[发明专利]数据驱动的聚焦反演

说明书

数据驱动的聚焦的反演公开了一种处理从地下区域采集的地球物理数据的方法。该方法包括接收从地下区域采集的地球物理数据，确定对异常敏感度高的数据点，基于所述数据点执行反演，其中，在反演期间，通过增加所述数据点的权重来实现对异常的聚焦，以及确定地下区域中物理属性分布的至少一个模型。

技术领域

本发明涉及地球物理勘探和数据处理，并且更具体地涉及用于基于根据地球物理勘探方法(例如，受控源电磁或地震勘测)所采集的数据来优化物理属性分布模型的方法。

背景技术

只要在采集的数据与想要研究的物理属性之间存在数学关系，则经由传统采集方法(例如，地震或CSEM等勘测)从地下区域采集的地球物理数据可以用于获得关于地下区域中物理属性分布的信息。使用采集的数据和关于地下区域的先验知识，可以生成表征物理属性分布的模型。在该术语中，“模型”指的是估计的量。反演涉及对生成的模型的优化，以便确定解释观察到的数据的属性分布。

反演问题(即，根据测量的数据集来反演模型参数)几乎总是一个未确定的、非唯一的和非线性的问题(Tarantola,A.Inverse Problem Theory,Elsevier,New York 1987；Tarantola,A.Inverse Problem Theory and Methods for Model ParameterEstimation,Society for Industrial and Applied Mathematics 2005，以及Zhdanov,M.S.Geophysical Inverse Theory and Regularization Problems,Elsevier 2002)。测量数据不能提供足够的信息来确保在期望的分辨率下有唯一的解决方案。此外，测量数据还总是受噪声、不精确性和误差的影响。最后，反演引擎所需的正演模拟算子的实施方式常常具有有限的精度，这是因为它们是基于对实际和计算原因的假设的。为了获得解决方案，通常引入对模型参数的人为约束和正则化来稳定反演问题(Tarantola，2005和Zhdanov2002)。这些约束和正则化背后的假设通常是不精确的。

因此，结果产生的最终反演模型是所有这些限制、不精确性和误差之间的折衷。实际上，反演过程总是在具有相对应的局部最小值的吸引域中结束，该吸引域偏向于反演模型的某些部分和方面而牺牲模型的其它部分和方面。反演运行实际以哪个吸引域和相对应的局部最小值结束取决于初始模型、正则化参数、包括的数据点、各个数据点的权重以及所使用的优化算法。在不添加非常强有力的假设/约束的情况下，不同的反演驱动力之间的这种斗争的结果是难以控制的，如果假设不精确则有可能导致反演结果中的严重伪影。

常常希望尽可能精确地重建模型的某些部分和方面。然后可以接受对模型的其它较不重要的部分/方面进行较不精确的重建的代价。通常，调查目标的大小与要被反演的整个模型相比是非常小的。相对应地，主要对大模型背景敏感的数据点的数量与实际对目标敏感的若干数据点相比完全占优。因此，目标响应往往太弱而无法与其它强得多的反演驱动力竞争，这导致目标成像不良而背景成像相当好。

如上提到的，常规地使用约束和正则化来使反演搜索空间和结果聚焦(Tarantola和Zhdanov 2002)，例如，鼓励反演引擎促进反演模型的某些方面，例如，平滑度、密度异常、模型的某些部分的低/高值(Tarantola和Zhdanov 2002)。后文，我们使用术语正则化来表示约束和正则化两者。这种常规方法为模型驱动的聚焦反演(MDFI)：其直接应用于模型的属性。这种模型驱动的正则化的问题在于，反演模型被强制包含正则化所要求的属性，无论那些属性是否存在于真实模型中。

模型驱动的聚焦反演(MDFI)方法可以如下示出。让反演/优化问题找到使以下失配函数最小化的M维模型向量