[发明专利]基于弱监督生成对抗网络提高地震资料分辨率方法及系统

说明书

本发明公开了一种基于弱监督生成对抗网络提高地震资料分辨率方法及系统，对属于不同工区的两块三维地震数据进行归一化处理；划分训练集和测试集；在训练区域内采用随机抽取的方式获得训练样本对；将低分辨率地震数据送入到前向生成器中；将前向生成器的输出送入到反向生成器中；将前向生成器的输出和对应的高分辨率标签共同送入到判别器中进行判别；交替训练生成器和判别器，不断更新网络参数直到模型收敛，训练结束后，将整块低分辨率地震数据送入到前向生成器中进行测试，得到最终的高分辨结果。本发明能够在没有配对的输入和标签的前提下，学习到高分辨率地震数据的分布特征，准确、有效地恢复出原始地震数据的高频信息。

技术领域

本发明属于地震勘探数据处理技术领域，具体涉及一种基于弱监督生成对抗网络提高地震资料分辨率方法。

背景技术

地震子波在地下传播过程中，由于地层吸收、非弹性衰减和层间反射的影响，使得高频分量迅速衰减，子波波形展宽，分辨率降低。提高地震资料的分辨率对于精确地解释地层结构具有重要的意义。

现有技术1：传统方法：传统提高地震资料分辨率的方法主要有反褶积、谱白化和反Q滤波等。这些方法需要满足一些假设条件，具有一定的局限性，例如谱白化方法假设反射系数序列的谱是白的，反褶积方法假设子波是最小相位的，反Q滤波方法估计出来的Q值不准确等，因此传统方法恢复出来的结果仍存在不理想的地方。

现有技术2：强监督方法：深度学习具有提取多层特征、将低层特征重组以获取高层抽象特征的能力，擅长从数据本身挖掘信息。目前利用深度学习提高地震资料的分辨率的方法主要是基于强监督学习。例如基于有监督学习的U-net网络能够实现单道地震数据的高分辨率处理，基于有监督学习的生成对抗网络能够提高三维地震资料的分辨率，基于优化的生成对抗网络架构(OGAN)能够实现稀疏地震数据超分辨率重建。然而这些方法都是强监督的，需要传统方法所得到的高分辨率结果作为标签，低分辨率数据要与高分辨率标签一一对应，网络学习的效果也受限于标签的好坏。又由于传统方法也存在一定的局限性，使得一个好的标签的获得十分困难。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于弱监督生成对抗网络提高地震资料分辨率方法，利用循环生成对抗网络，从低分辨率地震数据学习与之不相关的高分辨率地震数据的特征，实现弱监督的学习过程。

本发明采用以下技术方案：

基于弱监督生成对抗网络提高地震资料分辨率方法，包括以下步骤：

S1、对属于不同工区的低分辨率地震数据和高分辨率标签数据进行归一化处理；

S2、从步骤S1归一化处理后的数据中划分一部分作为训练集；

S3、采用随机抽取的方式从步骤S2划分的训练集中获得训练样本对；

S4、设置循环生成对抗网络模型的参数；

S5、将步骤S3获得的训练样本对中的低分辨率地震数据送入步骤S4设置的循环生成对抗网络模型的前向生成器中，得到高分辨结果G(x)；

S6、将步骤S5前向生成器的高分辨结果G(x)送入步骤S4设置的循环生成对抗网络模型的反向生成器中，得到对应的低分辨率结果，用于计算前向生成器的损失；

S7、将步骤S5得到的高分辨结果G(x)和步骤S3训练样本对中的高分辨率标签数据共同送入步骤S4设置的循环生成对抗网络模型的判别器中进行判别，确定判别器的损失函数；

S8、联合训练步骤S5的前向生成器和步骤S6的反向生成器，并与步骤S7的判别器交替训练，反复迭代更新网络参数直到模型收敛，当前向生成器的输出被判别为真时训练完成；

S9、将低分辨率地震数据作为测试集送入步骤S8训练好的前向生成器中进行测试，得到最终的高分辨结果。