李康麗,馮 波,王華忠

(波現(xiàn)象與智能反演成像研究組(WPI),同濟(jì)大學(xué)海洋與地球科學(xué)學(xué)院,上海 200092)

陸上勘探地震中,初至波可以說(shuō)是炮集中信噪比最高的波現(xiàn)象。初至波的識(shí)別及走時(shí)檢測(cè)在表層及淺層的介質(zhì)速度估計(jì)與建模中起著核心作用,波動(dòng)理論初至波走時(shí)層析速度反演及建模成為當(dāng)今陸上地震波成像中關(guān)鍵步驟之一[1-2]。早期的初至走時(shí)大多由處理員依據(jù)經(jīng)驗(yàn)人工拾取,但這種可視化人工拾取過(guò)程十分繁瑣耗時(shí)、效率低下,并且過(guò)于依賴(lài)處理員的經(jīng)驗(yàn),具有很強(qiáng)的主觀性,不同的處理員拾取的結(jié)果往往存在偏差或者不一致[3]。隨著計(jì)算機(jī)技術(shù)和初至拾取算法的發(fā)展,初至波全(半)自動(dòng)化拾取方法逐漸普及[4-5],目前的商業(yè)軟件大都已具備自動(dòng)拾取的功能。對(duì)于復(fù)雜地表?xiàng)l件下的工區(qū),如沙漠、戈壁、山區(qū)、盆地等,復(fù)雜的近地表?xiàng)l件導(dǎo)致地震數(shù)據(jù)信噪比急劇降低,道間時(shí)差變化劇烈[6-8],此時(shí)常規(guī)的拾取方法難以滿足需求,同時(shí)隨著“兩寬一高”地震數(shù)據(jù)采集技術(shù)的逐漸普及[9],地震數(shù)據(jù)量劇增,隨著人工智能技術(shù)在地球物理勘探領(lǐng)域的應(yīng)用越來(lái)越廣泛,智能化初至拾取方法成為關(guān)注的重點(diǎn)。

傳統(tǒng)的走時(shí)拾取算法主要基于單道和多道信息。基于單道的拾取算法主要依靠能量比[3,10]、分形維數(shù)[11-12]、熵[3]、高階統(tǒng)計(jì)量[13-15]等,這類(lèi)方法可以用于高信噪比數(shù)據(jù)中快速、穩(wěn)定地拾取走時(shí)?；诙嗟赖氖叭∷惴ㄖ饕谢ハ嚓P(guān)方法[16-19]或模板匹配方法[20-21],由于利用了多道之間的相關(guān)性信息,該類(lèi)方法可以在一定程度上識(shí)別低信噪比地震記錄的初至,但不能適應(yīng)波形變化或存在壞道的情況。隨著人工智能技術(shù)的發(fā)展與進(jìn)步,初至拾取成為人工智能算法在地震處理領(lǐng)域的成功應(yīng)用之一。比如傳統(tǒng)神經(jīng)網(wǎng)絡(luò)就已廣泛應(yīng)用于地震事件的自動(dòng)分類(lèi)識(shí)別[22-28],但早期的網(wǎng)絡(luò)結(jié)構(gòu)泛化能力較差。卷積神經(jīng)網(wǎng)絡(luò)(CNN)是一種強(qiáng)大的深度學(xué)習(xí)算法,具有自動(dòng)提取特征或?qū)傩圆⑼瑫r(shí)對(duì)數(shù)據(jù)進(jìn)行分類(lèi)的優(yōu)勢(shì),此外,還具有局部感知和權(quán)重共享的特性。YUAN等[29]將CNN直接應(yīng)用于地震初至走時(shí)拾取中。LOGINOV等[30]以5000個(gè)訓(xùn)練樣本訓(xùn)練包含4個(gè)隱藏層的CNN網(wǎng)絡(luò)并用其完成了某3D地震數(shù)據(jù)(450×104道)的初至走時(shí)拾取工作,正確率達(dá)到了95%。陳德武等[31]結(jié)合U-Net與SegNet深度學(xué)習(xí)網(wǎng)絡(luò)的優(yōu)點(diǎn),構(gòu)建混合網(wǎng)絡(luò)U-SegNet自動(dòng)拾取初至,網(wǎng)絡(luò)結(jié)構(gòu)更有利于分割背景噪聲區(qū)域和含噪聲信號(hào)區(qū)域,提高了拾取精度。神經(jīng)網(wǎng)絡(luò)類(lèi)方法屬于有監(jiān)督學(xué)習(xí),生成大量的標(biāo)簽樣本不僅耗時(shí),同時(shí)也會(huì)引入人的先驗(yàn)認(rèn)識(shí)。無(wú)監(jiān)督學(xué)習(xí)算法(比如模糊聚類(lèi)分析、支持向量機(jī)等)可以直接根據(jù)特征屬性將地震信號(hào)自動(dòng)分類(lèi),同時(shí)也可以為有監(jiān)督學(xué)習(xí)提供標(biāo)簽樣本[32-33]。MA等[34]基于強(qiáng)化學(xué)習(xí)理論,在能量比譜上自動(dòng)化全局尋優(yōu)實(shí)現(xiàn)初至走時(shí)拾取,但該方法缺乏對(duì)模型參數(shù)的詳細(xì)描述,難以適應(yīng)復(fù)雜波形;羅飛等[35]在馬爾可夫決策過(guò)程(Markov decision process,MDP)中進(jìn)一步引入受空間幾何信息約束的動(dòng)作和轉(zhuǎn)移概率,降低了對(duì)起始狀態(tài)和折扣因子選取的難度,使地震數(shù)據(jù)初至走時(shí)拾取更加準(zhǔn)確和自動(dòng)化。總之,初至拾取的基本思路是將地震信號(hào)的走時(shí)信息變換為某種特征屬性,從而凸顯初至走時(shí),同時(shí)基于人工智能算法的初至拾取為地震數(shù)據(jù)處理帶來(lái)了極大的便利。

在我國(guó)山前帶等近地表復(fù)雜區(qū)域,地震記錄受各種近地表散射波以及面波的干擾,信噪比低,能量較弱。而傳統(tǒng)的初至自動(dòng)拾取方法,普遍要求數(shù)據(jù)信噪比高,且著重于單一屬性,此時(shí)依靠單一屬性的初至拾取方法易受噪聲以及地形變化劇烈的影響導(dǎo)致誤拾。為此,針對(duì)復(fù)雜地表地震數(shù)據(jù),將初至波識(shí)別與走時(shí)檢測(cè)問(wèn)題定位為弱初至掩埋在(較)強(qiáng)噪聲中,提出了一套初至波識(shí)別及走時(shí)檢測(cè)智能化處理技術(shù)流程,主要步驟包括炮集中與初至波相關(guān)的預(yù)處理、高維特征空間的構(gòu)建、多屬性加權(quán)K均值聚類(lèi)劃分初至波分布區(qū)域、多屬性約束的馬爾可夫決策過(guò)程初至走時(shí)檢測(cè)等。實(shí)際資料應(yīng)用結(jié)果表明了該方法流程的有效性和穩(wěn)健性。

1 流程及關(guān)鍵技術(shù)

1.1 流程概述

本文方法流程如圖1所示。

圖1 復(fù)雜地表區(qū)初至波識(shí)別及走時(shí)檢測(cè)智能化流程

考慮到初至的空間連續(xù)性,地表高程起伏會(huì)引起初至位置在相鄰道之間發(fā)生跳躍,導(dǎo)致初至拾取變得困難,因此,首先進(jìn)行基于小平滑地表的道間時(shí)差躍變壓制,使其在后續(xù)拾取過(guò)程中滿足更好的橫向連續(xù)性。該方法首先統(tǒng)計(jì)地表高程,并對(duì)其進(jìn)行平滑,獲得平滑后的地表高程,再利用(1)式計(jì)算地表高程起伏引起的道間時(shí)差校正量,由此可以消除高波數(shù)(頻)的道間時(shí)差抖動(dòng),再將時(shí)差校正量反?；刈罱K拾取的結(jié)果上。

(1)

式中:Δt為道間時(shí)差校正量;e1為平滑后的地表高程;e2為真實(shí)的地表高程;v為替換速度。

然后考慮高維空間中數(shù)據(jù)隱含的空間結(jié)構(gòu)信息和多屬性內(nèi)在關(guān)系,尋找合適的特征屬性,構(gòu)建高維特征屬性空間;引入多屬性加權(quán)K均值聚類(lèi)劃分出初至波分布區(qū)域,縮小拾取范圍,降低拾取難度。

最后基于多屬性約束馬爾可夫最優(yōu)決策理論框架下的走時(shí)檢測(cè)技術(shù),將初至拾取問(wèn)題看作高維特征屬性空間內(nèi)智能馬爾可夫決策過(guò)程,通過(guò)構(gòu)建合適的模型參數(shù),在特定準(zhǔn)則下進(jìn)行全局尋優(yōu),最終獲得積累獎(jiǎng)勵(lì)值最大的路徑,從而智能化地拾取地震數(shù)據(jù)的初至信息。

1.2 高維特征屬性空間構(gòu)建

一般地,可將地震勘探中的數(shù)據(jù)認(rèn)為是空間或/和時(shí)間有序的數(shù)據(jù),最通常的數(shù)據(jù)表達(dá)形式認(rèn)為數(shù)據(jù)是多維(高維)隨機(jī)向量。數(shù)據(jù)體可以定義為由源

數(shù)據(jù)體生成的高維、多屬性、多域特征數(shù)據(jù)體/集。初至拾取的基本思路是將地震信號(hào)的走時(shí)信息變換為某種特征屬性,在特征域中凸顯差異,從而拾取初至走時(shí)。常見(jiàn)的用于識(shí)別初至信息的屬性從時(shí)間域看主要是利用能量變化、振幅變化、曲線長(zhǎng)度變化、統(tǒng)計(jì)分布變化、信息量變化、曲線復(fù)雜度變化等[36]?，F(xiàn)有的傳統(tǒng)方法多著重于單一屬性,而依靠單一屬性無(wú)法得到準(zhǔn)確的拾取結(jié)果,必須依靠多種屬性相互約束。高維屬性提取是高精度初至檢測(cè)的基礎(chǔ),其中能量屬性對(duì)初至拾取較為敏感。本文采用長(zhǎng)短時(shí)窗能量比、峰度和邊緣強(qiáng)度這3種屬性構(gòu)建高維特征空間。

長(zhǎng)短時(shí)窗均值比(STA/LTA)是信號(hào)在固定長(zhǎng)度的短時(shí)窗和長(zhǎng)時(shí)窗中特征函數(shù)平均值的比值。因?yàn)樵诘卣鹩涗浿性肼暤哪芰恳话爿^弱,當(dāng)有效信號(hào)出現(xiàn)時(shí),信號(hào)的短時(shí)窗能量平均值(STA)會(huì)比信號(hào)的長(zhǎng)時(shí)窗能量平均值(LTA)變化快,從而比值增加,當(dāng)比值超過(guò)設(shè)定的閾值時(shí),便可用來(lái)確定初至位置。STA/LTA算法的基本公式為:

(2)

式中:i表示采樣時(shí)刻;Ll代表長(zhǎng)時(shí)窗長(zhǎng)度;Ls代表短時(shí)窗長(zhǎng)度;λ表示設(shè)定的閾值;CF(j)代表在j時(shí)刻的特征函數(shù)值。這里采用的特征函數(shù)為:

CF(j)=x2(j)

(3)

其中,x(j)表示振幅值。長(zhǎng)、短時(shí)窗長(zhǎng)度和閾值的選取會(huì)直接影響初至拾取的準(zhǔn)確性。STA/LTA方法是目前應(yīng)用最廣泛的初至拾取方法,計(jì)算效率較高,但對(duì)于低信噪比數(shù)據(jù),存在拾取精度不足的問(wèn)題[37-40]。

數(shù)據(jù)中信息的提取過(guò)程就是對(duì)數(shù)據(jù)中蘊(yùn)含的結(jié)構(gòu)信息進(jìn)行感知和表達(dá),最基本的感知方法就是獲取數(shù)據(jù)(隨機(jī)過(guò)程)的各階統(tǒng)計(jì)量。高階統(tǒng)計(jì)量是描述隨機(jī)過(guò)程高階(二階以上)統(tǒng)計(jì)特性的一種數(shù)學(xué)工具,包括高階矩、高階累積量和高階譜。相對(duì)于二階統(tǒng)計(jì)量而言,高階統(tǒng)計(jì)量能夠有效抑制高斯噪聲,并且對(duì)信號(hào)的異常更加敏感。地震數(shù)據(jù)中,由于有效信號(hào)和噪聲具有不同的統(tǒng)計(jì)性質(zhì),峰度屬性也可用于初至拾取[41]。峰度的表達(dá)式為:

(4)

式中:E[·]表示求均值運(yùn)算。在一般情況下,地震信號(hào)中的隨機(jī)噪聲滿足高斯分布,而有效信號(hào)滿足非高斯分布。具體計(jì)算時(shí)采用滑動(dòng)窗口的方式進(jìn)行,當(dāng)有效信號(hào)出現(xiàn)在時(shí)窗內(nèi)時(shí),峰度值會(huì)出現(xiàn)明顯的增大,因此可將信號(hào)的峰度最大值對(duì)應(yīng)的位置作為初至點(diǎn)。

圖像邊緣檢測(cè)的目的是利用有關(guān)數(shù)學(xué)算子提取物體圖像的邊緣特征以確定物體的輪廓或細(xì)節(jié)。初至波一般具有能量強(qiáng)、起跳明顯的特點(diǎn),與圖形的邊界特征很類(lèi)似,而預(yù)處理后的地震數(shù)據(jù)在橫向上比較連續(xù),與邊界特征相符,因此可以將道集中各道初至?xí)r間的連線看作是初至前擾動(dòng)與地震記錄數(shù)據(jù)之間的邊界[42]。在實(shí)際地震數(shù)據(jù)中,首先將地震記錄轉(zhuǎn)化為灰度圖,這里采用取絕對(duì)值的方式。對(duì)于m道,每道n個(gè)樣點(diǎn)的單炮記錄可以看作一幅m×n個(gè)像素的灰度圖,然后用小區(qū)域模板卷積來(lái)近似計(jì)算邊緣強(qiáng)度。通常選用Sobel,Prewitt,Laplacian,Kirsch等微分算子進(jìn)行識(shí)別,這些算子都是以一個(gè)3×3的模板與圖像中3×3的區(qū)域相乘,得到的結(jié)果作為圖像中這個(gè)區(qū)域中心位置的邊緣強(qiáng)度[43-44],本文選用Kirsch算子作為邊緣檢測(cè)算子。Kirsch算子模板(圖2)共有8個(gè)方向,分別與地震圖像中的各對(duì)應(yīng)元素相乘后取計(jì)算結(jié)果的最大值作為中心點(diǎn)的邊緣強(qiáng)度。例如在0°方向上,設(shè)d(i,j)是(i,j)處的像素值,(i,j)位置處的邊緣強(qiáng)度用其差分值來(lái)表示:

圖2 Kirsch算子模板a至h方向依次為0°,45°,90°,135°,180°,225°,270°,315°

Δd0°=5d(i-1,j-1)+5d(i-1,j)+

5d(i-1,j+1)-3d(i,j-1)-3d(i,j+1)-

3d(i+1,j-1)-3d(i+1,j)-3d(i+1,j+1)

(5)

邊緣強(qiáng)度的計(jì)算用到了高維空間中多道之間的信息,充分利用了相鄰地震道間的相關(guān)性。

1.3 K均值聚類(lèi)算法確定初至波分布區(qū)域

聚類(lèi)方法以智能和數(shù)據(jù)驅(qū)動(dòng)的方式收集類(lèi)似的點(diǎn)歸結(jié)為一類(lèi),最終使得類(lèi)內(nèi)最相似、類(lèi)間差異最大。K均值聚類(lèi)算法是最常用的聚類(lèi)方法之一,該算法實(shí)現(xiàn)時(shí)簡(jiǎn)單快速,可以用于較大的數(shù)據(jù)集,其主要步驟是:選擇聚類(lèi)數(shù)k,隨機(jī)生成k個(gè)聚類(lèi),并確定聚類(lèi)中心,或者直接從原始數(shù)據(jù)點(diǎn)隨機(jī)選擇初始中心位置;將每個(gè)點(diǎn)分配到離它最近的中心所對(duì)應(yīng)的聚類(lèi),然后重新計(jì)算新聚類(lèi)的中心,重復(fù)以上步驟,直至中心點(diǎn)的變化很小或者達(dá)到指定的迭代次數(shù)。K均值聚類(lèi)應(yīng)用于初至拾取,可以完成初至與非初至的二分問(wèn)題[45]?？紤]到不同屬性對(duì)聚類(lèi)和初至拾取結(jié)果的影響程度不同,這里采用加權(quán)距離對(duì)不同的屬性賦予不同的權(quán)重[46-47]:

(6)

式中:dist表示距離函數(shù);wk≥0(k=1,2,…,m)為權(quán)重系數(shù),表征不同屬性的重要性;m為聚類(lèi)屬性個(gè)數(shù);i,j為樣本點(diǎn)(i,j=1,2,…,n;n為樣本個(gè)數(shù));f表示特征屬性值。權(quán)重系數(shù)的確定采用變異系數(shù)法。屬性數(shù)據(jù)矩陣表示如下:

(7)

首先計(jì)算樣本各個(gè)屬性的標(biāo)準(zhǔn)差σk:

(8a)

(8b)

樣本屬性的標(biāo)準(zhǔn)差反映了各屬性的絕對(duì)變異程度,然后計(jì)算各個(gè)屬性的變異系數(shù)ck:

(9)

變異系數(shù)反映了各個(gè)屬性的相對(duì)變異程度,屬性的變異系數(shù)越大,則屬性變化越大。最后對(duì)各屬性的變異系數(shù)進(jìn)行歸一化處理,確定權(quán)重系數(shù)wk:

(10)

由于在實(shí)際數(shù)據(jù)中聚類(lèi)結(jié)果并沒(méi)有那么準(zhǔn)確,所以可以由聚類(lèi)結(jié)果得到一條近似擬合初至的曲線,然后將曲線上下平移得到初至波大致分布區(qū)域,從而縮小拾取范圍。

1.4 基于多屬性馬爾可夫決策過(guò)程的走時(shí)檢測(cè)

初至走時(shí)信息的拾取可以看作是處理人員在地震剖面(屬性剖面)上從第一道的某點(diǎn)S0出發(fā),以經(jīng)驗(yàn)認(rèn)識(shí)為指導(dǎo),逐道挑選Sn,最終尋找一系列滿足經(jīng)驗(yàn)認(rèn)識(shí)和初至特征的點(diǎn),從而完成初至走時(shí)拾取任務(wù)的過(guò)程。這一過(guò)程可以抽象為序列決策問(wèn)題,而馬爾可夫決策過(guò)程(MDP)就是一個(gè)典型的序列決策過(guò)程框架。

MDP通常用五元組〈S,A,P,R,γ〉來(lái)描述,其中,S為有限狀態(tài)集,A代表控制狀態(tài)發(fā)生變化的所有可能動(dòng)作的集合,P為狀態(tài)轉(zhuǎn)移概率(矩陣),R為獎(jiǎng)勵(lì)函數(shù),γ代表用于計(jì)算累積收益的折扣因子。智能體從狀態(tài)s通過(guò)動(dòng)作a轉(zhuǎn)移至s′的概率和期望獎(jiǎng)勵(lì)可分別表示為:

(11)

(12)

MDP的本質(zhì)是當(dāng)前狀態(tài)向下一狀態(tài)轉(zhuǎn)移的概率和獎(jiǎng)賞值只取決于當(dāng)前狀態(tài)和選擇的動(dòng)作,而與歷史狀態(tài)和歷史動(dòng)作無(wú)關(guān),即具有馬爾可夫性。在MDP中目標(biāo)是抵達(dá)目標(biāo)狀態(tài)的同時(shí)最大化累積收益的期望值,價(jià)值函數(shù)是利用收益期望值評(píng)估當(dāng)前狀態(tài)或給定狀態(tài)和動(dòng)作下的智能體表現(xiàn),智能體期望未來(lái)得到的收益取決于智能體所選擇的動(dòng)作,所以價(jià)值函數(shù)與特定的行為方式相關(guān),稱(chēng)之為策略。如果智能體在時(shí)刻t選擇了策略π,則π(a|s)就是當(dāng)St=s時(shí)At=a的概率。vπ(s)為策略π下?tīng)顟B(tài)s的狀態(tài)價(jià)值函數(shù),可表示為:

vπ(s)=Eπ(Gt|St=s)=Eπ(Rt+1+γRt+2+

γ2Rt+3+…|St=s)=Eπ(Rt+1+γGt+1|St=s)=

Eπ(Rt+1+γvπ(St+1)|St=s)

(13)

(13)式稱(chēng)為vπ的貝爾曼方程,其中,Gt表示從當(dāng)前狀態(tài)開(kāi)始到終止?fàn)顟B(tài)結(jié)束整個(gè)過(guò)程所有收益按照一定比例衰減的總和,數(shù)學(xué)表達(dá)式為:

(14)

其中,γ為折扣因子,γ∈[0,1],用于削減遠(yuǎn)期決策對(duì)應(yīng)的獎(jiǎng)勵(lì)權(quán)重。由上述公式可知,價(jià)值函數(shù)由該狀態(tài)的即時(shí)獎(jiǎng)勵(lì)期望和下一狀態(tài)的價(jià)值期望與衰減系數(shù)的乘積兩部分組成。同理可得,在策略π下,狀態(tài)s采取動(dòng)作a的動(dòng)作價(jià)值函數(shù),表示為:

qπ(s,a)=Eπ(Gt|St=s,At=a)=Eπ(Rt+1+
γqπ(St+1,At+1)|St=s),At=a)

(15)

(15)式稱(chēng)為qπ的貝爾曼方程。

馬爾可夫決策過(guò)程就是希望尋找一個(gè)合適的策略,能夠產(chǎn)生最大的累積收益。通常最優(yōu)價(jià)值函數(shù)定義為所有策略下對(duì)應(yīng)價(jià)值函數(shù)中的最大者,對(duì)應(yīng)的策略即為最優(yōu)策略,即:

(16)

(17)

式中:v*為最優(yōu)狀態(tài)價(jià)值函數(shù);q*為最優(yōu)動(dòng)作價(jià)值函數(shù)。根據(jù)貝爾曼方程,可以推導(dǎo)出價(jià)值迭代方法并求解出最優(yōu)的策略[48]。

初至拾取問(wèn)題可以看作是高維特征屬性空間內(nèi)智能馬爾可夫決策過(guò)程,模型構(gòu)建如下所示。

S:時(shí)空域地震數(shù)據(jù)的每一點(diǎn)位置sij=(ti,xj),i和j分別為時(shí)間和空間采樣點(diǎn);

A:位移矢量,具體為左移、右移、上移、下移;

γ:γ∈[0,1],具體取值0.5。

2 實(shí)際數(shù)據(jù)應(yīng)用

為了驗(yàn)證本文方法的有效性,選取復(fù)雜地表區(qū)實(shí)際數(shù)據(jù)進(jìn)行測(cè)試。

2.1 西部地區(qū)可控震源數(shù)據(jù)測(cè)試

圖3為西部地區(qū)某一測(cè)線的可控震源三維地震單炮記錄,共149道,時(shí)間采樣間隔為2ms,采樣時(shí)長(zhǎng)為1.8s,道間距為25m。本數(shù)據(jù)高程起伏相對(duì)較小,道間時(shí)差不存在躍變情況。

圖3 西部地區(qū)可控震源某一測(cè)線原始單炮記錄

然后提取多屬性構(gòu)建特征空間,能量比屬性的長(zhǎng)短時(shí)窗長(zhǎng)度分別為100個(gè)網(wǎng)格點(diǎn)、30個(gè)網(wǎng)格點(diǎn),邊緣屬性選擇Kirsch算子進(jìn)行計(jì)算,峰度屬性的窗長(zhǎng)為40個(gè)網(wǎng)格點(diǎn)。從圖4可以看出,能量比屬性和峰度屬性存在初至錯(cuò)斷、不連續(xù)的情況,邊緣強(qiáng)度屬性在壞道部分對(duì)初至的刻畫(huà)相對(duì)較差。

圖4 西部可控震源單炮記錄屬性a 長(zhǎng)短時(shí)窗能量比; b 邊緣強(qiáng)度; c 峰度

圖5為多屬性加權(quán)K均值聚類(lèi)結(jié)果,由于本數(shù)據(jù)初至的能量相對(duì)較弱,因此聚類(lèi)結(jié)果為初至的點(diǎn)相對(duì)較少,但是聚類(lèi)結(jié)果基本為正確的初至位置。圖6為多屬性加權(quán)K均值聚類(lèi)得到的初至區(qū)域與最終拾取結(jié)果,其中藍(lán)線表示由多屬性K均值聚類(lèi)得到的初至區(qū)域,紅線表示拾取結(jié)果。圖7對(duì)比了基于多屬性MDP拾取的結(jié)果與常規(guī)單屬性拾取的結(jié)果,可以看出,基于多屬性MDP的拾取結(jié)果穩(wěn)定性較好,基于峰度屬性和能量比屬性的拾取結(jié)果都存在跳躍現(xiàn)象,基于邊緣強(qiáng)度屬性的拾取結(jié)果在壞道的部分相對(duì)較差,基于本文方法的拾取結(jié)果在連續(xù)性和穩(wěn)定性方面都存在較大優(yōu)勢(shì)。圖7證明了本文方法的有效性與穩(wěn)定性。

圖5 西部可控震源單炮記錄多屬性加權(quán)K均值聚類(lèi)結(jié)果(紅點(diǎn)表示聚類(lèi)結(jié)果為初至的點(diǎn))

圖6 西部可控震源單炮記錄多屬性加權(quán)K均值聚類(lèi)得到的初至區(qū)域與最終拾取結(jié)果(藍(lán)線內(nèi)為確定的初至區(qū)域,紅線為最終拾取結(jié)果)

圖7 西部可控震源單炮記錄多屬性MDP拾取的結(jié)果與常規(guī)單屬性拾取的結(jié)果對(duì)比

2.2 西部山地?cái)?shù)據(jù)測(cè)試

圖8為西部山地某測(cè)線的原始地震單炮記錄,共706道,時(shí)間采樣間隔為4ms,采樣時(shí)長(zhǎng)為3s。該數(shù)據(jù)高程起伏較大,首先對(duì)該地區(qū)進(jìn)行高程統(tǒng)計(jì),然后通過(guò)道間時(shí)差躍變壓制,消除部分高頻的道間時(shí)差,校正后的地震單炮記錄如圖9所示。

圖8 西部山地某測(cè)線的原始地震單炮記錄

圖9 道間時(shí)差壓制后的西部山地地震單炮記錄

對(duì)高程平滑后的地震單炮記錄進(jìn)行多屬性提取,分別提取長(zhǎng)短時(shí)窗能量比屬性、邊緣強(qiáng)度屬性、峰度屬性(圖10),其中長(zhǎng)、短時(shí)窗的長(zhǎng)度分別為100個(gè)網(wǎng)格點(diǎn)、20個(gè)網(wǎng)格點(diǎn),邊緣強(qiáng)度選取Kirsch算子,峰度屬性的窗長(zhǎng)為30個(gè)網(wǎng)格點(diǎn)。由圖10可以看出,在道號(hào)200附近,由于強(qiáng)噪聲和壞道的影響,采用常規(guī)屬性方法難以準(zhǔn)確拾取。

圖10 西部山地地震單炮記錄屬性a 長(zhǎng)短時(shí)窗能量比; b 邊緣強(qiáng)度; c 峰度

對(duì)3種屬性進(jìn)行多屬性加權(quán)K均值聚類(lèi),聚類(lèi)結(jié)果如圖11所示,大部分聚類(lèi)為初至的點(diǎn)均分布在真實(shí)初至左右,得到的初至分布范圍如圖12藍(lán)線所示,然后在初至區(qū)域內(nèi)通過(guò)多屬性馬爾可夫決策進(jìn)行走時(shí)檢測(cè),結(jié)果如圖12紅線所示。圖13對(duì)比了基于多屬性馬爾可夫決策過(guò)程與常規(guī)單屬性拾取的結(jié)果,可以看出,采用常規(guī)方法的拾取結(jié)果都存在不同程度的跳躍,采用本文方法的拾取結(jié)果明顯更加準(zhǔn)確、連續(xù)性更好。

圖11 西部山地地震單炮記錄多屬性加權(quán)K均值聚類(lèi)結(jié)果(紅點(diǎn)表示聚類(lèi)結(jié)果為初至的點(diǎn))

圖12 西部山地地震單炮記錄多屬性加權(quán)K均值聚類(lèi)得到的初至區(qū)域及最終拾取結(jié)果(藍(lán)線內(nèi)為確定的初至區(qū)域,紅線為拾取結(jié)果)

3 討論與結(jié)論

初至拾取是地震數(shù)據(jù)處理中的重要一步,復(fù)雜地表區(qū)的初至拾取問(wèn)題可以看作是強(qiáng)噪聲下的、存在道間時(shí)差的、近似線性信號(hào)(變化軌跡)的估計(jì)問(wèn)題。本文方法的關(guān)鍵在于構(gòu)建高維多屬性特征空間,并在MDP框架下,利用多屬性約束進(jìn)行拾取。針對(duì)復(fù)雜地表地震數(shù)據(jù),采用小平滑地表進(jìn)行時(shí)差躍變壓制,能夠避免出現(xiàn)初至點(diǎn)躍變;其次通過(guò)構(gòu)建高維特征空間、進(jìn)行高維多屬性的提取,在屬性特征域中凸顯初至的差異,充分利用了地震數(shù)據(jù)的空間結(jié)構(gòu)信息;然后利用K均值聚類(lèi)確定初至分布范圍,縮小了拾取范圍,降低了拾取難度;最后利用多屬性約束的馬爾可夫決策過(guò)程拾取初至,使得拾取結(jié)果具有更好的橫向連續(xù)性。實(shí)際數(shù)據(jù)測(cè)試結(jié)果表明,與常規(guī)單一屬性相比,采用本文方法能夠自然回避由壞道、噪聲產(chǎn)生的錯(cuò)誤初至信息,在一些信噪比較低、弱能量區(qū)域拾取效果更好。

在復(fù)雜地表區(qū)進(jìn)行初至波的識(shí)別與走時(shí)檢測(cè)面臨的最主要問(wèn)題是信噪比低,因此要先通過(guò)預(yù)處理、去噪得到較為理想的、后續(xù)用于拾取的地震記錄,如何利用合適的去噪方法,在去噪的同時(shí)保護(hù)好初至信息,是需要進(jìn)一步思考和研究的方向。包括屬性數(shù)量在內(nèi)的屬性選取還需要做進(jìn)一步的研究和測(cè)試。另外,本文關(guān)于先驗(yàn)信息的利用還不充分,在三維數(shù)據(jù)初至拾取中,可以將震源附近較好的拾取結(jié)果作為先驗(yàn)約束應(yīng)用到離震源較遠(yuǎn)的區(qū)域中。