0 引言
静校正是提高叠加剖面信噪比和垂向分辨率的一项关键技术。常规折射波静校正处理是建立在水平均匀层状介质假设前提下的。当勘探区域的地表起伏大,近地表厚度、速度变化复杂时,折射静校正就无法适用了。层析静校正能反演任意介质的近地表速度模型,是目前解决复杂地表静校正最理想的静校正方法,也是最常用的方法。初至拾取是层析静校正处理的第一步,它的准确与否会直接影响到层析反演结果。最初的地震波初至拾取是以人机交互的方式人工拾取的,因此初至拾取就成为一项费时而繁琐的工作。近年来,出现了许多自动初至拾取方法,例如能量比法[1,2,3,4,5,6,7]、AIC法[8]、二分法[9]等,并将时频分析[10,11,12]、分形维[13,14]、神经网络[15,17]、边缘检测[18]等算法应用到地震波初至自动拾取中。分维形和AIC法首先需要分布计算出地震道的分形曲线和AIC曲线,然后分别在分形曲线和AIC曲线上寻找初至对应的拐点;而分形曲线和AIC曲线受噪声的影响非常大,因此这两种方法和边缘检测方法都对噪声十分敏感。能量比法以其简单实用得到了广泛应用,但是该方法也对噪声十分敏感。基于时频分析的初至拾取方法则是将地震道变换到时频域(或者小波域),然后在时频域利用能量比法进行初至自动拾取;由于地震道在某些频段(或者小波尺度)的信噪比相对要高一些,因此这种方法可提高能量比的准确性。而基于神经网络的方法往往需要训练网络,这需要训练样本或者数据;一方面训练数据的收集也是需要费时费力的,另一方面,面对复杂的未知数据,训练出来的网络未必会显得比其他方法更优越。实际上在复杂近地表条件下,由于初至波能量特征、波形特征、相位特征变化大,又常常受噪声影响,任何单一的初至波自动拾取方法的精度和效率都无法满足要求。如何进一步提高初至波自动拾取的准确性、稳定性和抗干扰能力,仍然需要进一步探索研究。
文中提出了一种基于域生长算法的初至自动拾取方法。该方法以局部属性道[19]与地震道一起作为域生长算法的输入,由域生长算法根据事先设定的阈值和种子点自动识别出噪声区域和有效信号区域,两个区域的边界即为初至时刻。
1 域生长算法
用于初至拾取的单道地震记录可以分为两个区域:一个是初至波之前的区域,即噪声区,另一个是初至波之后的区域,即有效地震信号区,那么初至时间就是这两个区域的边界点。域生长是指从种子点出发,将与每个种子点有相似属性的区域合并到种子点所在区域的过程。这种方法目前主要用于图像处理中[13],因此主要应用于二维。文中将其应用到初至波自动拾取,处理目标是单道地震记录,即一维信号。其基本过程如下。
第一步,选择种子点:找一个种子点作为区域生长的起始点,并将该种子点所在区域标示为1。对于地震记录而言,可事先浏览地震记录,然后指定全局最小的初至时间之前的时间点为第一个区域的种子点,也可以通过下式粗略地、自适应地给出每一道第一个区域的种子点:
其中:tseed,j为第j道种子点时间,xj为第j道炮检距,v为勘探区域近地表速度的一个粗略估计值,v的选择要注意使得tseed,j小于直达波时间。这种做法相对简单,但是比较粗糙。另外一种相对比较准确的做法是选择一些控制炮,然后对这些控制炮上的共炮道集进行手工交互拾取,拾取时不必对某个道集内的所有道全部拾取。假设对于某一个共炮道集,按照炮检距增加方向只拾取了k道,拾取后的初至时间分别为τi,相应的炮检距分别为hi,最小炮检距为h0的道对应的初至时间为τ0,那么就可以用式(2)对该炮道集内的初至时间进行拟合:
其中:Δhi=hi-h0。拟合时,首先需要用已经手工交互拾取的k道的初至时间τi及其相应的炮检距hi确定出系数a和b,然后就可以用式(2)以及该炮道集内所有道的炮检距hi估算出该炮道集所有道的初至时间。大多数情况下,共跑道集上的初至时间在整体形态上都是呈式(2)所表现的形式,即双曲线形式,不同的是系数a和b的大小。因此,所谓控制炮就是系数a和b大致相近的炮。这种方式确定的种子点经过人工干预,所以更接近真实初至点;尤其当式(2)采用更高阶形式,并且控制炮选择适当并且比较多的时候,就更准确了,但是工作量也相应地增加了。
由于地震记录是分为两个区域,因此只需要给定一个区域的种子点,然后分割出第一个区域,那么剩下的就是第二个区域。所以不用确定第二个区域的种子点。如果将第一个区域的值都赋值为1,而第二个区域的值都赋值为-1,那么种子点处的值就是1,而其余点处的值都是-1。
第二步,从种子点开始,对种子点处的区域进行增长。即对地震道进行顺序扫描,将种子点周围邻域中与种子点具有相同或者相似性质的点合并到种子点所在的区域中,即把这些点处的区域值也设置为1。然后将这些新加入的点作为新的种子点继续第二步的过程,直到再没有满足条件的点被包括进来,则第一个区域就形成了。那么剩下的就是第二个区域。
第三步,找出区域边界,就是初至时间点。
在第二步中,判断种子点周围邻域的点是否与种子点具有相同或者相似性质需要一个准则。文中是通过给定阈值来划分区域:
其中:yi为i点的区域值,si为i点的地震数据或者属性,threshold为阈值。文中的阈值是给定一个标量值γ,它表示种子点处地震数据或者属性值的倍数。
对于信噪比比较高的地震记录,将阈值设置为种子点处地震记录的1~2倍即可很好地划分出两个区域。但是对于信噪比低的地震记录,这种方法还有可能失败。为此,进一步提出一种地震属性融合道,即几种局部相似属性道进行融合,融合方式可以采用如下形式:
其中,s1i为地震道,s2i为一个局部相似属性道,s3i为另一种局部相似属性道。w1、w2、w3为加权值,这些权值可以都设置为1。而s2i和s3i可以是任意局部属性道,例如AIC、分形维等,文中使用的地震道的局部标准方差和地震道局部互相关系数。
当确定了合适的属性以后,则此时阈值的设置如下:
其中:s1seed、s2seed、s3seed分别为种子点处s1i、s2i、s3i的值,f1、f2、f3 分别为这三种属性道阈值的加权值。
由于阈值又表示为种子点处地震数据或者属性值的倍数,即:
而由式(4)有:
从而有:
对比式(8)和式(5)可知,γ、w1、w2、w3的选择和影响可以合并在f1、f2、f3的选择中。
确定了上述种子点、相似性度量属性以及阈值以后,就可以运用域生长算法对地震记录进行分区。
2 局部属性道计算
按照文中使用的区域生长算法,属性道的选择可以有很多,但是需要相应地设置合适的阈值。当然,参与运算的属性道越多,计算量也会增加,另外,有些属性在识别初至时并不比地震道本身或者另外一些属性更适合,所以,文中选择的两个属性道是地震道的局部标准方差和地震道局部互相关系数的最大值。
所谓地震道的局部标准方差可以按下式计算:
其中,Nw为一个滑动窗口的长度,si为i点的地震数据,
地震道局部互相关系数的最大值是两个长度相同,但是起始时间相隔一定距离的两个窗口内的地震道的互相关系的最大值,通常起始时间的间隔取1~2。互相关属性道的计算方式如下:
其中,x和y分别为地震道上前后两个时窗内的信号,前一个窗口从地震道上第i点开始,后一个窗口从地震道上第i+k点开始,一般k取1或者2。这两个时窗长度都为Ni,两个窗口内信号互相关结果的最大值被赋予到属性道的第i点。这两个窗口从地震道起始时刻依次向后移动一个步长,直到地震道末尾,完成整个属性道的计算(图1)。从图1可见,对于高信噪比的地震道,在局部标准方差和局部互相关道上都可以很清楚地识别出初至位置。而对于含噪声的同一个实际地震道,其相应的AIC、熵、分形维(图2b)属性道与局部互相关、归一化局部方差(图2a)相比可见,局部标准方差和局部互相关属性道依然更有利于识别出初至位置。因此,在应用式(4)时,只用了这两种属性道,没有地震道和其他属性道参与。
图1
图1
地震道(a)及其局部标准方差属性道(b)和局部互相关属性道(c)
Fig.1
A seismic trace (a),its local Standard Deviation trace (b) and local cross-correlation trace (c)
图2
图2
实际地震道的局部属性道计算
a—地震道;b—归一化的地震道;c—归一化的局部互相关曲线;d—归一化的局部标准方差曲线;e—归一化的地震道;f—归一化的AIC曲线;g—归一化的熵曲线;h—归一化的分形维曲线
Fig.2
Local attribute trace calculation of actual seismic trace
a—seismic trace;b—normalized seismic trace;c—normalized local standard deviation trace;d—normalized local cross-correlation trace;e—normalized seismic trace;f—normalized AIC trace;g—normalized entropy trace;h—normalized fractal trace
计算出属性道以后,由于各种属性的数值范围不同,在实际应用时,为了减少应用式(5)的过程中对阀值f1、f2、f3的选择,需要首先对各种属性道进行归一化,然后就可以将f1、f2、f3设置为相同的值,例如2。另外,从图2a中的局部标准方差和局部互相关属性道可见,如果在整个道长范围内进行搜索,必然会增加干扰因素。因此在确定出每一道的种子点以后,以种子点为搜索中心设置搜索范围,这样可以减少干扰。例如,假设某一道的种子点为tseed,i,则可以指定搜索半径L,从而将该道的搜索范围限制在tseed,i-L和tseed,i+L之间。当种子点比较准确的时候,搜索半径L可以小一些,阈值系数f1、f2、f3可以设置为接近1,这样搜索到的初至就十分靠近种子点了。
3 模型试验
首先将文中所述方法在一道几乎没有噪声的地震道上进行了试验。这一道的初至清晰可见,该道地震数据长度为2 s,采样间隔为2 ms。然后在这一道上加入了方差依次为0.1、0.2、0.3、0.4的随机噪声,并用本文所述方法进行初至自动拾取,使用的属性道是仅仅局部标准方差和局部互相关属性道,拾取结果如图3所示。由图可见,本文所述方法在比较高的随机噪声干扰下,依然能很准确地拾取到初至,并且所用参数都是{f1,f2}={10,10},这样就使得在对若干炮道集进行自动拾取时,好统一设置参数,易于使用。
图3
图3
不同信噪比地震道及自动识别出的区域试验
a—高信噪比地震道;b—图a自动识别出的区域;c—图a加入均值为0.1的随机噪声;d—图c自动识别出的区域;e—图a加入均值为0.2的随机噪声;f—图d自动识别出的区域;g—图a加入均值为0.3的随机噪声;h—图g自动识别出的区域;i—图a加入均值为0.4的随机噪声;j—图i自动识别出的区域
Fig.3
Seismic trace with different signal-to-noise ratio and automatic identification area test
a—a seismic trace without noise;b—recognized region of figure a;c—trace of figure a added with 0.1 random noise;d—recognized region of figure c;e—trace of figure a added with 0.2 random noise;f—recognized region of figure e;g—trace of figure a added with 0.3 random noise;h—recognized region of figure g;i—trace of figure a added with 0.4 random noise;j—recognized region of figure i
4 实际应用
用本文所述方法对实际炮道集进行了自动初至拾取。首先是将本方法应用于一个信噪比比较高的共炮道集。资料来自我国西南山区,山势陡峭,相对高差大,资料采样间隔为2 ms,道长2 s,所用参数是{f1,f2}={10,10}。拾取结果见图4,图中的蓝色线之间的区域即为按照式(2)确定的搜索范围,红色线则为用本文所述方法自动拾取的初至,绿色线为能量比法拾取的初至。由图可见对于信噪比比较高的资料,本文所述方法几乎能全部准确地自动拾取到初至。用时(85.96 s,不包括计算属性时间)比能量比(85.24 s)稍微长一些。
图4
图4
高信噪比共炮道集上自动拾取的初至
Fig.4
Initial arrival of automatic pickup on high SNR common channel set
然后选用了一些比较复杂的实际地震资料来进行试验。该资料采样间隔为1 ms,道长4 s。资料来自我国西南山区,工区内沟谷幽深,山势陡峭,相对高差大,喀斯特地貌发育,多溶洞、暗河,地表岩石多为沉积岩和变质岩,近地表速度和厚度变化剧烈,因此资料的信噪比比较低。用本文所述方法对一个实际炮道集进行了自动初至拾取,拾取结果见图5。
图5
图5
低信噪比共炮道集上自动拾取的初至
Fig.5
Initial arrival of automatic pickup on low SNR common channel set
图中的蓝色线之间的区域即为按照式(2)确定的搜索范围,红色线则为用本文所述方法自动拾取的初至,绿色线为能量比法拾取到的初至。由图可见对于信噪比比较低的资料,大部分情况下,本文所述方法依然能准确地自动拾取到初至。用时(33.6 s,不包括计算属性时间)比能量比(32.06 s)稍微长一些。
5 结论与建议
提出了一种新的地震波初至自动拾取方法,该方法基于区域生长算法,并对区域生长算法进行了改进,使其能同时处理多种属性道。同时,还基于地震道的局部相似性形成了新的地震属性道,即局部标准方差和局部互相关属性道,从而利用这些新的局部属性道和区域生长算法形成了新的地震波初至自动拾取方法,再配合搜索范围的选择,使得该方法具有抗随机噪声能力强、拾取精度高的特点。
(本文编辑:叶佩)
参考文献
Automatic earthquake recognition and timing from single trace
[J].
基于时窗能量比和AIC的两步法微地震初至自动拾取
[J].
DOI:10.11720/j.issn.1000-8918.2013.2.17
Magsci
[本文引用: 1]
传统的微地震数据震源定位算法依赖于波至时间的拾取。由于微地震数据量较大且信噪比较低,手动拾取纵波和横波的波至时间很耗时,且引入的人为误差不易控制。笔者在分析已有方法特点的基础上,给出一种较快捷、准确的两步法微地震初至自动拾取方法。该方法首先使用时窗能量比法识别微震事件并大致确定波至时间,然后使用局部AIC精确拾取波至时间。与常规时窗能量比法相比,该方法减弱了时窗大小对拾取精度的影响;与常规的AIC法相比,由于只在局部使用AIC,避免了在低信噪比情况下AIC会出现多个局部极小从而难以准确拾取的问题,同时也提高了拾取效率。最后通过野外实际微地震数据进行了测试,分析了该方法的性能,验证了该方法的有效性和实用性。
Automatic microseismic event detection and picking method
[J].
高精度初至自动拾取综合方法研究
[J].<p>初至拾取是地震信号处理的关键环节，其精度和效率是资料处理的重要指标。针对常规地震</p><p>资料，特别是浅海地震资料，信噪比相对较高的情况下，探讨了改进的能量比法，来确保拾取精度</p><p>的前提下，实现过程的自动化。在传统能量比方法的基础上，研究了两种改进方法：（1）利用边界</p><p>检测和稳定因子解决“起跳不干脆”现象，利用多时窗识别折射波与直达波交混处的初至；（2）利用</p><p>奇异值的处理方法、可变时移量相位推算技术，以解决精度和效率问题。模型和实际资料处理结果</p><p>表明：综合时窗、相位、能量等多种因素，改进后的方法针对常规地震资料具有拾取准确、计算速</p><p>度快、自动化程度高等优势。</p>
The improvement of automatic first break picking based on energy ratio
[J].
浅层折射波勘探中初至自动拾取新算法
[J].地震波初至拾取是地震勘探中广泛应用的基础技术，尤其在浅层折射波勘探和层析成像中初至时间拾取精度直接影响地下地层结构的反演结果。由于初至时间对应的并不总是能量比最大值(可能是次极值)，以往的滑动时窗能量比法仅根据前后两个滑动时窗能量比的最大值判断初至时间，造成对低信噪比数据的拾取效果不理想，而对高信噪比数据则难以检测能量较弱的折射波。基于此，本文提出多时窗能量比初至拾取算法，该算法在实现过程中结合应用自动质量控制技术，满足了浅层折射波勘探的初至拾取精度要求，且具有较高的稳定性。将该方法应用于准噶尔盆地中部M区地震勘探，取得了非常好的效果。
A new method for first-break picking in refraction exploration
[J].
用变换时窗统计能量比法拾取地震初至波
[J].<p>基于地震道时窗属性特征，对地震波初至拾取能量比法进行系统的研究，比较了固定、滑动和变换时窗能量比法的原理及应用效果。研究表明，固定和滑动时窗能量比法的处理效果较差，在拾取过程中对某些特殊点的处理上存在误差较大；而采用变换时窗长度统计法后，初至曲线的同向轴变的更加光滑，拾取异常点的情况大为减少，从而有效的提高拾取的精度。</p>
The application of statistic energy ratio of transform time windows to the pickup of seismic first arrival wave
[J].
基于QT的能量比法地震波初至拾取系统设计
[J].利用能量比法拾取地震波初至的基本思路为：在初至到来之前地震波的振幅很小，而在初至到来之后，其振幅增加到很大，因此在初至附近的两时窗内的能量比值会很大，只要找到地震道上能量比的最大值点，此点对应的时间即为初至时间。本文在Linux工作环境下，以QT为开发平台，利用能量比法实现了SEGY格式地震文件的读取，并以共炮点、共接收点和共炮检距的方式对初至时间进行交互式自动采集与检验校正，提高了初至拾取的效率和精度。
Energy ratio method seismic wave first break picking-up system designing based on QT developing platform
[J].
基于时窗能量比与互信息量的微地震初至拾取方法
[J].
DOI:10.11720/wtyht.2016.2.23
Magsci
[本文引用: 1]
<p>由于微地震事件本身能量弱、资料信噪比低的特点,初至快速精确的拾取成为其关键而又亟待解决的问题。针对微地震事件初至人工拾取效率低、时窗能量比方法拾取精度低的特点,从信息熵和互信息量的角度开始研究,根据互信息量是随机变量间统计依存性与关联程度的量度特点,研究了一种时窗能量比与互信息量准则的微地震初至拾取方法,首先以时窗能量比算法来粗略估计初至的到达时刻,然后再利用互信息量算法来准确的拾取初至,通过模型验证与实际数据的测试,并与常规方法对比分析,验证了方法的有效性与可行性,能够较为准确与快速地实现微地震初至的自动拾取。</p>
Automatic first arrival pickup method of microseismic event based on energy ratio and mutual information
[J].
基于二分法的地震波初至自动拾取算法
[J].
The algorithm for automatic first-breaks picking on seismic traces based on dichotomy
[J].
用小波变换与能量比方法联合拾取初至波
[J].
Seismic first break pickup using wavelet transform and power ratio method
[J].
基于时频分析地初至拾取方法研究
[J].
First-break picking based on time-frequency analysis
[J].
基于S变换和瞬时旅行时属性的自动初至拾取方法研究
[J].<p>地震波走时拾取是地震资料前期处理过程中的一个重要步骤，同时也是后期层析成像方法中计算速度的重要依据。本文提出了一种新的自动初至拾取的方法，利用地震信号的瞬时旅行时属性进行地震波自动初至拾取，瞬时旅行时属性的计算包括两个独立但相关联的部分，首先通过 S 变换将地震信号转换到时频域，然后利用映射算子将时频域表征映像回时间域得到瞬时旅行时，从而实现自动拾取初至。理论模型和实际地震资料处理的结果表明，该方法可以有效地拾取地震波初至时间。</p>
Automatic firstbreak picking method based on S transform and instantaneous traveltime attributes
[J].
地震波初至拾取的分形研究
[J].
The fractal study on detecting arrival time of the first break
[J].
基于分维和相关性的自动初至拾取技术及应用
[J].
Automatic firstbreak picking method and its application based on fractal and correlation
[J].
利用分形维拾取地震初至的一种改进算法
[J].本文提出一种改进的拾取地震道初至波的方法。该方法利用分割法的基本原理来计算沿地震道的分形维,并从其变化特征中拾取初至。但是以往的方法在计算时耗时多,而且其结果依赖于插值的准确性。本文提出的计算方法避免了在计算过程中的插值问题,从而提高了计算速度,增强了计算结果的稳定性
An improved algorithm for picking up seismic first arrivals by using fractal dimension
[J].
改进神经网络并行算法及其在地震初至拾取中的应用
[J].
An improved neural network parallel arithmetic and its application in picking seismic first break
[J].
利用人工神经网络自动拾取地震记录初至
[J].地震记录初至的拾取可作为一个模式识别过程而引入神经网络理论进行分析。本文将一个三层感知器成功地用于地震记录初至拾取。神经网络训练采用误差反向传播算法,其中学习率在学习过程中随着输出节点的误差自动调节,隐层节点在学习过程中可以自动增加,从而加快了训练的速度;同时,也为克服网络陷入局部极小起到一定作用。该法采用了地震峰值、均方根振幅比、信噪比、前后峰值差等五个特征量进行选择。训练后的网络对不同探区的地震初至拾取的成功率可达97%以上。
Seismic first arrival pickup using artificial neural network
[J].
改进的神经网络级联相关算法及其在初至拾取中的应用
[J].
An improved neural-network cascade-correlation algorithm and its application in seismic first break picking
[J].
基于边缘检测的初至波自动拾取方法
[J].面对复杂地表条件下的静校正问题,主要困难就是初至波的拾取问题。现有的用于静校正处理的自动拾取初至波方法的精度和速度已难以适应这种复杂的地表条件。为此,本文提出了一种新的基于图像边缘检测技术的初至波自动拾取方法。此法利用边缘检测方法的特性,首先对地震资料进行灰度化处理,使其满足进行边缘检测的条件;然后利用Sobel、Prewitt、Laplacian及Kirsch等微分算子进行边缘检测。试验表明,Kirsch算子的检测效果最好。实际应用证明,此法不仅具有很强的抗干扰能力,而且拾取的初至的精度和速度均有明显提高。
Automatic firstbreak picking method based on edge detecting
[J].
基于局部相似属性的初至自动拾取
[J].
Automatic first break picking based on local similarity attribute
[J].
基于四元数矢量积算法的彩色图像区域生长算法
[J].
Region growing in color image based on quaternion multiplication vector product properties
[J].
