CN113552639B - 物探数据边界异常增强方法 - Google Patents

物探数据边界异常增强方法 Download PDF

Info

Publication number
CN113552639B
CN113552639B CN202110881394.6A CN202110881394A CN113552639B CN 113552639 B CN113552639 B CN 113552639B CN 202110881394 A CN202110881394 A CN 202110881394A CN 113552639 B CN113552639 B CN 113552639B
Authority
CN
China
Prior art keywords
data
boundary
matrix
enhancement
abnormal
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.)
Active
Application number
CN202110881394.6A
Other languages
English (en)
Other versions
CN113552639A (zh
Inventor
王志宏
全旭东
刘波
李怀渊
张文峰
赵丛
彭莉红
陈伟
程莎莎
李寿华
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.)
Hebei Hangyao Technology Co ltd
Aerial Survey & Remote Sensing Centre Of Nuclear Industry
Original Assignee
Hebei Hangyao Technology Co ltd
Aerial Survey & Remote Sensing Centre Of Nuclear Industry
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 Hebei Hangyao Technology Co ltd, Aerial Survey & Remote Sensing Centre Of Nuclear Industry filed Critical Hebei Hangyao Technology Co ltd
Priority to CN202110881394.6A priority Critical patent/CN113552639B/zh
Publication of CN113552639A publication Critical patent/CN113552639A/zh
Application granted granted Critical
Publication of CN113552639B publication Critical patent/CN113552639B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
    • G01V3/38—Processing data, e.g. for analysis, for interpretation, for correction
    • 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
    • Y02A90/30—Assessment of water resources

Landscapes

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

Abstract

本发明涉及一种物探数据边界异常增强方法，包括整理并删除明显的干扰数据，对数据进行网格化并成图，初步分析原始数据异常特征，统计数据的测线数量、测线中测点数，对数据进行归一化处理。把处理后的数据转化为矩阵格式，根据异常特征，选择异常增强矩阵，采取逐行、逐列方向使原始数据矩阵与异常增强矩阵相乘，获得边界增强后的数据矩阵。对边界增强后的数据矩阵再进行格式反转换，得到最终的边界增强数据，在此基础上提取异常边界，获得合理的异常特征及地质推断解释。本发明的边界异常增强方法能够快速、准确地获得物探数据中的边界异常信息，从而得到合理的推断解释结果，快速确定物探边界异常分布特征，给资料推断解释带来了便利。

Description

物探数据边界异常增强方法
技术领域
本发明涉及一种物探数据处理方法，具体地说是一种物探数据边界异常增强方法。
背景技术
物探是一种通过研究和观测各种地球物理场的变化来探测地层岩性、地质构造的一种等测量方法。地质构造运动中，由于断层、沉积作用等使地层、岩性错断或者地质目标体横向不均匀性时，物探数据等值线图中会出现明显的线性异常。物探测量的一个主要目的就是根据物探测量数据推断工作区内存在的断裂、岩性界限等线性异常，为地质勘查提供基础资料，因此如何更好的提取物探资料中的边界异常信息，成为物探数据处理过程中的一个关键技术。
物探数据中的边缘提取多为重磁异常边界提取，重磁数据的地质体边缘信息提取一般有数理统计类和数据计算类。数理统计类包括小子域滤波和归一化标准差，数值计算类边缘识别应用最广，多为垂向导数、总水平导数、解析信号等，识别方法多利用极大值位置或零值位置确定地质体的边缘位置，确定的边缘位置与真实位置有一定偏差，偏差随着地质体边界变化而变化。
由于物探数据中经常存在噪声，一般异常提取方法在边界提取过程中，对噪声的压制能力比较差，算法也比较复杂，提取的边界信息多且弱，给资料解释带来了极大困难。因此，如何根据物探数据特征，压制噪声，快速增强边界异常特征为物探数据处理过程中的一个难题。
发明内容
本发明的目的就是提供一种物探数据边界异常增强方法，以解决现在物探数据处理时对噪声的压制能力比较差，算法比较复杂，提取的边界信息多且弱，给资料解释带来了极大困难的问题。
本发明是这样实现的：一种物探数据边界异常增强方法，包括以下步骤：
a.对测量得到的物探数据进行整理，删除明显受干扰的测量数据，对数据进行网格化并成图，初步分析边界异常特征。
b.对整理后的数据统计其均值、方差、标准差，根据均值、方差、标准差，综合分析数据的分布特征。
c.根据数据测点的坐标分布情况，统计数据的测线数量a、测线平均数据个数b，并从步骤a中得到的网格化文件中提取预处理后的原始测线数据。
d.根据数据分布特征，对数据进行归一化处理，若数据均大于零，使用最大最小值进行归一化处理，归一化后的值为测量值和最小值的差值与最大值和最小值的差值的比值
Figure GDA0004039343030000021
否则使用标准差方式进行归一化处理，归一化后的值为测量值与均值的差值与数据标准差的比值
Figure GDA0004039343030000022
处理时的均值、标准差数据使用步骤b中得到均值、标准差。
e.对归一化后的数据进行格式转换，生成行数为a、列数为b的原始数据矩阵A，同时把原始数据矩阵扩充为行数为a+2、列数为b+2的原始数据扩充矩阵B，扩展各元素均赋值为0；
f.根据原始数据边界异常特征，生成增强矩阵C。
g.采取逐行逐列滑动方式计算原始数据扩充矩阵B与增强矩阵C的成积，生成边界增强数据矩阵D。
h.对边界增强数据矩D进行数据格式反变换生成边界增强数据，对边界增强数据进行网格化并成图。
i.对网格化的边界增强数据进行边界异常特征分析，如果得到的结果合理，则根据由边界增强数据矩D得到的网格化图件进行边界异常信息提取以及推断解释，如果发现得到的结果不合理，则使得到的边界增强数据矩阵D再次和增强矩阵C相乘，直到得到合理的边界增强数据矩阵D1，并根据由边界增强数据矩阵D1得到的网格化图件进行边界异常信息提取以及推断解释。
进一步的，若原始数据异常边界接近垂直，则增强矩阵C等于
Figure GDA0004039343030000023
若原始数据异常边界接近水平，则增强矩阵C等于
Figure GDA0004039343030000024
进一步的，对原始数据矩阵B以逐行、逐列与增强矩阵C相乘，得到边界增强数据矩阵D，边界增强数据矩阵D中元素根据公式计算得到D(m，n)＝B(m，n)×C11+B(m，n+1)×C12+B(m，n+2)×C13+B(m+1，n)×C21+B(m+1，n+1)×C22+B(m+1，n+2)×C23+B(m+2，n)×C31+B(m+2，n+1)×C32+B(m+2，n+2)×C33。
进一步的，若原始数据异常边界为斜边界，则增强矩阵选择斜边界与垂直或水平边界夹角小的增强矩阵。
进一步的，在步骤h中，进行数据反变换时把边界增强数据矩阵D数据逐行拼接生成边界增强数据。
进一步的，在步骤i中，结合地球物理资料，对边界异常增强数据的网格化图件进行综合分析，进行地质推断解释。
在步骤e中，把每条测线数据作为原始数据矩阵A的行元素，不同测线相应测点数据作为原始数据矩阵A的列元素，生成原始数据矩阵A。
本发明是在综合分析物探测量数据的基础上，整理并删除明显的干扰数据，对数据进行网格化并成图，初步分析原始数据异常特征，统计数据的测线数量、测线中测点数，对数据进行归一化处理。把处理后的数据转化为矩阵格式，根据异常特征，选择异常增强矩阵，采取逐行、逐列方向使原始数据矩阵与异常增强矩阵相乘，获得边界增强后的数据矩阵。对边界增强后的数据矩阵再进行格式反转换，得到最终的边界增强数据，在此基础上提取异常边界，获得合理的异常特征及地质推断解释。
本发明的边界异常增强方法操作简单，能够有效压制噪声，快速、准确地获得物探数据中的边界异常信息，从而得到合理的推断解释结果，快速确定物探边界异常分布特征，给资料推断解释带来了便利。
附图说明
图1是本发明的流程图。
图2是物探原始数据异常边界的平面图
图3是物探边界异常增强平面图。
具体实施方式
如图1所示，本发明包括以下步骤。
a.对测量得到的物探数据进行整理，删除明显受干扰的测量数据，对数据进行网格化并成图，初步分析边界异常特征。
b.对整理后的数据统计其均值、方差、标准差，根据均值、方差、标准差，综合分析数据的分布特征。
c.根据数据测点的坐标分布情况，统计数据的测线数量a、测线平均数据个数b，并从步骤a中得到的网格化文件中提取预处理后的原始测线数据。
d.根据数据分布特征，对数据进行归一化处理，若数据均大于零，使用最大最小值进行归一化处理，归一化后的值为测量值和最小值的差值与最大值和最小值的差值的比值
Figure GDA0004039343030000031
否则使用标准差方式进行归一化处理，归一化后的值为测量值与均值的差值与数据标准差的比值
Figure GDA0004039343030000032
处理时的均值、标准差数据使用步骤b中得到均值、标准差。
e.对归一化后的数据进行格式转换，生成行数为a、列数为b的原始数据矩阵A，同时把原始数据矩阵扩充为行数为a+2、列数为b+2的原始数据扩充矩阵B，扩展各元素均赋值为0；
f.根据原始数据边界异常特征，生成增强矩阵C。
g.采取逐行逐列滑动方式计算原始数据扩充矩阵B与增强矩阵C的成积，生成边界增强数据矩阵D。
h.对边界增强数据矩D进行数据格式反变换生成边界增强数据，对边界增强数据进行网格化并成图。
i.对网格化的边界增强数据进行边界异常特征分析，如果得到的结果合理，则根据由边界增强数据矩D得到的网格化图件进行边界异常信息提取以及推断解释，如果发现得到的结果不合理，则使得到的边界增强数据矩阵D再次和增强矩阵C相乘，直到得到合理的边界增强数据矩阵D1，并根据由边界增强数据矩阵D1得到的网格化图件进行边界异常信息提取以及推断解释。
其中，若原始数据异常边界接近垂直，则增强矩阵C等于
Figure GDA0004039343030000041
若原始数据异常边界接近水平，则增强矩阵C等于
Figure GDA0004039343030000042
若原始数据异常边界为斜边界，则增强矩阵选择斜边界与垂直或水平边界夹角小的增强矩阵。
对原始数据矩阵B以逐行、逐列与增强矩阵C相乘，得到边界增强数据矩阵D，边界增强数据矩阵D中元素根据公式计算得到D(m，n)＝B(m，n)×C11+B(m，n+1)×C12+B(m，n+2)×C13+B(m+1，n)×C21+B(m+1，n+1)×C22+B(m+1，n+2)×C23+B(m+2，n)×C31+B(m+2，n+1)×C32+B(m+2，n+2)×C33。
在步骤h中，进行数据反变换时把边界增强数据矩阵D数据逐行拼接生成边界增强数据。
在在步骤i中，结合地球物理资料，对边界异常增强数据的网格化图件进行综合分析，进行地质推断解释。
如图2、图3所示，结合实际工作区案例对本发明的方法进行进一步的说明。
首先对测量数据进行整理和质量评价，删除其中明显受干扰的测量数据，对处理后的数据进行网格化并成图，得到图2，并根据图2初步分析边界异常特征，由图2可知边界异常信息比较弱，无法通过该图对地质构造、底层以及岩性等进行推断解释，需要对原始数据进行边界增强处理。
对整理后的数据统计其均值、方差、标准差，根据均值、方差、标准差，综合分析数据的分布特征。工作区整理后的数据经计算得到其最小值为-83.21，最大值为113.14，均值为28.74，方差为标准差为13.19。
根据数据测量数据分布情况，统计数据的测线数量a、测线平均数据个数b，并从网格化文件中提取预处理后的原始测线数据。具体地说，统计数据的测量线量为243条，每个测线测量数据为195个，共提取列数据47385个。即a的值为195，b的值为243。
根据数据分布特征，选取合理的归一化方法对数据进行归一化，由于工作区数据最小值为-83.21，最大值为113.14，根据数据特征，采用标准差方式对列数据进行归一化处理，具体计算归一化公式为
y＝x-28.74/13.19，公式中x为物探测量值，y为归一化后测量值。归一化列数据最小值为-8.49，最大值为6.4，平均值为0，标准差1。
对数据进行分析以及格式转换，把每条测线数据作为矩阵的行元素，不同测线相应测点数据作为矩阵的列元素，生成原始数据矩阵A，将47385个列数据转化为195×243大小的原始数据矩阵，同时把原始数据矩阵195×243的矩阵扩充为197×245大小的数据矩阵，扩展元素均赋值为0。
综合分析物探数据发现异常边界多近似垂直，因此边界增强矩阵使用
Figure GDA0004039343030000051
对扩充后的原始数据矩阵采取3×3大小模块逐行逐列与增强矩阵相乘，获得195×243大小的边界增强矩阵。
对195×243大小的边界增强数据矩阵进行格式转换，转换为具有43785列的边界增强数据，对其进行网格化成图，得到图3，并根据图3分析边界异常特征，结合航空磁测、地质及其它地球物理资料，对边界异常增强图件进行综合分析，进行地质构造、地层及岩性等推断解释。
本发明是在综合分析物探测量数据的基础上，整理并删除明显的干扰数据，对数据进行网格化并成图，初步分析原始数据异常特征，统计数据的测线数量、测线中测点数，对数据进行归一化处理。把处理后的数据转化为矩阵格式，根据异常特征，选择异常增强矩阵，采取逐行、逐列方向使原始数据矩阵与异常增强矩阵相乘，获得边界增强后的数据矩阵。对边界增强后的数据矩阵再进行格式反转换，得到最终的边界增强数据，在此基础上提取异常边界，获得合理的异常特征及地质推断解释。
本发明的边界异常增强方法操作简单，能够有效压制噪声，快速、准确地获得物探数据中的边界异常信息，从而得到合理的推断解释结果，快速确定物探边界异常分布特征，给资料推断解释带来了便利。

Claims (4)

1.一种物探数据边界异常增强方法，其特征在于，包括以下步骤：
a.对测量得到的物探数据进行整理，删除明显受干扰的测量数据，对数据进行网格化并成图，初步分析边界异常特征；
b.对整理后的数据统计其均值、方差、标准差，根据均值、方差、标准差，综合分析数据的分布特征；
c.根据数据测点的坐标分布情况，统计数据的测线数量a、测线平均数据个数b，并从步骤a中得到的网格化文件中提取预处理后的原始测线数据；
d.根据数据分布特征，对数据进行归一化处理，若数据均大于零，使用最大最小值进行归一化处理，归一化后的值为测量值和最小值的差值与最大值和最小值的差值的比值，否则使用标准差方式进行归一化处理，归一化后的值为测量值与均值的差值与数据标准差的比值，处理时的均值、标准差数据使用步骤b中得到均值、标准差；
e.对归一化后的数据进行格式转换，生成行数为a、列数为b的原始数据矩阵A，同时把原始数据矩阵扩充为行数为a+2、列数为b+2的原始数据扩充矩阵B，扩展各元素均赋值为0；
f.根据原始数据边界异常特征，生成增强矩阵C，若原始数据异常边界垂直，则增强矩阵C等于
Figure FDA0004071822930000011
若原始数据异常边界水平，则增强矩阵C等于
Figure FDA0004071822930000012
若原始数据异常边界为斜边界，则增强矩阵选择斜边界与垂直或水平边界夹角小的增强矩阵；
g.采取逐行逐列滑动方式计算原始数据扩充矩阵B与增强矩阵C的成积，生成边界增强数据矩阵D；
h.对边界增强数据矩D进行数据格式反变换生成边界增强数据，对边界增强数据进行网格化并成图；
i.结合地球物理资料，对边界异常增强数据的网格化图件进行综合分析，进行地质推断解释，对网格化的边界增强数据进行边界异常特征分析，如果得到的结果合理，则根据由边界增强数据矩D得到的网格化图件进行边界异常信息提取以及推断解释，如果发现得到的结果不合理，则使得到的边界增强数据矩阵D再次和增强矩阵C相乘，直到得到合理的边界增强数据矩阵D1，并根据由边界增强数据矩阵D1得到的网格化图件进行边界异常信息提取以及推断解释。
2.根据权利要求1所述的物探数据边界异常增强方法，其特征在于，对原始数据矩阵B以逐行、逐列与增强矩阵C相乘，得到边界增强数据矩阵D，边界增强数据矩阵D中元素根据公式计算得到D(m，n)＝B(m，n)×C11+B(m，n+1)×C12+B(m，n+2)×C13+B(m+1，n)×C21+B(m+1，n+1)×C22+B(m+1，n+2)×C23+B(m+2，n)×C31+B(m+2，n+1)×C32+B(m+2，n+2)×C33。
3.根据权利要求1所述的物探数据边界异常增强方法，其特征在于，在步骤h中，进行数据反变换时把边界增强数据矩阵D数据逐行拼接生成边界增强数据。
4.根据权利要求1所述的物探数据边界异常增强方法，其特征在于，在步骤e中，把每条测线数据作为原始数据矩阵A的行元素，不同测线相应测点数据作为原始数据矩阵A的列元素，生成原始数据矩阵A。
CN202110881394.6A 2021-08-02 2021-08-02 物探数据边界异常增强方法 Active CN113552639B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110881394.6A CN113552639B (zh) 2021-08-02 2021-08-02 物探数据边界异常增强方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110881394.6A CN113552639B (zh) 2021-08-02 2021-08-02 物探数据边界异常增强方法

Publications (2)

Publication Number Publication Date
CN113552639A CN113552639A (zh) 2021-10-26
CN113552639B true CN113552639B (zh) 2023-03-21

Family

ID=78105139

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110881394.6A Active CN113552639B (zh) 2021-08-02 2021-08-02 物探数据边界异常增强方法

Country Status (1)

Country Link
CN (1) CN113552639B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103513286A (zh) * 2013-10-15 2014-01-15 中国石油大学(华东) 一种地质模型约束下的滩坝结构单元判别方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103513286A (zh) * 2013-10-15 2014-01-15 中国石油大学(华东) 一种地质模型约束下的滩坝结构单元判别方法

Also Published As

Publication number Publication date
CN113552639A (zh) 2021-10-26

Similar Documents

Publication Publication Date Title
US11340370B2 (en) Automatic quality control of seismic travel time
US7184991B1 (en) Pattern recognition applied to oil exploration and production
US7162463B1 (en) Pattern recognition template construction applied to oil exploration and production
Gaci The use of wavelet-based denoising techniques to enhance the first-arrival picking on seismic traces
US6226596B1 (en) Method for analyzing and classifying three dimensional seismic information
US7188092B2 (en) Pattern recognition template application applied to oil exploration and production
EP2031423B1 (en) Identifying geological features in an image of an underground formation surrounding a borehole
AU2011248992B2 (en) Windowed statistical analysis for anomaly detection in geophysical datasets
AU2009314458B2 (en) Windowed statistical analysis for anomaly detection in geophysical datasets
US20040008891A1 (en) Pattern recognition applied to graphic imaging
US20080140319A1 (en) Processing of stratigraphic data
CA2481907C (en) Method for morphologic analysis of seismic objects
CN109961087B (zh) 基于空间数据集分析的异常遥感信息提取方法及装置
CN109763814B (zh) 基于多维测井数据的地层匹配可视分析方法
Honório et al. Independent component spectral analysis
US20100228486A1 (en) Method and system for seismic data processing
CN113552639B (zh) 物探数据边界异常增强方法
Chahine et al. Enhanced delineation of reservoir compartmentalization from advanced preand post-stack seismic attribute analysis
CN111366976A (zh) 基于尺度导向的地震属性自适应中值滤波方法
Song et al. Pre-stack-texture-based reservoir characteristics and seismic facies analysis
Zhao et al. Direct seismic waveform classification and first-break picking based on fully convolutional networks from shot gathers with missing traces
Volcan et al. Enhanced delineation of reservoir compartmentalization from advanced Pre and Post-stack seismic attribute analysis
CN112558147B (zh) 一种井中微地震数据的偏振分析方法及系统
Elmak et al. A First-Arrival Picking Technique Based on Texture Segmentation Exploring Seismic Data
Jian‐Ping et al. A connected domain identification method and its application in quantitative pickup of cave information using electric imaging logging

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