t.ASTy＝b (2)
其中，
Figure BDA0002360623690000064
为稀疏变换算子，ST为其逆变换。
Figure BDA0002360623690000065
为未知信号在变换域S里面的系数。
在优选的实施方式中，如图4所示，所述S300具体可包括：
S310：通过采样反算子和采样数据在稀疏变换域的解得到重构规则网格上的地震观测数据。
具体的，通过基于稀疏约束的优化反演算法求解得到y之后，通过x＝STy实现重构规则网格数据在稀疏变换域的解，最终得到重构后的规则网格上的数据，完整的恢复地震数据信号。
本发明通过对存在缺失的地震采样数据，通过稀疏约束的优化反演算法得到采样数据在稀疏变换域的解，并根据稀疏变换域的解得到重构规则网格上的地震观测数据，以对缺失的地震采样数据进行重建，从而恢复缺失的地震采样数据，以实现基于压缩感知的多域稀疏重构地震数据，本发明利用地震数据在稀疏变换域(曲波域-小波域)的稀疏性，实现在陆地数据勘探中对野外缺失数据的重构，从而提高野外采集的效率，打破传统ShannonNyquist采样定律，在未知信号满足一定稀疏条件的情况下，利用稀疏反演技术在采样率远远低于Nyquist采样率的情况下，对信号进行完整的恢复，实现在陆地数据勘探中对野外缺失数据的重构，从而提高野外采集的效率。
下面通过一个具体例子来对本发明作进一步的说明，在一个具体例子中，对于图5示出的Marmousi模型，通过模型正演可得到如图6所示的模型正演数据的最小子集，模型大小为3x10km，其中，单时间切片和共炮点道集分别如图7和图8所示。其中，在该例子中，总共正演了1440炮，炮间距为6.25m，每炮共1440道，道间距6.25m，并且检波器位置固定，所有炮点的检波器位置相同，故该数据共有1440x1440道。采样时间为5秒，时间间隔为4ms。采样得到的原始的规则网格数据如图9所示。
为了验证本发明的地震数据重构效果，可通过随机抽稀的方法处理原始的规则网格数据，得到随机缺失40％的炮点，剩下60％的炮点每炮都缺失相同随机选择的40％个检波点，数据总共缺失64％道数据。随机抽稀后的数据如图10所示，随机抽稀后的数据时间切片如图11和图12所示。根据本发明的基于压缩感知的多域稀疏地震数据重构方法，对随机抽稀后的缺失地震采样数据进行重构，重构结果如图13所示，重构的时间切片如图14和图15所示，通过原始数据时间切片和重构后的数据时间切片可以看出，在地震观测数据缺失的情况下，通过本发明可以对地震观测数据的缺失数据进行重构，由此，可在同等采样成本的情况下得到更高精度、更高分辨率的地震数据，能够花费更少的采样成本。
基于相同原理，本实施例还公开了一种基于压缩感知的多域稀疏地震数据重构系统。如图16所示，本实施例中，所述系统包括数据采样模块11、稀疏变换模块12和数据重构模块13。
其中，数据采样模块11用于基于地震数据观测系统对地震观测数据进行数据采样得到地震采样数据；
稀疏变换模块12用于基于稀疏约束的反演算法对地震采样数据进行反演得到采样数据在稀疏变换域的解；
数据重构模块13用于根据所述采样数据在稀疏变换域的解得到重构规则网格上的地震观测数据。
本发明通过对存在缺失的地震采样数据，通过稀疏约束的优化反演算法得到采样数据在稀疏变换域的解，并根据稀疏变换域的解得到重构规则网格上的地震观测数据，以对缺失的地震采样数据进行重建，从而恢复缺失的地震采样数据，以实现基于压缩感知的多域稀疏重构地震数据，本发明利用地震数据在稀疏变换域的稀疏性，实现在陆地数据勘探中对野外缺失数据的重构，从而提高野外采集的效率，打破传统采样定律，在未知信号满足一定稀疏条件的情况下，利用稀疏反演技术在采样率远远低于采样率的情况下，对信号进行完整的恢复，实现在陆地数据勘探中对野外缺失数据的重构，得到更高精度，更高分辨率的数据，或者在同等精度以及分辨率的要求下，花费更少的采集成本，从而提高野外采集的效率。
在优选的实施方式中，如图17所示，所述系统进一步包括系统构建模块10。系统构建模块10用于预先设计所述地震数据观测系统。优选的，可根据样方采集理论建立地震数据观测系统，例如奈奎斯特-香浓(Shannon Nyquist)采样定律。
在优选的实施方式中，可采用线性数据采样对地震数据观测系统获取的地震观测数据进行数据采样得到地震采样数据。在其他实施方式中，也可以采用其他采样方式进行数据采样，本发明对此并不作限定。
在优选的实施方式中，所述稀疏变换模块12具体可用于根据地震采样数据得到采集算子和对应的采集反算子、建立重构规则网格的稀疏变换算子和对应的变换反算子、根据采集算子、对应的采集反算子、稀疏变换算子和对应的变换反算子得到构建稀疏变换的采样算子和对应的采样反算子，根据采样算子和对应的采样反算子和稀疏约束进行反演得到重构规则网格在稀疏变换域的解。
具体的，在一个具体例子中，当采用线性数据采样时，基于地震数据观测系统进行线性数据采样，得到的线性采样数据可以表达为一个线性数据方程组
b＝Ax
其中，
Figure BDA0002360623690000091
为观测到的已知信号，
Figure BDA0002360623690000092
为采样矩阵，
Figure BDA0002360623690000093
为被采样的信号。
如果未知信号x满足一定的稀疏条件，另外采样矩阵A满足一定的随机性，就可以通过稀疏约束的线性反演算法进行未知信号的重构，其数学表达式为：
min||x||1 s.t.Ax＝b (1)
其中，||·||1为l1的范数(向量所有元素的绝对值相加)，而l1范数约束可以看成是对未知信号x进行稀疏约束。
如果未知信号x在空间域不是稀疏的，就需要利用未知信号x在某一些变换域中的稀疏性，例如Fourier/wavelet变换域，curvelet/shearlet变换域等。在求解线性反演的过程中将稀疏约束作用到未知信号x在稀疏域的系数上。则公式(1)可表示为：
min||y||1 s.t.ASTy＝b (2)
其中，
Figure BDA0002360623690000094
为稀疏变换算子，ST为其逆变换。
Figure BDA0002360623690000095
为未知信号在变换域S里面的系数。
在优选的实施方式中，所述数据重构模块13具体可用于通过采样反算子和采样数据在稀疏变换域的解得到重构规则网格上的地震观测数据。
具体的，通过基于稀疏约束的优化反演算法求解得到y之后，通过x＝STy实现重构规则网格数据在稀疏变换域的解，最终得到重构后的规则网格上的数据，完整的恢复地震数据信号。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机设备，具体的，计算机设备例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
在一个典型的实例中计算机设备具体包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上所述方法。
下面参考图18，其示出了适于用来实现本申请实施例的计算机设备600的结构示意图。
如图18所示，计算机设备600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM))603中的程序而执行各种适当的工作和处理。在RAM603中，还存储有系统600操作所需的各种程序和数据。CPU601、ROM602、以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶反馈器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡，调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装如存储部分608。
特别地，根据本发明的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括有形地包含在机器可读介质上的计算机程序，所述计算机程序包括用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (12)

1.一种基于压缩感知的多域稀疏地震数据重构方法，其特征在于，包括：
基于地震数据观测系统对地震观测数据进行数据采样得到地震采样数据；
基于稀疏约束的反演算法对地震采样数据进行反演得到采样数据在稀疏变换域的解；
根据所述采样数据在稀疏变换域的解得到重构规则网格上的地震观测数据。
2.根据权利要求1所述的多域稀疏地震数据重构方法，其特征在于，所述方法进一步包括预先设计所述地震数据观测系统的步骤。
3.根据权利要求1所述的多域稀疏地震数据重构方法，其特征在于，所述数据采样为线性数据采样。
4.根据权利要求1所述的多域稀疏地震数据重构方法，其特征在于，所述基于稀疏约束的反演算法对地震采样数据进行反演得到采样数据在稀疏变换域的解具体包括：
根据地震采样数据得到采集算子和对应的采集反算子；
建立重构规则网格的稀疏变换算子和对应的变换反算子；
根据采集算子、对应的采集反算子、稀疏变换算子和对应的变换反算子得到构建稀疏变换的采样算子和对应的采样反算子；
根据采样算子和对应的采样反算子和稀疏约束进行反演得到重构规则网格在稀疏变换域的解。
5.根据权利要求1所述的多域稀疏地震数据重构方法，其特征在于，所述根据所述采样数据在稀疏变换域的解得到重构规则网格上的地震观测数据具体包括：
通过采样反算子和采样数据在稀疏变换域的解得到重构规则网格上的地震观测数据。
6.一种基于压缩感知的多域稀疏地震数据重构系统，其特征在于，包括：
数据采样模块，用于基于地震数据观测系统对地震观测数据进行数据采样得到地震采样数据；
稀疏变换模块，用于基于稀疏约束的反演算法对地震采样数据进行反演得到采样数据在稀疏变换域的解；
数据重构模块，用于根据所述采样数据在稀疏变换域的解得到重构规则网格上的地震观测数据。
7.根据权利要求6所述的多域稀疏地震数据重构系统，其特征在于，所述系统进一步包括系统构建模块，用于预先设计所述地震数据观测系统。
8.根据权利要求6所述的多域稀疏地震数据重构系统，其特征在于，所述数据采样为线性数据采样。
9.根据权利要求6所述的多域稀疏地震数据重构系统，其特征在于，所述稀疏变换模块具体用于根据地震采样数据得到采集算子和对应的采集反算子，建立重构规则网格的稀疏变换算子和对应的变换反算子，根据采集算子、对应的采集反算子、稀疏变换算子和对应的变换反算子得到构建稀疏变换的采样算子和对应的采样反算子，根据采样算子和对应的采样反算子和稀疏约束进行反演得到重构规则网格在稀疏变换域的解。
10.根据权利要求6所述的多域稀疏地震数据重构系统，其特征在于，所述数据重构模块具体包括通过采样反算子和采样数据在稀疏变换域的解得到重构规则网格上的地震观测数据。
11.一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，
所述处理器执行所述程序时实现如权利要求1-5任一项所述方法。
12.一种计算机可读介质，其上存储有计算机程序，其特征在于，
该程序被处理器执行时实现如权利要求1-5任一项所述方法。
CN202010020557.7A 2020-01-09 2020-01-09 一种基于压缩感知的多域稀疏地震数据重构方法及系统 Pending CN113109866A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010020557.7A CN113109866A (zh) 2020-01-09 2020-01-09 一种基于压缩感知的多域稀疏地震数据重构方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010020557.7A CN113109866A (zh) 2020-01-09 2020-01-09 一种基于压缩感知的多域稀疏地震数据重构方法及系统

Publications (1)

Publication Number Publication Date
CN113109866A true CN113109866A (zh) 2021-07-13

Family

ID=76708619

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010020557.7A Pending CN113109866A (zh) 2020-01-09 2020-01-09 一种基于压缩感知的多域稀疏地震数据重构方法及系统

Country Status (1)

Country Link
CN (1) CN113109866A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113917540A (zh) * 2021-11-10 2022-01-11 同济大学 基于稀疏约束的抗假频射线束进行地震数据去噪的方法
CN115220091A (zh) * 2022-02-22 2022-10-21 中国科学院地质与地球物理研究所 一种地质导向的非规则观测系统确定方法及系统
CN115267898A (zh) * 2022-08-11 2022-11-01 河北地质大学 天然地震数据重建方法、装置和电子设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104345340A (zh) * 2013-07-29 2015-02-11 中国石油化工股份有限公司 一种地震数据规则化中抖动稀疏采样方法
CN104422954A (zh) * 2013-08-20 2015-03-18 中国石油化工股份有限公司 一种地震数据规则化中稀疏采样方法
US20160327661A1 (en) * 2015-05-08 2016-11-10 King Fahd University Of Petroleum And Minerals System and method for acquisition and processing of seismic data using compressive sensing
CN106597541A (zh) * 2017-02-22 2017-04-26 中国石油大学(华东) 基于Shearlet变换的地震数据重构方法
CN106970419A (zh) * 2017-04-10 2017-07-21 东华理工大学 一种基于线性Bregman算法的非均匀曲波三维地震数据重建方法
US20170248716A1 (en) * 2014-11-14 2017-08-31 Cgg Services Sas Device and method for weighted sparse inversion for seismic processing
CN108828658A (zh) * 2018-04-27 2018-11-16 中国科学院地质与地球物理研究所 一种海底地震数据重构方法
CN110320555A (zh) * 2019-06-28 2019-10-11 中国石油大学(华东) 一种地震数据重建方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104345340A (zh) * 2013-07-29 2015-02-11 中国石油化工股份有限公司 一种地震数据规则化中抖动稀疏采样方法
CN104422954A (zh) * 2013-08-20 2015-03-18 中国石油化工股份有限公司 一种地震数据规则化中稀疏采样方法
US20170248716A1 (en) * 2014-11-14 2017-08-31 Cgg Services Sas Device and method for weighted sparse inversion for seismic processing
US20160327661A1 (en) * 2015-05-08 2016-11-10 King Fahd University Of Petroleum And Minerals System and method for acquisition and processing of seismic data using compressive sensing
CN106597541A (zh) * 2017-02-22 2017-04-26 中国石油大学(华东) 基于Shearlet变换的地震数据重构方法
CN106970419A (zh) * 2017-04-10 2017-07-21 东华理工大学 一种基于线性Bregman算法的非均匀曲波三维地震数据重建方法
CN108828658A (zh) * 2018-04-27 2018-11-16 中国科学院地质与地球物理研究所 一种海底地震数据重构方法
CN110320555A (zh) * 2019-06-28 2019-10-11 中国石油大学(华东) 一种地震数据重建方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
XIANG LI ET AL.: "Sparsity promoting reconstruction with compressively acquired land data", 《SEG INTERNATIONAL EXPOSITION AND 89TH ANNUAL MEETING》 *
孔啸: "稀疏采样数据重建及全波形反演结果对比", 《中国优秀硕士学位论文全文数据库 基础科学辑》 *
王常波: "基于Shearlet稀疏变换基的压缩感知重建技术", 《地球物理学进展》 *
门哲等: "基于压缩感知的随机采样与稀疏性约束采样重构效果对比", 《中国石油学会2019年物探技术研讨会》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113917540A (zh) * 2021-11-10 2022-01-11 同济大学 基于稀疏约束的抗假频射线束进行地震数据去噪的方法
CN115220091A (zh) * 2022-02-22 2022-10-21 中国科学院地质与地球物理研究所 一种地质导向的非规则观测系统确定方法及系统
CN115220091B (zh) * 2022-02-22 2023-04-28 中国科学院地质与地球物理研究所 一种地质导向的非规则观测系统确定方法及系统
CN115267898A (zh) * 2022-08-11 2022-11-01 河北地质大学 天然地震数据重建方法、装置和电子设备

Similar Documents

Publication Publication Date Title
Yu et al. Monte Carlo data-driven tight frame for seismic data recovery
Wang et al. Simultaneous seismic data interpolation and denoising with a new adaptive method based on dreamlet transform
Liu et al. One-step slope estimation for dealiased seismic data reconstruction via iterative seislet thresholding
CN113109866A (zh) 一种基于压缩感知的多域稀疏地震数据重构方法及系统
CN109164483B (zh) 多分量地震数据矢量去噪方法及多分量地震数据矢量去噪装置
Ma Three-dimensional irregular seismic data reconstruction via low-rank matrix completion
Wang et al. Fast dictionary learning for high-dimensional seismic reconstruction
CN102998706B (zh) 一种衰减地震数据随机噪声的方法及系统
Li et al. Multidimensional seismic data reconstruction using frequency-domain adaptive prediction-error filter
Chen Fast dictionary learning for noise attenuation of multidimensional seismic data
Almadani et al. Dictionary learning with convolutional structure for seismic data denoising and interpolation
Zhang et al. Seismic data reconstruction based on CS and Fourier theory
Wu et al. Adaptive rank-reduction method for seismic data reconstruction
Yu et al. Noise attenuation in a low-dimensional manifold
Diao et al. Rapid kinematic finite-fault inversion for an M w 7+ scenario earthquake in the Marmara Sea: an uncertainty study
Goyes-Peñafiel et al. A consensus equilibrium approach for 3-D land seismic shots recovery
CN113935246A (zh) 一种信号鲁棒稀疏时频分析方法、终端设备及存储介质
Zhang et al. Reconstruction of 3D non-uniformly sampled seismic data along two spatial coordinates using non-equispaced curvelet transform
US9558554B1 (en) Defining basis function requirements for image reconstruction
de Souza et al. Using parity decomposition for interpreting magnetic anomalies from dikes having arbitrary dip angles, induced and remanent magnetization
CN109471172A (zh) 一种基于同相轴形态差异的面波提纯方法及装置
CN105319594A (zh) 一种基于最小二乘参数反演的傅里叶域地震数据重构方法
Ozturk et al. Application of compressive sensing to refractivity retrieval using networked weather radars
Li et al. Simple framework for the contrastive learning of visual representations-based data-driven tight frame for seismic denoising and interpolation
Zhang et al. Curvature-regularized manifold for seismic data interpolation

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210713

RJ01 Rejection of invention patent application after publication