CN114660656A - 一种地震数据初至拾取方法及系统 - Google Patents

Abstract

本发明涉及一种地震数据初至拾取方法及系统，涉及石油地球物理勘探技术领域，方法包括：获取待测地震数据；将待测地震数据输入至地震初至拾取模型，以得到地震初至；其中，地震初至拾取模型是根据训练集和标定深度卷积神经网络训练得到的；训练集包括样本地震数据以及与样本地震数据对应的标签信息；标签信息为样本地震数据的0‑1图；标定深度卷积神经网络包括第一注意力子网络、第二注意力子网络、第三注意力子网络、编码子网络和解码子网络。本发明通过将注意力机制引入Unet网络中，使浅特征层中的模型参数可以根据给定任务相关空间区域进行更新使得网络更关注需要的初至信息，实现准确提取。

Description

一种地震数据初至拾取方法及系统

技术领域

本发明涉及石油地球物理勘探技术领域，特别是涉及一种地震数据初至拾取方法及系统。

背景技术

在石油勘探中，准确快速地拾取地震初至，是去除近地表对地震数据影响的基础。地震数据的初至拾取通常分为人工拾取、计算机自动拾取两种。随着地震数据量的不断增大，人工识别初至非常耗时。因此如何选择一种准确、快速的自动拾取方法非常重要。

现阶段的自动拾取方法通常有以下几种，一是采用能量的方法，二是采用相关性的方法，如能量比法，振幅比法，瞬时强度比法、曲线长度比法等等。这些方法在具有强峰值、噪音稳定、波形相似性好的数据上有着不错的表现。然而在具有不规则表面、含强噪音干扰和能量损失的数据情况下，并不能得到很好的拾取效果。

深度学习是机器学习中的一种，其可以通过训练学习到样本集中的内在规律与表示，已经成功应用于计算机视觉(CV)，语音识别，自然语言处理(NLP)等领域。计算机视觉(CV)中的图像分割任务，是通过训练好的深度学习模型，将图像进行分割。而初至拾取任务同样可以看做一个图像分割任务，将初至下的地震数据与初至上的0值分割开来，但是目前尚不存在，将计算机视觉应用到初至拾取任务中的技术方案。

发明内容

本发明的目的是提供一种地震数据初至拾取方法及系统，将注意力机制引入Unet网络中，实现对地震初至的准确提取。

为实现上述目的，本发明提供了如下方案：

一种地震数据初至拾取方法，包括：

获取待测地震数据；所述待测地震数据包括地震初至数据；

将所述待测地震数据输入至地震初至拾取模型，以得到地震初至；

所述地震初至拾取模型是根据训练集和标定深度卷积神经网络训练得到的；所述训练集包括样本地震数据以及与所述样本地震数据对应的标签信息；所述标签信息为所述样本地震数据的0-1图；其中，所述0-1图中的0值表示所述样本地震数据中处于一个初至及初至之上区域的数据，所述0-1图中的1值表示所述样本地震数据中处于初至之下区域的数据；

所述标定深度卷积神经网络包括第一注意力子网络、第二注意力子网络、第三注意力子网络、编码子网络和解码子网络；

所述编码子网络包括依次连接的第一编码模块、第一下采样模块、第二编码模块、第二下采样模块、第三编码模块、第三下采样模块和第四编码模块；所述解码子网络包括依次连接的第三上采样模块、第三解码模块、第二上采样模块、第二解码模块、第一上采样模块和第一解码模块；所述第四编码模块的输出端与所述第三上采样模块的输入端连接；

所述第一编码模块的输出端还通过所述第一注意力子网络与所述第一解码模块进行跳跃连接；所述第二编码模块的输出端还通过所述第二注意力子网络与所述第二解码模块进行跳跃连接；所述第三编码模块的输出端还通过所述第三注意力子网络与所述第三解码模块进行跳跃连接。

可选地，所述训练集的构建过程，具体包括：

获取实际地震数据和多个地震速度模型；所述实际地震数据为炮数据；

根据所述地震速度模型和所述实际地震数据进行正演模拟，以得到初步地震数据；

对所述初步地震数据进行随机抽道、添加随机噪音、随机高斯变换和随机线性变换，以确定合成地震数据；

根据所述实际地震数据确定所述实际地震数据对应的0-1图；

根据所述合成地震数据确定所述合成地震数据对应的0-1图；

根据所述实际地震数据、所述合成地震数据、所述实际地震数据对应的0-1图和所述合成地震数据对应的0-1图，构建训练集。

可选地，所述第一注意力子网络具体包括第一卷积模块、第二卷积模块、ReLU模块、第三卷积模块、Sigmoid模块和Reshape模块；

所述第一卷积模块的输入端用于输入所述第一上采样模块输出的第一特征图；所述第二卷积模块的输入端用于输入所述第一编码模块输出的第二特征图；所述ReLU模块的输入端用于输入第三特征图；所述第三特征图为经过第一卷积操作后的第一特征图，与经过第二卷积操作后的第二特征图执行相加操作后得到的；

所述ReLU模块的输出端与所述第三卷积模块的输入端连接，所述第三卷积模块的输出端与所述Sigmoid模块的输入端连接，所述Sigmoid模块的输出端与所述Reshape模块的输入端连接；

所述Reshape模块的输出端用于输出掩膜特征；

所述第一解码模块的输入信息为所述掩膜特征与所述第二特征图进行相乘操作后得到的信息。

可选地，所述第一编码模块包括依次连接的两个卷积层；所述第一解码模块包括依次连接的两个卷积层；

所述第二编码模块包括依次连接的两个卷积层；所述第二解码模块包括依次连接的两个卷积层；

所述第三编码模块包括依次连接的两个卷积层；所述第三解码模块包括依次连接的两个卷积层。

可选地，所述地震数据初至拾取方法，还包括：

当所述样本地震数据为二维地震数据时，所述第一编码模块的卷积层采用二维卷积核进行训练，所述第一解码模块的卷积层采用二维卷积核进行训练；

当所述样本地震数据为三维地震数据时，所述第一编码模块的卷积层采用三维卷积核进行训练，所述第一解码模块的卷积层采用三维卷积核进行训练。

为达上述目的，本发明还提供了如下技术方案：

一种地震数据初至拾取系统，包括：

地震数据获取子系统，用于获取待测地震数据；所述待测地震数据包括地震初至数据；

地震初至子系统，用于将所述待测地震数据输入至地震初至拾取模型，以得到地震初至；

所述地震初至拾取模型是根据训练集和标定深度卷积神经网络训练得到的；所述训练集包括样本地震数据以及与所述样本地震数据对应的标签信息；所述标签信息为所述样本地震数据的0-1图；其中，所述0-1图中的0值表示所述样本地震数据中处于一个初至及初至之上区域的数据，所述0-1图中的1值表示所述样本地震数据中处于初至之下区域的数据；

所述标定深度卷积神经网络包括第一注意力子网络、第二注意力子网络、第三注意力子网络、编码子网络和解码子网络；

所述编码子网络包括依次连接的第一编码模块、第一下采样模块、第二编码模块、第二下采样模块、第三编码模块、第三下采样模块和第四编码模块；所述解码子网络包括依次连接的第三上采样模块、第三解码模块、第二上采样模块、第二解码模块、第一上采样模块和第一解码模块；所述第四编码模块的输出端与所述第三上采样模块的输入端连接；

所述第一编码模块的输出端还通过所述第一注意力子网络与所述第一解码模块进行跳跃连接；所述第二编码模块的输出端还通过所述第二注意力子网络与所述第二解码模块进行跳跃连接；所述第三编码模块的输出端还通过所述第三注意力子网络与所述第三解码模块进行跳跃连接。

可选地，在所述训练集的构建方面，所述地震数据获取子系统具体包括：

第一数据获取单元，用于获取实际地震数据和多个地震速度模型；所述实际地震数据为炮数据；

初步数据获取单元，用于根据所述地震速度模型和所述实际地震数据进行正演模拟，以得到初步地震数据；

合成数据确定单元，用于对所述初步地震数据进行随机抽道、添加随机噪音、随机高斯变换和随机线性变换，以确定合成地震数据；

第一01图单元，用于根据所述实际地震数据确定所述实际地震数据对应的0-1图；

第二01图单元，用于根据所述合成地震数据确定所述合成地震数据对应的0-1图；

训练集确定单元，用于根据所述实际地震数据、所述合成地震数据、所述实际地震数据对应的0-1图和所述合成地震数据对应的0-1图，构建训练集。

可选地，所述第一注意力子网络具体包括第一卷积模块、第二卷积模块、ReLU模块、第三卷积模块、Sigmoid模块和Reshape模块；

所述第一卷积模块的输入端用于输入所述第一上采样模块输出的第一特征图；所述第二卷积模块的输入端用于输入所述第一编码模块输出的第二特征图；所述ReLU模块的输入端用于输入第三特征图；所述第三特征图为经过第一卷积操作后的第一特征图，与经过第二卷积操作后的第二特征图执行相加操作后得到的；

所述ReLU模块的输出端与所述第三卷积模块的输入端连接，所述第三卷积模块的输出端与所述Sigmoid模块的输入端连接，所述Sigmoid模块的输出端与所述Reshape模块的输入端连接；

所述Reshape模块的输出端用于输出掩膜特征；

所述第一解码模块的输入信息为所述掩膜特征与所述第二特征图进行相乘操作后得到的信息。

可选地，所述第一编码模块包括依次连接的两个卷积层；所述第一解码模块包括依次连接的两个卷积层；

所述第二编码模块包括依次连接的两个卷积层；所述第二解码模块包括依次连接的两个卷积层；

所述第三编码模块包括依次连接的两个卷积层；所述第三解码模块包括依次连接的两个卷积层。

可选地，所述地震数据初至拾取系统，还包括：

二维卷积训练单元，用于当所述样本地震数据为二维地震数据时，所述第一编码模块的卷积层采用二维卷积核进行训练，所述第一解码模块的卷积层采用二维卷积核进行训练；

三维卷积训练单元，用于当所述样本地震数据为三维地震数据时，所述第一编码模块的卷积层采用三维卷积核进行训练，所述第一解码模块的卷积层采用三维卷积核进行训练。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

将待测地震数据输入至地震初至拾取模型，以得到地震初至，其中，地震初至拾取模型是根据训练集和标定深度卷积网络训练得到的，且标定深度卷积神经网络是一种基于自注意力机制的Attention-Unet结构，将注意力子网络集成至Unet网络的跳跃连接中，从而使得浅特征层中的模型参数根据给定任务相关空间区域进行更新，能够快速、精准地实现繁琐的初至拾取任务。

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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明地震数据初至拾取方法的流程示意图；

图2为本发明中标定深度卷积神经网络的结构示意图；

图3为本发明中第一注意力子网络的结构示意图；

图4为本发明地震数据初至拾取系统的结构示意图。

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。

本发明的目的是提供一种地震数据初至拾取方法及系统，将注意力机制引入Unet网络中，使得网络更加关注局部区域，以得到更好的分割效果。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例一

如图1所示，本实施例提供一种地震数据初至拾取方法，包括：

步骤100，获取待测地震数据；所述待测地震数据包括地震初至数据。

步骤200，将所述待测地震数据输入至地震初至拾取模型，以得到地震初至。

所述地震初至拾取模型是根据训练集和标定深度卷积神经网络训练得到的；所述训练集包括样本地震数据以及与所述样本地震数据对应的标签信息；所述标签信息为所述样本地震数据的0-1图；其中，所述0-1图中的0值表示所述样本地震数据中处于一个初至及初至之上区域的数据，所述0-1图中的1值表示所述样本地震数据中处于初至之下区域的数据；通过训练集的迭代计算使标定深度卷积神经网络达到收敛，从而建立基于Attention-Unet的地震初至拾取模型。

如图2所示，所述标定深度卷积神经网络包括第一注意力子网络、第二注意力子网络、第三注意力子网络、编码子网络和解码子网络。

所述编码子网络包括依次连接的第一编码模块、第一下采样模块、第二编码模块、第二下采样模块、第三编码模块、第三下采样模块和第四编码模块；所述解码子网络包括依次连接的第三上采样模块、第三解码模块、第二上采样模块、第二解码模块、第一上采样模块和第一解码模块；所述第四编码模块的输出端与所述第三上采样模块的输入端连接。

所述第一编码模块的输出端还通过所述第一注意力子网络与所述第一解码模块进行跳跃连接；所述第二编码模块的输出端还通过所述第二注意力子网络与所述第二解码模块进行跳跃连接；所述第三编码模块的输出端还通过所述第三注意力子网络与所述第三解码模块进行跳跃连接。在标定深度卷积神经网络的训练阶段，所述第一编码模块的输入端用于输入所述训练集，所述第一解码模块的输出端用于输出样本地震数据的0-1图，以得到地震初至。

优选地，所述第一编码模块包括依次连接的两个卷积层；所述第一解码模块包括依次连接的两个卷积层；所述第二编码模块包括依次连接的两个卷积层；所述第二解码模块包括依次连接的两个卷积层；所述第三编码模块包括依次连接的两个卷积层；所述第三解码模块包括依次连接的两个卷积层。

具体地，编码子网络的结构为：输入数据通过第一编码模块进行两次卷积得到64通道的特征层，然后通过第一下采样模块，然后通过第二编码模块进行两次卷积得到128通道数据，之后通过第二下采样模块，再通过第三编码模块进行两次卷积得到256通道数据；之后通过第三下采样模块后，通过第四编码模块进行两次卷积得到512通道的数据。

decoder结构将encoder中输出的512通道数据解码为所需要的数据维度。具体为：第四编码模块输出的512通道中间层数据，通过第三上采样模块得到一个256通道的数据，然后对应的encoder中的第三编码模块的数据，通过第三注意力子网络得到一个256通道数据，然后通过跳跃连接操作，将两个256通道数据拼接到一起得到一个512通道数据；然后在第三解码模块中两次卷积得到256通道的数据。之后再通过第二上采样模块得到128通道数据，同样使用基于第二注意力子网络的跳跃连接操作得到256通道的数据，然后在第二解码模块通过两次卷积得到128通道数据。再通过第一上采样模块得到64通道数据，通过基于第一注意力子网络的跳跃连接得到128通道的数据，最后通过第一解码模块进行两次卷积操作得到网络输出。

优选地，所述训练集的构建过程，具体包括：

(1)获取实际地震数据和多个地震速度模型；所述实际地震数据为炮数据。

(2)根据所述地震速度模型和所述实际地震数据进行正演模拟，以得到初步地震数据。具体地，通过400个速度模型*20炮，进行正演模拟。具体地，自三维overthrust模型中截取二维切片，以得到地震数据的随机的速度模型，其中包含不同的地质结构，包括褶皱、断层等；且速度模型为横向变速，以模拟真实初至情况。通过声波方程正演得到地震记录，其中一个速度模型正演20炮，每个速度模型的20个震源位置随机，模拟不同位置放炮的地震记录。

(3)对所述初步地震数据进行随机抽道、添加随机噪音、随机高斯变换和随机线性变换，以确定合成地震数据；具体地，模拟缺道坏道情况及强噪音的影响时，通过随机位置随机抽道，模拟地震数据的坏道情况；通过添加随机噪音，模拟实际数据中的强噪音影响。通过对原始地震记录通过随机位置的高斯或线性变换，以模拟地标不规则的影响。

(4)根据所述实际地震数据确定所述实际地震数据对应的0-1图。具体地，所述0-1图是地震数据的能量色散图组成的两通道数据体。

(5)根据所述合成地震数据确定所述合成地震数据对应的0-1图。

(6)根据所述实际地震数据、所述合成地震数据、所述实际地震数据对应的0-1图和所述合成地震数据对应的0-1图，构建训练集。即，最终构成的训练集包括合成数据集和实际数据集。其中，合成数据集包含高斯变换后的、非高斯变换的、缺道的、不缺道的，含随机噪音的及不含随机噪音的数据，在此基础上添加了一定量的实际数据样本，能够使训练集更好地适应实际数据的特征。理论上讲，训练数据越丰富，训练样本越多样化，则可以得到泛化性更强的地震初至拾取网络。

如图3所示，所述第一注意力子网络具体包括第一卷积模块、第二卷积模块、ReLU模块、第三卷积模块、Sigmoid模块和Reshape模块。

所述第一卷积模块的输入端用于输入所述第一上采样模块输出的第一特征图；所述第二卷积模块的输入端用于输入所述第一编码模块输出的第二特征图；所述ReLU模块的输入端用于输入第三特征图；所述第三特征图为经过第一卷积操作后的第一特征图，与经过第二卷积操作后的第二特征图执行相加操作后得到的；所述ReLU模块的输出端与所述第三卷积模块的输入端连接，所述第三卷积模块的输出端与所述Sigmoid模块的输入端连接，所述Sigmoid模块的输出端与所述Reshape模块的输入端连接。

所述Reshape模块的输出端用于输出掩膜特征；具体地，Reshape模块输出一个关注到初至信息的Mask；所述第一解码模块的输入信息为所述掩膜特征与所述第二特征图进行相乘操作后得到的信息。

第一卷积模块、第二卷积模块和第三卷积模块均为1*1*1的卷积层。且，第一注意力子网络的结构与第二注意力子网络的结构、第三注意力子网络的结构相同，在此不再赘述。

本实施例通过将注意力机制集成至标准的Unet网络中，通过注意力机制使得网络更加关注到初至信息。具体是使来自背景区域的特征层在Decoder结构中降低权重，使浅特征层中的模型参数可以根据给定任务相关空间区域进行更新。

在一个具体实施例中，所述地震数据初至拾取方法，还包括：

当所述样本地震数据为二维地震数据时，所述第一编码模块的卷积层采用二维卷积核进行训练，所述第一解码模块的卷积层采用二维卷积核进行训练；当所述样本地震数据为三维地震数据时，所述第一编码模块的卷积层采用三维卷积核进行训练，所述第一解码模块的卷积层采用三维卷积核进行训练。

具体来说，本实施例得到的Attention-Unet网络模型包含两种网络，分别为2D-Attention-Unet，及3D-Attention-Unet。其中2D-Attention-Unet使用2维卷积核，并在Unet的基础上添加了注意力机制，针对二维地震数据的初至拾取工作；对应地，2D-Attention-Unet使用二维训练集进行神经网络训练。而3D-Attention-Unet则使用了3维卷积核，并在网络中添加了基于3维卷积核的Attention层，针对于三维地震数据的初至拾取工作；对应地，3D-Attention-Unet使用三维训练集进行神经网络训练。3D-Attention-Unet相比于2D-Attention-Unet的好处在于其拾取出的初至波在附加维度上更加连续。

实施例二

如图4所示，本实施例提供一种地震数据初至拾取系统，包括：

地震数据获取子系统101，用于获取待测地震数据；所述待测地震数据包括地震初至数据。

地震初至子系统201，用于将所述待测地震数据输入至地震初至拾取模型，以得到地震初至。

所述地震初至拾取模型是根据训练集和标定深度卷积神经网络训练得到的；所述训练集包括样本地震数据以及与所述样本地震数据对应的标签信息；所述标签信息为所述样本地震数据的0-1图；其中，所述0-1图中的0值表示所述样本地震数据中处于一个初至及初至之上区域的数据，所述0-1图中的1值表示所述样本地震数据中处于初至之下区域的数据。

所述标定深度卷积神经网络包括第一注意力子网络、第二注意力子网络、第三注意力子网络、编码子网络和解码子网络。

所述编码子网络包括依次连接的第一编码模块、第一下采样模块、第二编码模块、第二下采样模块、第三编码模块、第三下采样模块和第四编码模块；所述解码子网络包括依次连接的第三上采样模块、第三解码模块、第二上采样模块、第二解码模块、第一上采样模块和第一解码模块；所述第四编码模块的输出端与所述第三上采样模块的输入端连接；

所述第一编码模块的输出端还通过所述第一注意力子网络与所述第一解码模块进行跳跃连接；所述第二编码模块的输出端还通过所述第二注意力子网络与所述第二解码模块进行跳跃连接；所述第三编码模块的输出端还通过所述第三注意力子网络与所述第三解码模块进行跳跃连接。

所述第一注意力子网络具体包括第一卷积模块、第二卷积模块、ReLU模块、第三卷积模块、Sigmoid模块和Reshape模块；所述第一卷积模块的输入端用于输入所述第一上采样模块输出的第一特征图；所述第二卷积模块的输入端用于输入所述第一编码模块输出的第二特征图；所述ReLU模块的输入端用于输入第三特征图；所述第三特征图为经过第一卷积操作后的第一特征图，与经过第二卷积操作后的第二特征图执行相加操作后得到的；所述ReLU模块的输出端与所述第三卷积模块的输入端连接，所述第三卷积模块的输出端与所述Sigmoid模块的输入端连接，所述Sigmoid模块的输出端与所述Reshape模块的输入端连接；所述Reshape模块的输出端用于输出掩膜特征；所述第一解码模块的输入信息为所述掩膜特征与所述第二特征图进行相乘操作后得到的信息。

优选地，所述第一编码模块包括依次连接的两个卷积层；所述第一解码模块包括依次连接的两个卷积层；所述第二编码模块包括依次连接的两个卷积层；所述第二解码模块包括依次连接的两个卷积层；所述第三编码模块包括依次连接的两个卷积层；所述第三解码模块包括依次连接的两个卷积层。

在所述训练集的构建方面，所述地震数据获取子系统具体包括：

第一数据获取单元，用于获取实际地震数据和多个地震速度模型；所述实际地震数据为炮数据。

初步数据获取单元，用于根据所述地震速度模型和所述实际地震数据进行正演模拟，以得到初步地震数据。

合成数据确定单元，用于对所述初步地震数据进行随机抽道、添加随机噪音、随机高斯变换和随机线性变换，以确定合成地震数据。

第一01图单元，用于根据所述实际地震数据确定所述实际地震数据对应的0-1图。

第二01图单元，用于根据所述合成地震数据确定所述合成地震数据对应的0-1图。

训练集确定单元，用于根据所述实际地震数据、所述合成地震数据、所述实际地震数据对应的0-1图和所述合成地震数据对应的0-1图，构建训练集。

所述地震数据初至拾取系统，还包括二维卷积训练单元和三维卷积训练单元。

二维卷积训练单元，用于当所述样本地震数据为二维地震数据时，所述第一编码模块的卷积层采用二维卷积核进行训练，所述第一解码模块的卷积层采用二维卷积核进行训练。

三维卷积训练单元，用于当所述样本地震数据为三维地震数据时，所述第一编码模块的卷积层采用三维卷积核进行训练，所述第一解码模块的卷积层采用三维卷积核进行训练。

相对于现有技术，本发明还具有以下优点：

(1)本发明提出一种Attention-UNet网络，其特点在于使用Attention Gate结构使来自背景区域的特征层在UNet网络的Decoder结构中降低权重，使浅特征层中的模型参数可以根据给定任务相关空间区域进行更新，从而使得网络更关注需要的初至信息；通过UNet网络的跳跃连接更好地将较浅的卷积层特征引入过来，会含有更多的低阶信息。通过这种跳跃连接操作，可以使网络更好地将隐藏特征层转化为最后的干净的地震数据

(2)本发明针对2D地震数据，训练基于2D卷积核的Attention-Unet网络，而针对与3D地震数据的初至拾取任务，训练基于3D卷积核的Attention-Unet网络，而得到的基于3D卷积核的Attention-Unet网络能够使得拾取的初至信息在另一维度上连续性更好。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种地震数据初至拾取方法，其特征在于，所述地震数据初至拾取方法包括：

获取待测地震数据；所述待测地震数据包括地震初至数据；

将所述待测地震数据输入至地震初至拾取模型，以得到地震初至；

所述地震初至拾取模型是根据训练集和标定深度卷积神经网络训练得到的；所述训练集包括样本地震数据以及与所述样本地震数据对应的标签信息；所述标签信息为所述样本地震数据的0-1图；其中，所述0-1图中的0值表示所述样本地震数据中处于一个初至及初至之上区域的数据，所述0-1图中的1值表示所述样本地震数据中处于初至之下区域的数据；

所述标定深度卷积神经网络包括第一注意力子网络、第二注意力子网络、第三注意力子网络、编码子网络和解码子网络；

所述编码子网络包括依次连接的第一编码模块、第一下采样模块、第二编码模块、第二下采样模块、第三编码模块、第三下采样模块和第四编码模块；所述解码子网络包括依次连接的第三上采样模块、第三解码模块、第二上采样模块、第二解码模块、第一上采样模块和第一解码模块；所述第四编码模块的输出端与所述第三上采样模块的输入端连接；

所述第一编码模块的输出端还通过所述第一注意力子网络与所述第一解码模块进行跳跃连接；所述第二编码模块的输出端还通过所述第二注意力子网络与所述第二解码模块进行跳跃连接；所述第三编码模块的输出端还通过所述第三注意力子网络与所述第三解码模块进行跳跃连接。

2.根据权利要求1所述的地震数据初至拾取方法，其特征在于，所述训练集的构建过程，具体包括：

获取实际地震数据和多个地震速度模型；所述实际地震数据为炮数据；

根据所述地震速度模型和所述实际地震数据进行正演模拟，以得到初步地震数据；

对所述初步地震数据进行随机抽道、添加随机噪音、随机高斯变换和随机线性变换，以确定合成地震数据；

根据所述实际地震数据确定所述实际地震数据对应的0-1图；

根据所述合成地震数据确定所述合成地震数据对应的0-1图；

根据所述实际地震数据、所述合成地震数据、所述实际地震数据对应的0-1图和所述合成地震数据对应的0-1图，构建训练集。

3.根据权利要求1所述的地震数据初至拾取方法，其特征在于，所述第一注意力子网络具体包括第一卷积模块、第二卷积模块、ReLU模块、第三卷积模块、Sigmoid模块和Reshape模块；

所述第一卷积模块的输入端用于输入所述第一上采样模块输出的第一特征图；所述第二卷积模块的输入端用于输入所述第一编码模块输出的第二特征图；所述ReLU模块的输入端用于输入第三特征图；所述第三特征图为经过第一卷积操作后的第一特征图，与经过第二卷积操作后的第二特征图执行相加操作后得到的；

所述ReLU模块的输出端与所述第三卷积模块的输入端连接，所述第三卷积模块的输出端与所述Sigmoid模块的输入端连接，所述Sigmoid模块的输出端与所述Reshape模块的输入端连接；

所述Reshape模块的输出端用于输出掩膜特征；

所述第一解码模块的输入信息为所述掩膜特征与所述第二特征图进行相乘操作后得到的信息。

4.根据权利要求1所述的地震数据初至拾取方法，其特征在于，所述第一编码模块包括依次连接的两个卷积层；所述第一解码模块包括依次连接的两个卷积层；

所述第二编码模块包括依次连接的两个卷积层；所述第二解码模块包括依次连接的两个卷积层；

所述第三编码模块包括依次连接的两个卷积层；所述第三解码模块包括依次连接的两个卷积层。

5.根据权利要求4所述的地震数据初至拾取方法，其特征在于，所述地震数据初至拾取方法，还包括：

当所述样本地震数据为二维地震数据时，所述第一编码模块的卷积层采用二维卷积核进行训练，所述第一解码模块的卷积层采用二维卷积核进行训练；

当所述样本地震数据为三维地震数据时，所述第一编码模块的卷积层采用三维卷积核进行训练，所述第一解码模块的卷积层采用三维卷积核进行训练。

6.一种地震数据初至拾取系统，其特征在于，所述地震数据初至拾取系统包括：

地震数据获取子系统，用于获取待测地震数据；所述待测地震数据包括地震初至数据；

地震初至子系统，用于将所述待测地震数据输入至地震初至拾取模型，以得到地震初至；

所述地震初至拾取模型是根据训练集和标定深度卷积神经网络训练得到的；所述训练集包括样本地震数据以及与所述样本地震数据对应的标签信息；所述标签信息为所述样本地震数据的0-1图；其中，所述0-1图中的0值表示所述样本地震数据中处于一个初至及初至之上区域的数据，所述0-1图中的1值表示所述样本地震数据中处于初至之下区域的数据；

所述标定深度卷积神经网络包括第一注意力子网络、第二注意力子网络、第三注意力子网络、编码子网络和解码子网络；

所述编码子网络包括依次连接的第一编码模块、第一下采样模块、第二编码模块、第二下采样模块、第三编码模块、第三下采样模块和第四编码模块；所述解码子网络包括依次连接的第三上采样模块、第三解码模块、第二上采样模块、第二解码模块、第一上采样模块和第一解码模块；所述第四编码模块的输出端与所述第三上采样模块的输入端连接；

所述第一编码模块的输出端还通过所述第一注意力子网络与所述第一解码模块进行跳跃连接；所述第二编码模块的输出端还通过所述第二注意力子网络与所述第二解码模块进行跳跃连接；所述第三编码模块的输出端还通过所述第三注意力子网络与所述第三解码模块进行跳跃连接。

7.根据权利要求6所述的地震数据初至拾取系统，其特征在于，在所述训练集的构建方面，所述地震数据获取子系统具体包括：

第一数据获取单元，用于获取实际地震数据和多个地震速度模型；所述实际地震数据为炮数据；

初步数据获取单元，用于根据所述地震速度模型和所述实际地震数据进行正演模拟，以得到初步地震数据；

合成数据确定单元，用于对所述初步地震数据进行随机抽道、添加随机噪音、随机高斯变换和随机线性变换，以确定合成地震数据；

第一01图单元，用于根据所述实际地震数据确定所述实际地震数据对应的0-1图；

第二01图单元，用于根据所述合成地震数据确定所述合成地震数据对应的0-1图；

训练集确定单元，用于根据所述实际地震数据、所述合成地震数据、所述实际地震数据对应的0-1图和所述合成地震数据对应的0-1图，构建训练集。

8.根据权利要求6所述的地震数据初至拾取系统，其特征在于，所述第一注意力子网络具体包括第一卷积模块、第二卷积模块、ReLU模块、第三卷积模块、Sigmoid模块和Reshape模块；

所述第一卷积模块的输入端用于输入所述第一上采样模块输出的第一特征图；所述第二卷积模块的输入端用于输入所述第一编码模块输出的第二特征图；所述ReLU模块的输入端用于输入第三特征图；所述第三特征图为经过第一卷积操作后的第一特征图，与经过第二卷积操作后的第二特征图执行相加操作后得到的；

所述ReLU模块的输出端与所述第三卷积模块的输入端连接，所述第三卷积模块的输出端与所述Sigmoid模块的输入端连接，所述Sigmoid模块的输出端与所述Reshape模块的输入端连接；

所述Reshape模块的输出端用于输出掩膜特征；

所述第一解码模块的输入信息为所述掩膜特征与所述第二特征图进行相乘操作后得到的信息。

9.根据权利要求6所述的地震数据初至拾取系统，其特征在于，所述第一编码模块包括依次连接的两个卷积层；所述第一解码模块包括依次连接的两个卷积层；

所述第二编码模块包括依次连接的两个卷积层；所述第二解码模块包括依次连接的两个卷积层；

所述第三编码模块包括依次连接的两个卷积层；所述第三解码模块包括依次连接的两个卷积层。

10.根据权利要求9所述的地震数据初至拾取系统，其特征在于，所述地震数据初至拾取系统，还包括：

二维卷积训练单元，用于当所述样本地震数据为二维地震数据时，所述第一编码模块的卷积层采用二维卷积核进行训练，所述第一解码模块的卷积层采用二维卷积核进行训练；

三维卷积训练单元，用于当所述样本地震数据为三维地震数据时，所述第一编码模块的卷积层采用三维卷积核进行训练，所述第一解码模块的卷积层采用三维卷积核进行训练。

Images