CN108828658A - 一种海底地震数据重构方法 - Google Patents
一种海底地震数据重构方法 Download PDFInfo
- Publication number
- CN108828658A CN108828658A CN201810610837.6A CN201810610837A CN108828658A CN 108828658 A CN108828658 A CN 108828658A CN 201810610837 A CN201810610837 A CN 201810610837A CN 108828658 A CN108828658 A CN 108828658A
- Authority
- CN
- China
- Prior art keywords
- seismic data
- data
- sampling
- ocean bottom
- sparse
- 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 38
- 238000005070 sampling Methods 0.000 claims abstract description 38
- 230000009466 transformation Effects 0.000 claims abstract description 17
- 230000001788 irregular Effects 0.000 claims abstract description 10
- 238000011156 evaluation Methods 0.000 claims 1
- 238000012804 iterative process Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 230000001131 transforming effect Effects 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
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
本发明提供一种海底随机采样地震数据重构的方法,本发明基于海底地震数据具有稀疏性的性质,通过利用非规则曲波变换,提取地震数据的稀疏特征,通过多次迭代得到满足约束条件的稀疏曲波系数,然后对稀疏曲波系数进行规则反变换得到重构海底地震数据。本发明可有效重构海底地震数据,同时去除噪声干扰。
Description
技术领域
本发明属于海底地震探测领域,涉及一种随机采样进行海底地震数据出来的方法,具体涉及一种海底随机采样地震数据重构方法。
背景技术
由于海底地震仪器价值较高,且用于海洋探测受海洋影响大,面临仪器布放和回收的多重风险,数据采集成本和风险巨大。在满足探测要求的情况下,进行随机采样能够有效降低采集成本和风险,而数据的完整性和规则性对后期资料处理及解释工作至关重要,因此随机采样,即不规则数据的规则化处理是海底地震数据处理中的关键。
现有的海底地震数据重构主要是基于规则采样数据进行规则化处理,如预测误差滤波器法、波长算子法以及基于变换函数的传统重构方法。
上述技术中海底地震数据重构方法中,要求采集数据为均匀采样数据,对于非规则采样的随机采样数据,重构结果不确定性较大,会造成较大误差。因此,对于非规则海底地震数据进行重构,确保重构数据的准确性和可靠性,对海底地球物理探测具有重要意义。
发明内容
本申请的目的是提供一种海底随机采样地震数据重构方法,通过该方法能够准确将非规则海底地震数据规则化重构,保证恢复数据的准确性和完整性,为之后的海底地震数据处理与解释提供保障。
本申请海底随机采样地震数据重构方法的步骤如下:
第一步,建立海底随机采样地震数据与规则数据之间的关系:Rf=y,R表示随机采样算子,f表示欲重构的规则数据,y表示随机采样数据;
第二步,利用规则海底地震数据f在曲波域的稀疏性,建立稀疏反问题:其中Df=x表示曲波变换,f=DHx表示曲波反变换,x为稀疏的曲波系数,于是问题转化为求解最稀疏曲波域系数x,||x||1表示L1范数约束x,即x中各项之和最小;
第三步,L1范数条件下求解曲波系数x:(其中A=RDH,R表示随机采样算子,DH为曲波反变换算子,拉格朗日算子λ表示L1范数项所占权重),然后对求得的曲波系数x进行反变换:f=DHx,得到重构的海底地震规则数据。
其中,第三步包括以下步骤:
(1)给定初始λ(在之后逐渐减小)和λ最大循环次数M,n=1,xn=0;
(2)给定迭代次数N,计算:其中Sλ表示软阈值滤波,Sλ(x)=sgn(x)·max(0,|x|-λ),其中sgn(x)表示x的正负,AT表示非规则曲波变换;
(3)判断计算所得系数xn是否满足:||y-Axn||2≤ε(y表示采样数据,A=RDH,R表示随机采样算子,DH为曲波反变换算子,ε表示对噪声能量的评估),如果满足,则输出xn,如果不满足则减小λ,然后返回步骤(2),直至满足||y-Axn||2≤ε,或者达到最大循环次数M;
(4)f=DHxn即为重构后的海底地震数据。
本发明利用海底地震数据在曲波域稀疏这一特性,对海底地震随机采集数据进行重构,通过迭代寻求最稀疏曲波域系数,进而反变换得到重构数据,是一种准确可靠的地球物理方法,随着海底地震数据随机采集的发展,本方法将更加适用于海底地震数据规则化处理。
附图说明
图1为本发明海底地震数据重构方案的流程图;
图2实例1海底地震随机采样剖面数据及重构结果展示图;
图3为本申请方法与基于规则变换重构方法数据重构对比示意图。
具体实施方式
下面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的一部分实施例,而不实全部的实施例。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。另外地,所描述的实施例仅是对本发明的进一步阐述,而非对本发明的限制。
本发明的目的是以本发明所述方法进行海底地震数据重构处理,提高了海底随机采样地震数据规则化的准确性。
下面对本发明给予详细说明。海底随机采样地震数据重构方法,包括以下步骤:
第一步,建立海底随机采样地震数据与规则数据之间的关系:Rf=y,R表示随机采样算子,f表示欲重构的规则数据,y表示随机采样数据;
第二步,利用规则海底地震数据f在曲波域的稀疏性,建立稀疏反问题:其中Df=x表示曲波变换,f=DHx表示曲波反变换,x为稀疏的曲波系数,于是问题转化为求解最稀疏曲波域系数x,||x||1表示L1范数约束x,即x中各项之和最小;
第三步,L1范数条件下求解曲波系数x:(其中A=RDH,R表示随机采样算子,DH为曲波反变换算子,拉格朗日算子λ表示L1范数项所占权重),然后对求得的曲波系数x进行反变换:f=DHx,得到重构的海底地震规则数据。
其中,第三步包括以下步骤:
(1)给定初始λ(在之后逐渐减小)和λ最大循环次数M,n=1,xn=0;
(2)给定迭代次数N,计算:其中Sλ表示软阈值滤波,Sλ(x)=sgn(x)·max(0,|x|-λ),其中sgn(x)表示x的正负,AT表示非规则曲波变换;
(3)判断计算所得xn是否满足:||y-Axn||2≤ε(y表示采样数据,A=RDH,R表示随机采样算子,DH为曲波反变换算子,ε表示对噪声能量的评估),如果满足,则输出xn,如果不满足则减小λ,然后返回步骤(2),直至满足||y-Axn||2≤ε,或者达到最大循环次数M;
(4)f=DHxn即为重构后的海底地震数据。
特别的,计算过程中算子AT代表非规则曲波变换,A代表规则曲波变换后采样,DH代表规则曲波反变换。
下面通过实例1给予进一步说明。
实例1:某海域海底地震数据随机采集为例,对海底地震剖面进行50%采样点随机采样(图2左),利用本申请方法重构规则数据,由以下步骤实现:
第一步,建立海底随机采样地震数据与规则数据之间的关系:Rf=少,R表示海底地震随机采样算子,f表示欲重构的海底地震规则数据,y表示海底随机采样地震数据,及图2左;
第二步,利用规则海底地震数据f在曲波域的稀疏性,建立稀疏反问题:其中Df=x表示曲波变换,x为稀疏的曲波系数,于是问题转化为求解最稀疏曲波域系数x;
第三步,反问题可以转化为L1范数条件下求解最稀疏的曲波系数x:(其中A=RDH,λ表示L1范数项所占权重),然后对求得的曲波系数x进行反变换:f=DHx,得到重构的海底地震规则数据,即图2右,能够看到海底地震数据得到了完美重构,同相轴信息保留完整,证明了该重构方法的可行性。
本发明有益效果在于,通过利用海底地震数据在曲波变换域中曲波变换系数稀疏的特性,从海底随机采样地震数据中求取稀疏的曲波变换系数,进而通过反变换重构海底地震规则数据,提高了海底随机采样地震数据重构的准确性。
利用之前基于规则变换的数据重构方法进行同样重构处理(如图3(b)所示),其重构数据质量(信噪比)较本发明方法(图3(c))较差,尤其浅层地区噪声较多。由此证明本发明具有更好的技术效果(图3(a)为原始数据)。
显然上述实施例仅为清楚的描述了本发明的具体实施过程。本实施例仅为说明本发明所做的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上,还可以做出其他不同形式的变化或变动,这里无需也无法对所有实施方式予以穷举。由此所引申的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种海底随机采样地震数据重构方法,其特征在于,其包括以下步骤:
第一步,建立海底随机采样地震数据与规则数据之间的关系;
第二步,利用海底地震规则数据在曲波域的稀疏性,建立稀疏反问题;
第三步,完成反问题求解,获得海底地震规则数据。
2.根据权利要求1所述方法,其特征在于,所述待重构海底地震数据是通过随机采样获得的。
3.根据权利要求1所述方法,其特征在于,所述随机采样采样点是规则采样采样点的一部分。
4.根据权利要求1所述方法,其特征在于,所述利用曲波变换表现为:正变换为非规则曲波变换,反变换为规则曲波反变换。
5.根据权利要求1所述方法,其特征在于,所述稀疏反问题为L1范数约束下的促稀疏问题。
6.根据权利要求1所述方法,其特征在于,所述反问题求解过程中,拉格朗日系数、外层循环次数、内层循环次数以及数据噪声的评估量都需要程序应用者根据实际数据设置。
7.根据权利要求1所述方法,其特征在于,所述随机采样海底地震数据重构过程也是去噪过程。
8.根据权利要求2或权利要求3所述方法,其特征在于,随机采样的最小采样间隔为,随机采样点数小于以为采样间隔进行目标区规则采样的采样数;或者随机采样所获得的海底地震数据不存在假频。
9.根据权利要求4所述方法,其特征在于,所述非规则曲波变换是基于非规则傅里叶变换实现的。
10.根据权利要求7所述方法,其特征在于,所述去噪过程是因为在迭代过程中通过软阈值滤波将数据中的噪声去除了。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2018103900753 | 2018-04-27 | ||
CN201810390075 | 2018-04-27 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108828658A true CN108828658A (zh) | 2018-11-16 |
Family
ID=64141477
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810610837.6A Pending CN108828658A (zh) | 2018-04-27 | 2018-06-13 | 一种海底地震数据重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108828658A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111158051A (zh) * | 2020-01-07 | 2020-05-15 | 自然资源部第一海洋研究所 | 一种基于稀疏正则化的联合约束随机噪声压制方法 |
CN112394411A (zh) * | 2020-10-30 | 2021-02-23 | 中国石油天然气集团有限公司 | 直流漂移压制方法及装置 |
CN113109866A (zh) * | 2020-01-09 | 2021-07-13 | 中国石油天然气集团有限公司 | 一种基于压缩感知的多域稀疏地震数据重构方法及*** |
CN115220091A (zh) * | 2022-02-22 | 2022-10-21 | 中国科学院地质与地球物理研究所 | 一种地质导向的非规则观测***确定方法及*** |
-
2018
- 2018-06-13 CN CN201810610837.6A patent/CN108828658A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111158051A (zh) * | 2020-01-07 | 2020-05-15 | 自然资源部第一海洋研究所 | 一种基于稀疏正则化的联合约束随机噪声压制方法 |
CN113109866A (zh) * | 2020-01-09 | 2021-07-13 | 中国石油天然气集团有限公司 | 一种基于压缩感知的多域稀疏地震数据重构方法及*** |
CN112394411A (zh) * | 2020-10-30 | 2021-02-23 | 中国石油天然气集团有限公司 | 直流漂移压制方法及装置 |
CN115220091A (zh) * | 2022-02-22 | 2022-10-21 | 中国科学院地质与地球物理研究所 | 一种地质导向的非规则观测***确定方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Seismic trace interpolation for irregularly spatial sampled data using convolutional autoencoder | |
Pinnegar et al. | The S-transform with windows of arbitrary and varying shape | |
CN108828658A (zh) | 一种海底地震数据重构方法 | |
Jia et al. | Intelligent interpolation by Monte Carlo machine learning | |
CN110361778B (zh) | 一种基于生成对抗网络的地震数据重建方法 | |
Wang | Seismic impedance inversion using l 1-norm regularization and gradient descent methods | |
Si et al. | Attenuation of random noise using denoising convolutional neural networks | |
Zhang et al. | 3D simultaneous seismic data reconstruction and noise suppression based on the curvelet transform | |
CN109523486A (zh) | 噪声环境下基于鲁棒压缩感知的多通道脑电信号重构方法 | |
CN105607122A (zh) | 一种基于全变分地震数据分解模型的地震纹理提取与增强方法 | |
Yang et al. | FWIGAN: Full‐Waveform Inversion via a Physics‐Informed Generative Adversarial Network | |
CN112526599B (zh) | 基于加权l1范数稀疏准则的子波相位估计方法及*** | |
Wang et al. | Seismic multiple suppression based on a deep neural network method for marine data | |
Xu et al. | Ground-roll separation of seismic data based on morphological component analysis in two-dimensional domain | |
Wang et al. | Deep learning‐based H‐κ method (HkNet) for estimating crustal thickness and Vp/Vs ratio from receiver functions | |
CN117574062A (zh) | 基于vmd-dnn模型的小回线瞬变电磁信号去噪方法 | |
CN116719088B (zh) | 一种航空瞬变电磁数据噪声压制方法 | |
Li et al. | Low-Frequency Magnetotelluric Data Denoising Using Improved Denoising Convolutional Neural Network and Gated Recurrent Unit | |
Zhao et al. | Noise reduction method based on curvelet theory of seismic data | |
Li et al. | Removing abnormal environmental noise in nodal land seismic data using deep learning | |
Fu et al. | A time-domain multisource Bayesian/Markov chain Monte Carlo formulation of time-lapse seismic waveform inversion | |
WANG et al. | Simultaneous-source wavefield separation based on adaptive Wiener threshold in Contourlet domain | |
CN109782346A (zh) | 一种基于形态成分分析的采集脚印压制方法 | |
CN115630295A (zh) | 双深度神经网络约束的无监督学习分离多震源数据的方法 | |
Wang et al. | High dimensional multistep deblending using supervised training and transfer learning |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181116 |
|
RJ01 | Rejection of invention patent application after publication |