CN115267903B - 一种基于导向滤波去噪的地震储层预测评价方法 - Google Patents

Abstract

本发明公开了一种基于导向滤波去噪的地震储层预测评价方法；包括有以下步骤：S1、采集地震储层的检测数据信息，并且对数据信息进行传输；S2、通过光电耦合器实现对数据信息进行高效稳定的传输；S3、对采集的数据信息进行分类处理；S4、通过导向滤波去噪实现对数据信息进行滤波处理；S5、通过贝叶斯反演方法实现对地震储层进行反演处理；S6、根据反演结果给出可靠评价；本发明采用光电耦合器提高数据信息的精准度，导向滤波去噪处理提高数据信息的精准度，通过贝叶斯反演方法实现对地震储层进行反演处理，并且根据均值、方差和后验概率密度函数，对反演结果给出可靠性评价，获得有效的评价处理。

Description

一种基于导向滤波去噪的地震储层预测评价方法

技术领域

本发明属于地震储层预测评价技术领域，具体涉及一种基于导向滤波去噪的地震储层预测评价方法。

背景技术

在大自然亿万年的演变过程中，有机生物逐渐埋入了地下，慢慢死亡，与河沙、岩石一起形成了沉积物与世隔绝。在很深的地下，沉积物不见阳光、不见空气，不会腐烂，纵深绵延数百公里甚至更深。随着堆积厚度的增加，压力、温度也随之升高，沉积物中的动植物、微生物就发生复杂的物理、化学变化，使有机质逐渐转化为深埋地下的油气，这些生成油气的地层就是生油岩，形成地震储层，在对地震储层进行开采的时候，需要对地震储层进行预测，以及需要对地震储层的预测结果进行评价处理，然而市面上各种的地震储层预测评价仍存在各种各样的问题。

现有的地震储层预测评价在使用的时候，普遍存在有未对数据信息进行滤波去噪处理，使得数据信息中存在有大量的噪声，对于后续的计算处理，造成巨大的误差，并且对于后续的评价不够精准，造成评价错误，不能够给出有效的数据信息等问题，为此我们提出一种基于导向滤波去噪的地震储层预测评价方法。

发明内容

本发明的目的在于提供一种基于导向滤波去噪的地震储层预测评价方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种基于导向滤波去噪的地震储层预测评价方法，包括有以下步骤：

S1、采集地震储层的检测数据信息，并且对数据信息进行传输：通过各种地震储层检测设备实现对地震储层的数据进行检测，在检测数据信息之后实现对数据信息进行传输；

S2、通过光电耦合器实现对数据信息进行高效稳定的传输：各种地震储层检测设备在对数据信息进行传输的时候，通过光电耦合器实现对数据信息进行传输，提高数据信息的稳定性和有效的传输性；

S3、对采集的数据信息进行分类处理：将采集和传输回来的数据信息进行分类处理，即通过不同的采集方向，分别将数据信息按照储层岩性预测、储层形态预测、储层物性预测和储层含油气性综合分析的类别进行分类；

S4、通过导向滤波去噪实现对数据信息进行滤波处理：采用的导向滤波去噪方法实现对分类后的数据信息分别处理，提高数据信息的精准度，以及提高数据信息的建模清晰度；

S5、通过贝叶斯反演方法实现对地震储层进行反演处理：然后将数据信息进行数值模型计算，对比分析了同等条件下贝叶斯反演与常规反演的结果，再通过反偏移正演的原理，并结合15度有限差分反偏移与贝叶斯反演方法，建立理论模型进行二维波动方程贝叶斯反演计算；

S6、根据反演结果给出可靠评价：建立了海相储集相带典型模型，以先验信息确定初始模型参数及参数的先验概率分布，并开展贝叶斯反演，计算反演过程中采样模型的后验概率，统计模型样本获得均值、方差和后验概率密度函数，对反演结果给出可靠性评价。

优选的，所述S2中的光电耦合器中包括有光的发射、光的接收及信号放大，即输入的电信号驱动发光二极管，使之发出一定波长的光，被光探测器接收而产生光电流，再经过进一步放大后输出，所述光的发射采用的元件包括有光电二极管、光敏三极管、光敏电阻或者光电晶闸管。

优选的，所述S3中的储层岩性预测即研究构成储层的岩性以及控制储层发育的相带；所述储层形态预测包括储层的分布、厚度和顶、底面构造形态；所述储层物性预测主要研究储层的主要物性参数，即孔隙度和渗透率；所述储层含油气性综合分析即研究储层内所含流体性质及其分布。

优选的，所述S4中的导向滤波去噪方法在使用的时候建立导向滤波的模型；

假设输出和输入在一个二维窗口内满足线性关系，则公式为：

式中，qi是输出图像的值；I是输入图像的值，(a_k,b_k)为窗口位于k时的系数；I既是待滤波图像，或是引导图像，这就是被称为引导滤波的原因；

为了最小化输出图像q和输入图像p的差值，下面公式的值最小：

式中，输入图像p只能是待滤波图像；∈为正则化参数，用于防止a_k过大，根据公式得到系数a_k，b_k的表达式：

式中，μ_k和σ_k ²为输入图像I在窗口位于k时的均值和方差；|w|为窗口位于k时的像素数量；为输入图像p的均值。

优选的，所述像素在进行求解的时候，该像素由多个窗口包围，采取的策略是对所有包含该像素的窗口求平均值，公式如下：

式中，为所有包含像素i的系数的均值；

当该模型应用于图像去噪时，引导图像I为输入图像p本身；

b_k＝(1-a_k)μ_k，

当∈＝0时，a＝1，b＝0，输出图像为q＝I；当∈＞0时，在像素变化很小的区域，即σ_k ²值很小，a近似为0，b近似为即对该像素做了一个加权均值滤波处理；在像素变化大的区域，即σ_k ²值很大，a近似为1，b近似为0，对图像的滤波效果很弱，输出图像近似于输入图像，有助于保持边缘，用于界定像素的变化范围，∈越大，滤波效果越明显。

优选的，所述导向滤波去噪方法的迭代方程如下：

I是信号，因为是个迭代公式，所以有迭代次数t；四个散度公式是在四个方向上对当前像素求偏导，news就是东南西北四个方向，公式如下：

而cN/cS/cE/cW则代表四个方向上的导热系数，边界的导热系数都是小的，公式如下：

需要先前设置的参数为迭代次数t，根据情况设置；导热系数相关的k，取值越大越平滑，越不易保留边缘。

优选的，所述S5贝叶斯反演与常规反演的区别如下：

所述贝叶斯反演是以概率为基础，使用模型参数的均值、方差和概率密度函数来描述反演模型的不确定性；

所述常规反演方法中，寻找最优解是反演的唯一目的，所述贝叶斯反演与此不同，其最终目标不再是仅搜索最优结果，而且包括了对反演结果不确定性的分析。

优选的，所述S5中的贝叶斯反演的事件的后验概率密度公式为：

式中，d是观测数据，m是模型参数，p(d|m)表示在给定的模型m下的条件概率，也称为似然函数，p(m)是模型m的先验概率，p(d)为模型的全模型空间的概率，σ(m|d)称为在观测数据d下模型的后验概率；

全模型空间的概率p(d)是一个与模型参数m无关的概率结果，由贝叶斯理论可知其计算公式如下：

p(d)＝∫p(d|m)p(m)dm，

视所有搜索到的模型整体作为全模型空间，在计算后验概率时p(d)仅起到一个正则化因子的作用，因此p(d)可视为一个常数，令p(d)＝1/a，则公式的等价形式为：

σ(m|d)＝α·p(d|m)p(m)，

上述公式表达了反演过程中计算后验概率密度函数的方法和原理，即后验分布σ(m|d)是用总体信息和样本信息对先验分布p(m)作调整的结果，它集中了总体、样本和先验等三种信息中有关m的一切信息；

公式σ(m|d)＝α·p(d|m)p(m)中的p(d|m)p(m)称为后验分布σ(m|d)的核，如果σ(m|d)的核是某一常用分布的核时，不用计算复杂的积分就可以很快得到全模型概率p(d)，从而简化计算。

优选的，所述S6中的均值、方差和后验概率密度函数如下：

通过积分求取模型参数的均值I(m)和方差D(m)，其计算公式如下:

I(M)＝∫mσ(m|d)dm，

与之对应的离散形式为：

式中，N是所有样本模型的总个数，m_k表示是第k个模型样本，σ(m|d)_k是对应于样本模型m_k的概率；

由统计学中对方差的定义可知，方差实际上是随机变量X的函数g(X)＝[X-E(X)]²的数学期望，所用的计算公式如下：

积分形式为：D(m)＝∫(m-I)²f(m)dm，

其中f(m)是m的概率密度，取f(m)＝1/(b-a)，b和a分别对应积分的上、下限，其含义是所有模型样本为均匀分布的；

离散形式：

其中p_k是m_k的概率密度，取p(m)＝1/(N-1)，其含义也是认为所有模型样本为均匀分布的。

优选的，所述贝叶斯反演的步骤如下：

S601：收集采集的数据信息，并且经过分析处理把数据信息转化为先验概率分布p(m)；

S602：以收集的数据作为约束条件，建立初始模型，这里取m_i ⁽⁰⁾为待定模型参数m_i(i＝1,2,…,N)的初始模型，模型参数的最大和最小值由先验信息控制；

S603：计算m_i ⁽⁰⁾对应的目标函数或能量函数，记为E(m⁽⁰⁾)，然后随机修改模型参数产生新模型并根据转化后的先验分布计算模型的先验概率值p(m^(l))；

S604：在第l次迭代时，由模型进行正演模拟得到g(m^(l))，计算相应的目标函数或能量函数E(m^(l))；

S605：计算ΔE＝E(m^(l+1))-E(m^(l))，然后计算如果△E≤0，表明模型修改方向使目标函数减小，修改被接受；如果ΔE>0，则再判断/>若成立说明修改仍可接受，否则不做修改，这里R是在0和1之间的一个随机数；

S606：此时接受的新模型被认为是模型样本空间中的一个样本而储存起来，不接受的模型也不认为是样本空间中的样本而舍弃，再由公式p(d|m)∝exp[-SE(M)]，式中E(m)为目标函数，S是一个比例因子和σ(m|d)＝α·p(d|m)p(m)分别计算新模型的似然函数p(d|m)⁽¹⁺¹⁾和后验概率σ(m|d)^(l+1)；

S607：重复S603、S604、S605、S606进行大量样本抽样；

S608：判断终止条件，若满足则输出所有抽样模型及其对应的后验概率，即为后验概率密度函数；

S609：把所有的后验概率值进行均一化计算，并使其和等于1，然后根据均一化的后验概率统计计算模型参数的均值与方差。

与现有技术相比，本发明的有益效果是：

本发明在对地震储层进行检测之后，实现对数据信息进行传输，为了防止数据信息在进行传输的时候发生干扰，采用光电耦合器进行数据信息的传输，提高数据信息的精准度，并且为了实现对数据信息进行有效的计算处理，实现对数据信息进行分类处理，根据不同的需求，实现对数据信息进行分类处理，然后对数据信息进行导向滤波去噪处理，实现对数据信息进行滤波处理，提高数据信息的精准度，以及提高数据信息的建模清晰度，然后通过贝叶斯反演方法实现对地震储层进行反演处理，并且根据均值、方差和后验概率密度函数，对反演结果给出可靠性评价，获得有效的评价处理。

附图说明

图1为本发明的方法流程示意图；

图2为本发明的贝叶斯方法原理图；

图3为本发明的贝叶斯反演的流程示意图。

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。

请参阅图1-3，本发明提供一种技术方案：一种基于导向滤波去噪的地震储层预测评价方法，包括有以下步骤：

S1、采集地震储层的检测数据信息，并且对数据信息进行传输：通过各种地震储层检测设备实现对地震储层的数据进行检测，在检测数据信息之后实现对数据信息进行传输；

S2、通过光电耦合器实现对数据信息进行高效稳定的传输：各种地震储层检测设备在对数据信息进行传输的时候，通过光电耦合器实现对数据信息进行传输，提高数据信息的稳定性和有效的传输性；

S3、对采集的数据信息进行分类处理：将采集和传输回来的数据信息进行分类处理，即通过不同的采集方向，分别将数据信息按照储层岩性预测、储层形态预测、储层物性预测和储层含油气性综合分析的类别进行分类；

S4、通过导向滤波去噪实现对数据信息进行滤波处理：采用的导向滤波去噪方法实现对分类后的数据信息分别处理，提高数据信息的精准度，以及提高数据信息的建模清晰度；

S5、通过贝叶斯反演方法实现对地震储层进行反演处理：然后将数据信息进行数值模型计算，对比分析了同等条件下贝叶斯反演与常规反演的结果，再通过反偏移正演的原理，并结合15度有限差分反偏移与贝叶斯反演方法，建立理论模型进行二维波动方程贝叶斯反演计算；

S6、根据反演结果给出可靠评价：建立了海相储集相带典型模型，以先验信息确定初始模型参数及参数的先验概率分布，并开展贝叶斯反演，计算反演过程中采样模型的后验概率，统计模型样本获得均值、方差和后验概率密度函数，对反演结果给出可靠性评价。

为了实现对数据信息进行精准的传输，本实施例中，优选的，所述S2中的光电耦合器中包括有光的发射、光的接收及信号放大，即输入的电信号驱动发光二极管，使之发出一定波长的光，被光探测器接收而产生光电流，再经过进一步放大后输出，所述光的发射采用的元件包括有光电二极管、光敏三极管、光敏电阻或者光电晶闸管。

为了实现对地震储层的数据信息进行分类，提高数据分析的精准度，本实施例中，优选的，所述S3中的储层岩性预测即研究构成储层的岩性以及控制储层发育的相带；所述储层形态预测包括储层的分布、厚度和顶、底面构造形态；所述储层物性预测主要研究储层的主要物性参数，即孔隙度和渗透率；所述储层含油气性综合分析即研究储层内所含流体性质及其分布。

为了实现对数据信息进行滤波处理，本实施例中，优选的，所述S4中的导向滤波去噪方法在使用的时候建立导向滤波的模型；

假设输出和输入在一个二维窗口内满足线性关系，则公式为：

式中，qi是输出图像的值；I是输入图像的值，(a_k,b_k)为窗口位于k时的系数；I既是待滤波图像，或是引导图像，这就是被称为引导滤波的原因；

为了最小化输出图像q和输入图像p的差值，下面公式的值最小：

式中，输入图像p只能是待滤波图像；∈为正则化参数，用于防止a_k过大，根据公式得到系数a_k，b_k的表达式：

式中，μ_k和σ_k ²为输入图像I在窗口位于k时的均值和方差；|w|为窗口位于k时的像素数量；为输入图像p的均值。

为了实现对像素进行窗口平均值计算，本实施例中，优选的，所述像素在进行求解的时候，该像素由多个窗口包围，采取的策略是对所有包含该像素的窗口求平均值，公式如下：

式中，为所有包含像素i的系数的均值；

当该模型应用于图像去噪时，引导图像I为输入图像p本身；

b_k＝(1-a_k)μ_k，

当∈＝0时，a＝1，b＝0，输出图像为q＝I；当∈＞0时，在像素变化很小的区域，即σ_k ²值很小，a近似为0，b近似为即对该像素做了一个加权均值滤波处理；在像素变化大的区域，即σ_k ²值很大，a近似为1，b近似为0，对图像的滤波效果很弱，输出图像近似于输入图像，有助于保持边缘，用于界定像素的变化范围，∈越大，滤波效果越明显。

为了实现对导向滤波去噪进行迭代计算，提高精准度，本实施例中，优选的，所述导向滤波去噪方法的迭代方程如下：

I是信号，因为是个迭代公式，所以有迭代次数t；四个散度公式是在四个方向上对当前像素求偏导，news就是东南西北四个方向，公式如下：

而cN/cS/cE/cW则代表四个方向上的导热系数，边界的导热系数都是小的，公式如下：

需要先前设置的参数为迭代次数t，根据情况设置；导热系数相关的k，取值越大越平滑，越不易保留边缘。

为了确定贝叶斯反演与常规反演的区别，本实施例中，优选的，所述S5贝叶斯反演与常规反演的区别如下：

所述贝叶斯反演是以概率为基础，使用模型参数的均值、方差和概率密度函数来描述反演模型的不确定性；

所述常规反演方法中，寻找最优解是反演的唯一目的，所述贝叶斯反演与此不同，其最终目标不再是仅搜索最优结果，而且包括了对反演结果不确定性的分析。

为了实现对贝叶斯反演的事件的后验概率密度进行计算，本实施例中，优选的，所述S5中的贝叶斯反演的事件的后验概率密度公式为：

式中，d是观测数据，m是模型参数，p(d|m)表示在给定的模型m下的条件概率，也称为似然函数，p(m)是模型m的先验概率，p(d)为模型的全模型空间的概率，σ(m|d)称为在观测数据d下模型的后验概率；

全模型空间的概率p(d)是一个与模型参数m无关的概率结果，由贝叶斯理论可知其计算公式如下：

p(d)＝∫p(d|m)p(m)dm，

视所有搜索到的模型整体作为全模型空间，在计算后验概率时p(d)仅起到一个正则化因子的作用，因此p(d)可视为一个常数，令p(d)＝1/a，则公式的等价形式为：

σ(m|d)＝α·p(d|m)p(m)，

上述公式表达了反演过程中计算后验概率密度函数的方法和原理，即后验分布σ(m|d)是用总体信息和样本信息对先验分布p(m)作调整的结果，它集中了总体、样本和先验等三种信息中有关m的一切信息；

公式σ(m|d)＝α·p(d|m)p(m)中的p(d|m)p(m)称为后验分布σ(m|d)的核，如果σ(m|d)的核是某一常用分布的核时，不用计算复杂的积分就可以很快得到全模型概率p(d)，从而简化计算。

为了实现对均值、方差和后验概率密度函数进行计算处理，本实施例中，优选的，所述S6中的均值、方差和后验概率密度函数如下：

通过积分求取模型参数的均值I(m)和方差D(m)，其计算公式如下:

I(M)＝∫mσ(m|d)dm，

与之对应的离散形式为：

式中，N是所有样本模型的总个数，m_k表示是第k个模型样本，σ(m|d)_k是对应于样本模型m_k的概率；

由统计学中对方差的定义可知，方差实际上是随机变量X的函数g(X)＝[X-E(X)]²的数学期望，所用的计算公式如下：

积分形式为：D(m)＝∫(m-I)²f(m)dm，

其中f(m)是m的概率密度，取f(m)＝1/(b-a)，b和a分别对应积分的上、下限，其含义是所有模型样本为均匀分布的；

离散形式：

其中p_k是m_k的概率密度，取p(m)＝1/(N-1)，其含义也是认为所有模型样本为均匀分布的。

为了实现对贝叶斯反演操作，本实施例中，优选的，所述贝叶斯反演的步骤如下：

S601：收集采集的数据信息，并且经过分析处理把数据信息转化为先验概率分布p(m)；

S602：以收集的数据作为约束条件，建立初始模型，这里取m_i ⁽⁰⁾为待定模型参数m_i(i＝1,2,…,N)的初始模型，模型参数的最大和最小值由先验信息控制；

S603：计算m_i ⁽⁰⁾对应的目标函数或能量函数，记为E(m⁽⁰⁾)，然后随机修改模型参数产生新模型并根据转化后的先验分布计算模型的先验概率值p(m^(l))；

S604：在第l次迭代时，由模型进行正演模拟得到g(m^(l))，计算相应的目标函数或能量函数E(m^(l))；

S605：计算ΔE＝E(m^(l+1))-E(m^(l))，然后计算如果△E≤0，表明模型修改方向使目标函数减小，修改被接受；如果ΔE>0，则再判断/>若成立说明修改仍可接受，否则不做修改，这里R是在0和1之间的一个随机数；

S606：此时接受的新模型被认为是模型样本空间中的一个样本而储存起来，不接受的模型也不认为是样本空间中的样本而舍弃，再由公式p(d|m)∝exp[-SE(M)]，式中E(m)为目标函数，S是一个比例因子和σ(m|d)＝α·p(d|m)p(m)分别计算新模型的似然函数p(d|m)⁽¹⁺¹⁾和后验概率σ(m|d)^(l+1)；

S607：重复S603、S604、S605、S606进行大量样本抽样；

S608：判断终止条件，若满足则输出所有抽样模型及其对应的后验概率，即为后验概率密度函数；

S609：把所有的后验概率值进行均一化计算，并使其和等于1，然后根据均一化的后验概率统计计算模型参数的均值与方差。

本发明的工作原理及使用流程：

第一步、采集地震储层的检测数据信息，并且对数据信息进行传输：通过各种地震储层检测设备实现对地震储层的数据进行检测，在检测数据信息之后实现对数据信息进行传输；

第二步、通过光电耦合器实现对数据信息进行高效稳定的传输：各种地震储层检测设备在对数据信息进行传输的时候，通过光电耦合器实现对数据信息进行传输，提高数据信息的稳定性和有效的传输性；

第三步、对采集的数据信息进行分类处理：将采集和传输回来的数据信息进行分类处理，即通过不同的采集方向，分别将数据信息按照储层岩性预测、储层形态预测、储层物性预测和储层含油气性综合分析的类别进行分类；

第四步、通过导向滤波去噪实现对数据信息进行滤波处理：采用的导向滤波去噪方法实现对分类后的数据信息分别处理，提高数据信息的精准度，以及提高数据信息的建模清晰度；

第五步、通过贝叶斯反演方法实现对地震储层进行反演处理：然后将数据信息进行数值模型计算，对比分析了同等条件下贝叶斯反演与常规反演的结果，再通过反偏移正演的原理，并结合15度有限差分反偏移与贝叶斯反演方法，建立理论模型进行二维波动方程贝叶斯反演计算；

第六步、根据反演结果给出可靠评价：建立了海相储集相带典型模型，以先验信息确定初始模型参数及参数的先验概率分布，并开展贝叶斯反演，计算反演过程中采样模型的后验概率，统计模型样本获得均值、方差和后验概率密度函数，对反演结果给出可靠性评价。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (10)

1.一种基于导向滤波去噪的地震储层预测评价方法，其特征在于，包括有以下步骤：

S1、采集地震储层的检测数据信息，并且对数据信息进行传输：通过各种地震储层检测设备实现对地震储层的数据进行检测，在检测数据信息之后实现对数据信息进行传输；

S2、通过光电耦合器实现对数据信息进行高效稳定的传输：各种地震储层检测设备在对数据信息进行传输的时候，通过光电耦合器实现对数据信息进行传输，提高数据信息的稳定性和有效的传输性；

S3、对采集的数据信息进行分类处理：将采集和传输回来的数据信息进行分类处理，即通过不同的采集方向，分别将数据信息按照储层岩性预测、储层形态预测、储层物性预测和储层含油气性综合分析的类别进行分类；

S4、通过导向滤波去噪实现对数据信息进行滤波处理：采用的导向滤波去噪方法实现对分类后的数据信息分别处理，提高数据信息的精准度，以及提高数据信息的建模清晰度；

S5、通过贝叶斯反演方法实现对地震储层进行反演处理：然后将数据信息进行数值模型计算，对比分析了同等条件下贝叶斯反演与常规反演的结果，再通过反偏移正演的原理，并结合15度有限差分反偏移与贝叶斯反演方法，建立理论模型进行二维波动方程贝叶斯反演计算；

S6、根据反演结果给出可靠评价：建立了海相储集相带典型模型，以先验信息确定初始模型参数及参数的先验概率分布，并开展贝叶斯反演，计算反演过程中采样模型的后验概率，统计模型样本获得均值、方差和后验概率密度函数，对反演结果给出可靠性评价。

2.根据权利要求1所述的一种基于导向滤波去噪的地震储层预测评价方法，其特征在于：所述S2中的光电耦合器中包括有光的发射、光的接收及信号放大，即输入的电信号驱动发光二极管，使之发出一定波长的光，被光探测器接收而产生光电流，再经过进一步放大后输出，所述光的发射采用的元件包括有光电二极管、光敏三极管、光敏电阻或者光电晶闸管。

3.根据权利要求1所述的一种基于导向滤波去噪的地震储层预测评价方法，其特征在于：所述S3中的储层岩性预测即研究构成储层的岩性以及控制储层发育的相带；所述储层形态预测包括储层的分布、厚度和顶、底面构造形态；所述储层物性预测主要研究储层的主要物性参数，即孔隙度和渗透率；所述储层含油气性综合分析即研究储层内所含流体性质及其分布。

4.根据权利要求1所述的一种基于导向滤波去噪的地震储层预测评价方法，其特征在于：所述S4中的导向滤波去噪方法在使用的时候建立导向滤波的模型；

假设输出和输入在一个二维窗口内满足线性关系，则公式为：

式中，qi是输出图像的值；I是输入图像的值，(a_k,b_k)为窗口位于k时的系数；I既是待滤波图像，或是引导图像，这就是被称为引导滤波的原因；

为了最小化输出图像q和输入图像p的差值，下面公式的值最小：

式中，输入图像p只能是待滤波图像；∈为正则化参数，用于防止a_k过大，根据公式得到系数a_k，b_k的表达式：

式中，μ_k和σ_k ²为输入图像I在窗口位于k时的均值和方差；|w|为窗口位于k时的像素数量；为输入图像p的均值。

5.根据权利要求4所述的一种基于导向滤波去噪的地震储层预测评价方法，其特征在于：所述像素在进行求解的时候，该像素由多个窗口包围，采取的策略是对所有包含该像素的窗口求平均值，公式如下：

式中，为所有包含像素i的系数的均值；

当该模型应用于图像去噪时，引导图像I为输入图像p本身；

b_k＝(1-a_k)μ_k，

当∈＝0时，a＝1，b＝0，输出图像为q＝I；当∈＞0时，在像素变化很小的区域，即σ_k ²值很小，a近似为0，b近似为即对该像素做了一个加权均值滤波处理；在像素变化大的区域，即σ_k ²值很大，a近似为1，b近似为0，对图像的滤波效果很弱，输出图像近似于输入图像，有助于保持边缘，用于界定像素的变化范围，∈越大，滤波效果越明显。

6.根据权利要求1所述的一种基于导向滤波去噪的地震储层预测评价方法，其特征在于：所述导向滤波去噪方法的迭代方程如下：

I是信号，因为是个迭代公式，所以有迭代次数t；四个散度公式是在四个方向上对当前像素求偏导，news就是东南西北四个方向，公式如下：

而cN/cS/cE/cW则代表四个方向上的导热系数，边界的导热系数都是小的，公式如下：

需要先前设置的参数为迭代次数t，根据情况设置；导热系数相关的k，取值越大越平滑，越不易保留边缘。

7.根据权利要求1所述的一种基于导向滤波去噪的地震储层预测评价方法，其特征在于：所述S5贝叶斯反演与常规反演的区别如下：

所述贝叶斯反演是以概率为基础，使用模型参数的均值、方差和概率密度函数来描述反演模型的不确定性；

所述常规反演方法中，寻找最优解是反演的唯一目的，所述贝叶斯反演与此不同，其最终目标不再是仅搜索最优结果，而且包括了对反演结果不确定性的分析。

8.根据权利要求1所述的一种基于导向滤波去噪的地震储层预测评价方法，其特征在于：所述S5中的贝叶斯反演的事件的后验概率密度公式为：

式中，d是观测数据，m是模型参数，p(d|m)表示在给定的模型m下的条件概率，也称为似然函数，p(m)是模型m的先验概率，p(d)为模型的全模型空间的概率，σ(m|d)称为在观测数据d下模型的后验概率；

全模型空间的概率p(d)是一个与模型参数m无关的概率结果，由贝叶斯理论可知其计算公式如下：

p(d)＝∫p(d|m)p(m)dm，

视所有搜索到的模型整体作为全模型空间，在计算后验概率时p(d)仅起到一个正则化因子的作用，因此p(d)可视为一个常数，令p(d)＝1/a，则公式的等价形式为：

σ(m|d)＝α·p(d|m)p(m)，

上述公式表达了反演过程中计算后验概率密度函数的方法和原理，即后验分布σ(m|d)是用总体信息和样本信息对先验分布p(m)作调整的结果，它集中了总体、样本和先验等三种信息中有关m的一切信息；

公式σ(m|d)＝α·p(d|m)p(m)中的p(d|m)p(m)称为后验分布σ(m|d)的核，如果σ(m|d)的核是某一常用分布的核时，不用计算复杂的积分就可以很快得到全模型概率p(d)，从而简化计算。

9.根据权利要求1所述的一种基于导向滤波去噪的地震储层预测评价方法，其特征在于：所述S6中的均值、方差和后验概率密度函数如下：

通过积分求取模型参数的均值I(m)和方差D(m)，其计算公式如下:

I(M)＝∫mσ(m|d)dm，

与之对应的离散形式为：

式中，N是所有样本模型的总个数，m_k表示是第k个模型样本，σ(m|d)_k是对应于样本模型m_k的概率；

由统计学中对方差的定义可知，方差实际上是随机变量X的函数g(X)＝[X-E(X)]²的数学期望，所用的计算公式如下：

积分形式为：D(m)＝∫(m-I)²f(m)dm，

其中f(m)是m的概率密度，取f(m)＝1/(b-a)，b和a分别对应积分的上、下限，其含义是所有模型样本为均匀分布的；

离散形式：

其中p_k是m_k的概率密度，取p(m)＝1/(N-1)，其含义也是认为所有模型样本为均匀分布的。

10.根据权利要求1所述的一种基于导向滤波去噪的地震储层预测评价方法，其特征在于：所述贝叶斯反演的步骤如下：

S601：收集采集的数据信息，并且经过分析处理把数据信息转化为先验概率分布p(m)；

S602：以收集的数据作为约束条件，建立初始模型，这里取m_i ⁽⁰⁾为待定模型参数m_i(i＝1,2,…,N)的初始模型，模型参数的最大和最小值由先验信息控制；

S603：计算m_i ⁽⁰⁾对应的目标函数或能量函数，记为E(m⁽⁰⁾)，然后随机修改模型参数产生新模型并根据转化后的先验分布计算模型的先验概率值p(m^(l))；

S604：在第l次迭代时，由模型进行正演模拟得到g(m^(l))，计算相应的目标函数或能量函数E(m^(l))；

S605：计算ΔE＝E(m^(l+1))-E(m^(l))，然后计算如果△E≤0，表明模型修改方向使目标函数减小，修改被接受；如果ΔE>0，则再判断/>若成立说明修改仍可接受，否则不做修改，这里R是在0和1之间的一个随机数；

S606：此时接受的新模型被认为是模型样本空间中的一个样本而储存起来，不接受的模型也不认为是样本空间中的样本而舍弃，再由公式p(d|m)∝exp[-SE(M)]，式中E(m)为目标函数，S是一个比例因子和σ(m|d)＝α·p(d|m)p(m)分别计算新模型的似然函数p(d|m)⁽¹⁺¹⁾和后验概率σ(m|d)^(l+1)；

S607：重复S603、S604、S605、S606进行大量样本抽样；

S608：判断终止条件，若满足则输出所有抽样模型及其对应的后验概率，即为后验概率密度函数；

S609：把所有的后验概率值进行均一化计算，并使其和等于1，然后根据均一化的后验概率统计计算模型参数的均值与方差。