CN116520392A - 基于盲反演理论的地震数据有损压缩方法 - Google Patents
基于盲反演理论的地震数据有损压缩方法 Download PDFInfo
- Publication number
- CN116520392A CN116520392A CN202210071216.1A CN202210071216A CN116520392A CN 116520392 A CN116520392 A CN 116520392A CN 202210071216 A CN202210071216 A CN 202210071216A CN 116520392 A CN116520392 A CN 116520392A
- Authority
- CN
- China
- Prior art keywords
- data
- seismic data
- seismic
- local
- space
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000007906 compression Methods 0.000 title claims abstract description 55
- 230000006835 compression Effects 0.000 title claims abstract description 53
- 238000013144 data compression Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 17
- 239000013598 vector Substances 0.000 claims description 17
- 230000009466 transformation Effects 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 10
- 230000005428 wave function Effects 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 5
- 230000002238 attenuated effect Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000007688 edging Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000003860 storage Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 6
- 238000007667 floating Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- BWSIKGOGLDNQBZ-LURJTMIESA-N (2s)-2-(methoxymethyl)pyrrolidin-1-amine Chemical compound COC[C@@H]1CCCN1N BWSIKGOGLDNQBZ-LURJTMIESA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
-
- 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
- G01V1/36—Effecting static or dynamic corrections on records, e.g. correcting spread; Correlating seismic signals; Eliminating effects of unwanted energy
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/70—Other details related to processing
- G01V2210/72—Real-time processing
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
本发明提供一种基于盲反演理论的地震数据有损压缩方法,该基于盲反演理论的地震数据有损压缩方法包括:步骤1,输入当前炮号对应的地震数据;步骤2,基于预先设定的X和Y方向上空间窗范围,提取当前道集在空间窗内局部地震数据;步骤3,基于盲反演理论进行局部地震数据压缩;步骤4,判断滑动窗是否遍历完当前道集;步骤5,判断是否处理完所有炮集。该基于盲反演理论的地震数据有损压缩方法利用了多道地震信号的局部时‑空信息实现局部特征反射同相轴的压缩存储,数据压缩比高于通用的无损压缩技术,可以满足实时数据处理需求。
Description
技术领域
本发明涉及地震勘探资料处理与解释技术领域,特别是涉及到一种地震数据有损压缩方法。
背景技术
可控震源高效采集技术与高密度观测系统相结合,大幅提高了炮道密度及地震数据采集效率。随着高炮道密度和高效采集施工成为常态化,带来的是海量规模的地震数据(PB级别),对野外采集地震数据的实时质量分析与监控带来了巨大的挑战。常规的无损数据存储方式已经无法满足海量地震数据的实时处理需求,有必要研究针对海量规模地震数据的有损压缩技术,通过提取地震数据中的主要反射同相轴用于地下构造实时成像,从而实现现场数据质量监控与观测系统评价。
常规的无损压缩技术,如《高效自适应地震数据流无损压缩及解压缩方法》(申请公布号:CN 104378118 A)的特征是实时对数据流进行无损压缩,通过使用编码方式将采样数据原始的24位3字节形式自适应的压缩为1字节或2字节或3字节或者和少量数据转化为4字节在;在专利《一种对地震数据流的自适应实时无损压缩方法》(申请公布号:CN107135004 A)中,对单个通道n个采样点共3n字节的地震数据进行压缩,其特征在于数据压缩分两步进行:(1)N阶差分预测编码,(2)k阶指数Glolmb编码。上述专利虽然可以无损压缩信号,但数据压缩比不高。
在众多有损压缩技术中,压缩感知是其中最为广泛应用的指导思想。在专利《采用压缩感知算法的地震数据重建方法及系统》(申请公布号:CN 111428193 A)中,提出了一种采用压缩感知算法的地震数据重建方法,主要包括:使用超完备字典取代基函数,对原始数据进行稀疏转化;选取初始化的随机单位阵作为观测矩阵;采样矩阵与正则化相结合然后通过正交匹配跟踪算法来实现对缺失地震数据的恢复重建。
在专利《一种基于压缩感知的多域稀疏地震数据重构方法及系统》(申请公布号:CN 113109866 A)中,提出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。
在专利《基于压缩感知的小波域地震数据实时压缩与高精度重构方法》(申请公布号:CN 107045142 B)中,提出了基于压缩感知的小波域地震数据实时压缩与高精度重构方法,包括以下步骤:首先对微震信号在小波域稀疏表示;然后利用Logistic混沌序列构造混沌伯努利测量矩阵(CBMM),并用测量矩阵对稀疏表示的微震信号压缩观测;最后采用贝叶斯小波树结构压缩感知重构算法(BTSWCS),恢复出完整原始数据。
在专利一种基于空间约束压缩感知的地震数据重建方法》(申请公布号:CN109490957 B)中,提出了一种一种基于空间约束压缩感知的地震数据重建方法,包括:使用一部分数据作为训练数据,使用K-SVD字典学习训练超完备字典来重建原始的地震数据;使用联合稀疏分解的方法,提取共有的空间信息,并改造压缩感知算法中的感知矩阵;对稀疏度自适应匹配追踪算法进行改进,引入初始稀疏度估计的方法,采用变步长的策略对数据进行重建。重建的结果不但细节比较清晰,运算时间相较于IRLS和SAMP大幅地降低,而且横向的过度更加的平滑,说明本发明所设计的算法利用到了空间的相关信息,重建结果更真实。
在专利《一种基于张量的自适应秩截断的地震数据压缩方法》(申请公布号:CN106646595 A)中,提出了一种基于张量自适应秩截断的地震数据压缩方法,通过给定的压缩条件和即时通过高阶奇异值分解获取的不同维度奇异值设置截断秩,同时根据奇异值的分布决定截断秩大小进行张量分解;保证压缩率的同时,提高压缩的峰值信噪比,改善压缩效果。
在专利《一种保持空间属性信息的海量地震数据压缩方法及装置》(申请公布号:CN 103592684 A)中,提出了一种保持空间属性信息的海量地震数据压缩方法及装置,主要特征在于:沿地震波场空间分布最密集的方向,对每一网格内的待压缩地震数据进行压缩。可以将原始地震数据有效地压缩2-4倍,并且能够保留全方位采集获得的各种属性信息,为后续的系列处理提供方便。
本发明技术的独特之处在于考虑了地震信号的高维空间特征,并且将地震信号视为局部同相轴的线性叠加,通过盲反演理论确定同相轴的反射子波波形及其运动学特征实现数据有损压缩与重建。因此,以上现有技术均与本发明有较大区别,未能解决我们想要解决的技术问题,亟待形成一种计算效率高且压缩比高的有损地震数据压缩方法,以满足实时数据处理需求。为此我们发明了一种基于盲反演理论的地震数据压缩方法。
发明内容
本发明的目的是提供一种地震数据有损压缩方法,通过提取高密度采集地震数据中的主要反射信息用于地下构造的实时成像,从而评估现场数据采集质量。
本发明可通过如下技术措施来实现:基于盲反演理论的地震数据有损压缩方法包括:
步骤1,输入当前炮号对应的地震数据;
步骤2,基于预先设定的X和Y方向上空间窗范围,提取当前道集在空间窗内局部地震数据;
步骤3,基于盲反演理论对局部地震数据实现有损压缩;
步骤4,判断滑动窗是否遍历完当前道集。若已经遍历完当前道集,输出压缩后的地震数据;否则滑动空间窗,执行步骤2;
步骤5,判断是否处理完所有炮集。若已经处理完所有炮集,结束数据压缩处理流程;否则炮号自增,执行步骤1。
本发明还可通过如下技术措施来实现:
在步骤1中,需要对整个共炮点道集进行循环,一次读入一炮地震数据。输入的数据结构为标准的SEG-Y格式,需要读取的道头关键字为:震源和检波器的x,y,z坐标、道长及采样间隔。
在步骤2中,根据地震数据有损压缩处理前预先设定好的参数,如滑动空间窗在X和Y方向上空间展布范围以及每次的滑动距离(通常为滑动空间窗长度的一半),提取当前输入道集在局部空间窗内的地震道及其道头关键字(即局部地震数据)。
在步骤3中,根据预先设定的盲反演参数,对局部地震数据中的主要反射同相轴进行压缩处理,并输出有损压缩后的局部地震数据,具体包括下面列出的步骤301-308:
在步骤301中,首先初始化盲反演方法的输入数据和参数,如最大迭代次数N_iter,数据残差相对能量比ε(数据残差的二范数与输入数据二范数的比值),输入的局部地震数据dobs=d(x,t)(x为空间坐标,t为时间,斜体d为地震信号,黑体d为地震信号的向量表示),并对数据残差进行初始化e0=dobs(在迭代反演的第一步中,数据残差向量即输入的局部地震数据,e0表示残差向量,上标0表示初始值),并设置迭代次数变量k=1;
在步骤302中,利用如下积分变换(即伴随变换算子TH)将数据残差投影至模型空间(模型空间即用截距时间(τ)和局部斜率(p)表征的变换域):
ξk=ξk(τ,p)=THek-1≡∫ek-1(τ+p·x)dx
上式及后面出现的所有变量或向量中的上标k表示第k次迭代。
在步骤303中,遍历离散的截距时间和斜率,搜索模型空间中极大值对应的离散化的截距时间(τk)和局部斜率pk,公式表示为:
在步骤304中,提取(τk,pk)处对应的模型空间子波波形wk,公式表示为:
wk=wk(t)=H(t;τk)ξk(τk,pk)
其中,H(t;τk)为中心点位于τk时间处的一维方波函数H(t)(方波函数的长度可以根据数据频带自动确定,方波函数两边通常用镶边函数进行衰减以降低吉布斯效应)
在步骤305中,利用如下预测算子T将模型空间中的子波映射至数据空间中,得到局部特征反射同相轴的预测结果
在步骤306中,将当前数据残差与预测结果自适应相减,更新数据空间中的残差向ek量:
其中,α为随空间坐标变化的自适应振幅校正因子,表示为
在步骤307中,判断是否满足迭代终止条件。预先设定的迭代终止条件包括:(1)迭代次数超过最大迭代次数(即判断k+1是否大于N_iter);(2)数据残差相对能量比小于预设的误差能量比ε(即是否成立,e0为初始残差向量,ek为第k次迭代过程中的残差向量)。两类终止条件满足任意一条则终止迭代;否则,令迭代次数变量自增k=k+1。
在步骤308中,输出模型空间中表征的压缩数据,表示为W=[w1,w2,...,wk]=[w1(t),w2(t),K,wk(t)]。
在步骤4中,判断滑动空间窗是否已经遍历完当前道集。若尚未完成,则滑动空间窗(默认的滑动长度为空间窗长度的一半,可以被用户的输入参数覆盖)并继续执行步骤2。
在步骤5中,判断是否处理完所有炮集。若尚未完成,则继续执行步骤1。否则结束数据处理流程,完成地震数据的有损压缩。
本发明中的基于盲反演理论的地震数据有损压缩方法,通过对高密度采集地震信号中的主要特征反射同相轴实现稀疏表达,同时反演了字典原子以及对应的系数向量。因此,本发明方法在数学上属于盲反演框架下的非凸最优化问题求解,理论上不存在唯一解。本发明方法在众多非唯一解中,选择了最能表征叠前地震信号的特征解,即用局部反射同相轴的线性组合逼近原始信号(即输入的局部地震数据),从而实现了对原始数据的压缩存储。同时,由于数据压缩过程是在模型空间(表征信号的走时和斜率等信息)中实现的,在数据压缩的同时实现了反射地震信号的运动学属性(对应每个反射同相轴的到达时、斜率)和动力学信息(反射子波的波形特征)的解耦,为快速叠前偏移成像(实时成像)提供了输入数据,满足实时数据处理需求。
附图说明
图1为本发明的基于盲反演理论的地震数据有损压缩方法的一具体实施例的流程图;
图2为本发明的一具体实施例中局部地震数据有损压缩的具体实现步骤的流程图;
图3为本发明的一具体实施例中输入的局部地震数据的示意图;
图4为本发明的一具体实施例中每次迭代过程中模型空间的变化的示意图;
图5为本发明的一具体实施例中每次迭代过程中提取的模型空间中的子波的示意图;
图6为本发明的一具体实施例中每次迭代过程中预测的局部反射同相轴的示意图;
图7为本发明的一具体实施例中每次迭代过程中数据残差的变化的示意图;
图8为本发明的一具体实施例中输入数据,重建误差以及重建结果的对比图;
图9为本发明的一具体实施例中局部高维地震数据(来自某三维工区的实际资料)的示意图;
图10为本发明的一具体实施例中数据压缩结果(第1-50道),重建地震道(第51道),参考地震道(第52道),以及重建误差(第53道)对比的示意图;
图11为本发明的一具体实施例中输入数据,重建误差以及重建结果的对比的示意图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作和/或它们的组合。
本发明的一种基于盲反演理论的地震数据有损压缩方法,通过在盲反演框架下对高密度采集地震信号中的特征反射同相轴实现稀疏表达,在数据压缩的同时实现了反射地震信号的运动学属性和动力学信息的解耦,为快速叠前偏移成像(即实时成像)提供了输入数据,满足了地震数据的实时处理需求。
如图1所示,基于盲反演理论的地震数据有损压缩方法,其数据处理流程包括:
步骤1,输入当前炮号对应的地震数据;
步骤2,基于预先设定的X和Y方向上空间窗范围,提取当前道集在空间窗内局部地震数据;
步骤3,基于盲反演理论进行局部地震数据压缩;
步骤4,判断滑动窗是否遍历完当前道集。若已经遍历完当前道集,输出压缩后的地震数据;否则滑动空间窗,执行步骤2;
步骤5,判断是否处理完所有炮集。若已经处理完所有炮集,结束数据压缩处理流程;否则炮号自增,执行步骤1。
以下为应用本发明的几个具体实施例。
实施例1:
在应用本发明的一具体实施例1中,该基于盲反演理论的地震数据有损压缩方法包括了以下步骤:
在步骤1中,需要对整个共炮点道集进行循环,一次读入一炮地震数据。输入的数据结构为标准的SEG-Y格式,需要读取的道头关键字为:震源和检波器的x,y,z坐标、道长及采样间隔。
在步骤2中,根据地震数据有损压缩处理前预先设定好的参数,如滑动空间窗在X和Y方向上空间展布范围以及每次的滑动距离(通常为滑动空间窗长度的一半),提取当前输入道集在局部空间窗内的地震道及其道头关键字(即局部地震数据)。
在步骤3中,根据预先设定的盲反演参数,对局部地震数据中的主要反射同相轴进行压缩处理,并输出有损压缩后的局部地震数据。
在步骤4中,判断滑动空间窗是否已经遍历完当前道集。若尚未完成,则滑动空间窗(默认的滑动长度为空间窗长度的一半,可以被用户的输入参数覆盖)并继续执行步骤2。
在步骤5中,判断是否处理完所有炮集。若尚未完成,则继续执行步骤1。否则结束数据处理流程,完成地震数据的有损压缩。
实施例2:
在应用本发明的一具体实施例2中,如图2所示,以二维合成地震记录为例,详细介绍局部地震数据的有损压缩处理流程及具体实现步骤:
在步骤301中,首先初始化盲反演方法的输入数据和参数,如最大迭代次数N_iter,数据残差相对能量比ε(数据残差的二范数与输入数据二范数的比值),输入的局部地震数据dobs=d(x,t)(如附图3所示,包含8个局部线性同相轴,共21道,每道2000个样点),并对数据残差进行初始化e0=dobs(在迭代反演的第一步中,数据残差向量即输入的局部地震数据),并设置迭代次数变量初值k=1;
在步骤302中,利用如下积分变换(即伴随变换算子TH)将数据残差投影至模型空间(模型空间即用截距时间(τ)和局部斜率(p)表征的变换域,如附图4所示):
ξk=ξk(τ,p)=THek-1≡∫ek-1(τ+p·x)dx
在步骤303中,遍历离散的截距时间和斜率,搜索模型空间中极大值对应的离散化的截距时间(τk)和局部斜率pk,公式表示为:
在步骤304中,提取(τk,pk)处对应的模型空间子波波形wk(如附图5所示),公式表示为:
wk=wk(t)=H(τk)ξk(τk,pk)
其中,H(τk)为一维方波函数(中心点位于τk时间处,方波函数的长度可以根据数据频带自动确定,方波函数两边通常用镶边函数进行衰减以降低吉布斯效应)
在步骤305中,利用如下预测算子T将模型空间中的子波映射至数据空间中,得到局部特征反射同相轴的预测结果(如附图6所示):
在步骤306中,将当前数据残差与预测结果自适应相减,更新数据空间中的残差向量(如附图7所示):
其中,α为自适应振幅校正因子,表示为
在步骤307中,判断是否满足迭代终止条件。预先设定的迭代终止条件包括:(1)迭代次数超过最大迭代次数(即判断k+1是否大于N_iter);(2)数据残差相对能量比小于预设的能量比(即是否成立)。两类终止条件满足任意一条则终止迭代;否则,令迭代次数变量自增k=k+1。
在步骤308中,输出模型空间中表征的压缩数据,表示为W=[w1,w2,...,wk]=[w1(t),w2(t),K,wk(t)](如附图5所示,压缩后的数据仅含有8个子波)。
为了进行发明效果的验证,可以通过对比数据重建误差表明本发明的有效性。将输入数据,重建误差以及重建结果合并在一起,如附图8所示,重建误差的振幅相比于输入数据几乎可以忽略,表明本项发明的压缩数据可以较好地重建输入数据。此外,原始输入数据的大小为:21道*2000浮点/道*4字节/浮点=168000字节(忽略道头关键字)。而压缩后的数据仅包含8个子波,每个子波仅保留子波长度内的数值(即200个浮点),因此压缩后的数据大小为:8道*200浮点/道*4字节/浮点=6400字节(忽略道头关键字)。有损数据压缩比为:压缩前大小/压缩后大小=168000字节/6400字节=26.25。
实施例3:
接下来,以局部高维地震数据为例,详细介绍局部地震数据的有损压缩处理技术在高维空间中的数据压缩实例。如图9所示,局部高维地震数据表示为:dobs=d(t,s,r),|s-s0|<Ws&&|r-r0|<Wr(其中,s,r分别为震源和检波器的空间坐标,s0,r0分别为中心震源和检波器坐标,Ws,Wr分别为震源和检波器端的局部空间窗长度)。通过执行本发明的局部地震数据有损压缩处理流程,并对积分变换算子和预测算子做如下推广:
(1)将步骤303中的积分变换用高维局部线性积分变换代替,表示为:
ξk=ξk(τ,ps,pr)=THek-1≡∫∫ek-1(τ+ps·(s-s0)+pr·(r-sr))dsdr
上式积分变换中,ps,pr分别为震源和检波器端局部平面波的斜率。
(2)将步骤303,304中的斜率p用ps,pr代替;
(3)将步骤305中的预测算子用高维局部线性预测算子代替,表示为:
经过上述推广,本发明即可用于压缩局部高维地震数据。如图10所示,地震道1-50代表图9所示的输入数据经过压缩后保留的50个压缩域子波。将这50个压缩子波求和,可以重建中心道(即s0,r0对应的中心地震道),重建结果如图10中的第51道所示。重建结果与原始数据的中心到(图10中的第52道)相比,二者基本无视觉差异。重建结果与输入数据的残差如图10中的第53道所示,可以看出,中心道重建误差中无明显有效信号残余。整个输入数据的重建结果和重建误差如图11所示,表明本发明可以自然的推广至局部高维数据的压缩与重建。
本发明提供一种基于盲反演理论的地震数据有损压缩方法,通过对输入地震道集用滑动空间窗提取局部地震数据,并对局部地震数据进行有损压缩。有损压缩过程主要包括:盲反演参数初始化;利用积分变换将数据残差投影至模型空间(模型空间即用截距时间和局部斜率表征的变换域);遍历离散的截距时间和斜率,并搜索模型空间中极大值对应的离散化的截距时间和局部斜率;提取截距时间和局部斜率对应的模型空间中的子波波形;利用预测算子将模型空间中的子波映射至数据空间中,得到局部特征反射同相轴的预测结果;将当前数据残差与预测结果自适应相减,更新数据空间中的残差向量;判断是否满足迭代终止条件(若满足迭代终止条件则输出模型空间中表征的压缩后的地震数据)。该方法利用了多道地震信号的局部时-空信息实现局部特征反射同相轴的压缩存储,数据压缩比高于通用的无损压缩技术,可以满足实时数据处理需求。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域技术人员来说,其依然可以对前述实施例记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。例如:(1)虽然本发明提供的实例2以共炮点道集为例,展示了地震数据有损压缩的具体实现流程。但本方法的输入数据不限于共炮点道集,地震数据的任意排序方式,如共检波器道集、共中心点道集、共偏移距道集等,都可以通过滑动空间窗的方式提取局部地震数据,并利用本发明实现局部地震数据的有损压缩;(2)虽然本发明中步骤302的伴随变换算子TH以及步骤305中的预测算子T都是二维局部线性变换,但其它形式的数学变换,包括但不限于高维局部线性积分变换(见本发明的实例3),双曲积分变换,抛物积分变换,多项式积分变换,甚至任意基函数族作为积分变换核等,都属于本专利的范畴。因此,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
除说明书所述的技术特征外,均为本专业技术人员的已知技术。
Claims (11)
1.基于盲反演理论的地震数据有损压缩方法,其特征在于,该基于盲反演理论的地震数据有损压缩方法包括:
步骤1,输入当前炮号对应的地震数据;
步骤2,基于预先设定的X和Y方向上空间窗范围,提取当前道集在空间窗内局部地震数据;
步骤3,基于盲反演理论进行局部地震数据压缩;
步骤4,判断滑动窗是否遍历完当前道集;
步骤5,判断是否处理完所有炮集。
2.根据权利要求1所述的基于盲反演理论的地震数据有损压缩方法,其特征在于,在步骤1中,需要对整个共炮点道集进行循环,一次读入一炮地震数据;输入的数据结构为标准的SEG-Y格式,需要读取的道头关键字为:震源和检波器的x,y,z坐标、道长及采样间隔。
3.根据权利要求1所述的基于盲反演理论的地震数据有损压缩方法,其特征在于,在步骤2中,根据地震数据有损压缩处理前预先设定好的参数,包括滑动空间窗在X和Y方向上空间展布范围以及每次的滑动距离,提取当前道集在局部空间窗内的地震道及其道头关键字。
4.根据权利要求3所述的基于盲反演理论的地震数据有损压缩方法,其特征在于,在步骤2中,每次的滑动距离为滑动空间窗长度的一半。
5.根据权利要求1所述的基于盲反演理论的地震数据有损压缩方法,其特征在于,在步骤3中,基于预先设定的盲反演参数,对局部地震数据中的主要反射同相轴进行压缩处理,并输出有损压缩后的局部地震数据。
6.根据权利要求5所述的基于盲反演理论的地震数据有损压缩方法,其特征在于,步骤3包括:
步骤301,初始化盲反演方法的输入数据和参数;
步骤302,利用如下积分变换即伴随变换算子TH,将数据残差投影至模型空间,模型空间即用截距时间τ和局部斜率p表征的变换域:
ξk=ξk(τ,p)=THek-1≡∫ek-1(τ+p·x)dx
步骤303,遍历离散的截距时间和斜率,搜索模型空间中极大值对应的离散化的截距时间τk和局部斜率pk,公式表示为:
步骤304,提取(τk,pk)处对应的模型空间子波波形wk,公式表示为:
wk=wk(t)=H(t;τk)ξk(τk,pk)
其中,H(t;τk)为中心点位于τk时间处的一维方波函数H(t),方波函数的长度可以根据数据频带自动确定,方波函数两边通常用镶边函数进行衰减以降低吉布斯效应;
步骤305,利用预测算子T将模型空间中的子波映射至数据空间中,得到局部特征反射同相轴的预测结果:
步骤306,将当前数据残差与预测结果自适应相减,更新数据空间中的残差向量;
步骤307,判断是否满足迭代终止条件;
步骤308,输出模型空间中表征的压缩数据,表示为W=[w1,w2,...,wk]=[w1(t),w2(t),K,wk(t)]。
7.根据权利要求6所述的基于盲反演理论的地震数据有损压缩方法,其特征在于,在步骤301中,首先初始化盲反演方法的输入数据和参数,包括最大迭代次数N_iter,数据残差相对能量比ε,即数据残差的二范数与输入数据二范数的比值,输入的局部地震数据dobs=d(x,t),其中,x为空间坐标,t为时间,斜体d为地震信号,黑体d为地震信号的向量表示,并对数据残差进行初始化e0=dobs,在迭代反演的第一步中,数据残差向量即输入的局部地震数据,e0表示残差向量,上标0表示初始值,并设置迭代次数变量k=1。
8.根据权利要求6所述的基于盲反演理论的地震数据有损压缩方法,其特征在于,在步骤306中,更新数据空间中的残差向量的公式为:
其中,α为随空间坐标变化的自适应振幅校正因子,表示为
9.根据权利要求6所述的基于盲反演理论的地震数据有损压缩方法,其特征在于,在步骤306中,预先设定的迭代终止条件包括:(1)迭代次数超过最大迭代次数即判断k+1是否大于N_iter;(2)数据残差相对能量比小于预设的误差能量比ε,即是否成立,e0为初始残差向量,ek为第k次迭代过程中的残差向量;两类终止条件满足任意一条则终止迭代;否则,令迭代次数变量自增k=k+1。
10.根据权利要求1所述的基于盲反演理论的地震数据有损压缩方法,其特征在于,在步骤4中,判断滑动空间窗是否已经遍历完当前道集;若尚未完成,则滑动空间窗并继续执行步骤2。
11.根据权利要求1所述的基于盲反演理论的地震数据有损压缩方法,其特征在于,在步骤5中,判断是否处理完所有炮集;若尚未完成,则继续执行步骤1;否则结束数据处理流程,完成地震数据的有损压缩。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210071216.1A CN116520392A (zh) | 2022-01-21 | 2022-01-21 | 基于盲反演理论的地震数据有损压缩方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210071216.1A CN116520392A (zh) | 2022-01-21 | 2022-01-21 | 基于盲反演理论的地震数据有损压缩方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116520392A true CN116520392A (zh) | 2023-08-01 |
Family
ID=87392676
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210071216.1A Pending CN116520392A (zh) | 2022-01-21 | 2022-01-21 | 基于盲反演理论的地震数据有损压缩方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116520392A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118337220A (zh) * | 2024-06-12 | 2024-07-12 | 成都理工大学 | 基于通道相关性的das数据有损压缩后处理方法及系统 |
-
2022
- 2022-01-21 CN CN202210071216.1A patent/CN116520392A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118337220A (zh) * | 2024-06-12 | 2024-07-12 | 成都理工大学 | 基于通道相关性的das数据有损压缩后处理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107728211B (zh) | 基于张量核范数正则化的地震信号恢复算法 | |
US6594394B1 (en) | Fast compression and transmission of seismic data | |
CN107045142B (zh) | 基于压缩感知的小波域地震数据实时压缩与高精度重构方法 | |
CN111723329A (zh) | 一种基于全卷积神经网络的震相特征识别波形反演方法 | |
CN111368247B (zh) | 基于快速正交字典的稀疏表征正则化叠前avo反演方法 | |
CN110895348B (zh) | 一种地震弹性阻抗低频信息提取方法、系统及存储介质 | |
CN112946749A (zh) | 基于数据增广训练深度神经网络压制地震多次波的方法 | |
Huang et al. | Erratic noise suppression using iterative structure‐oriented space‐varying median filtering with sparsity constraint | |
CN114418886B (zh) | 一种基于深度卷积自编码器的鲁棒性去噪方法 | |
CN111948712B (zh) | 一种基于深度域地震记录的叠前线性反演方法 | |
CN107179550B (zh) | 一种数据驱动的地震信号零相位反褶积方法 | |
CN110516358A (zh) | 一种基于稀疏表示的地震各向异性参数反演方法 | |
CN113077386A (zh) | 基于字典学习和稀疏表征的地震资料高分辨率处理方法 | |
CN111929733A (zh) | 基于slice采样的地震信号正则化处理方法 | |
Xue et al. | Airborne electromagnetic data denoising based on dictionary learning | |
CN116520392A (zh) | 基于盲反演理论的地震数据有损压缩方法 | |
CN104730576A (zh) | 基于Curvelet变换的地震信号去噪方法 | |
CN110687597B (zh) | 一种基于联合字典的波阻抗反演方法 | |
CN112925023A (zh) | 全波场反演地震数据多次波压制方法 | |
CN116011338A (zh) | 一种基于自编码器和深度神经网络的全波形反演方法 | |
CN113311429B (zh) | 一种基于对抗样本的1比特雷达成像方法 | |
CN115327624A (zh) | 一种地震子波和反射系数的反演方法及反演系统 | |
CN110838096B (zh) | 基于信息熵范数的地震图像补全方法 | |
CN108387928B (zh) | 基于地震特征变换空间的数据构建方法 | |
CN112363217A (zh) | 一种地震数据随机噪声压制方法及系统 |
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 |