地震属性提取与_配合软件终稿.pptVIP

波形聚类分析（Waveform Classification） GeoEast提供两种波形聚类方法： 时间域波形聚类方法，适用于等厚层段 频率域波形聚类方法，适用于不等厚层段 波形分类分析技术是在无监督情况下利用神经网络技术对地震波形进行分类处理。 时间域波形聚类方法： 1）提取的层段间隔要求是等厚的； 2）对层位解释要求比较高。 频率域波形聚类方法：利用高精度时频分析技术，把时间域的波形转换到频率域，再对等长度的频率域振幅谱或者相位谱的波形进行分类。 特点：针对分类数不易确定问题增加了分类数质控功能。 波形聚类-界面及主要参数 Classifying Process Parameters 聚类处理参数Method 聚类分析方法 Shape 常规波形聚类分析方法 Spectrum 频谱聚类分析方法。如果选择的是Horizon-Horizon方式，则只能使用此方法 Discrimination 判别准则 Correlation 相关方法 Euclidean Dis 欧式距离方法 Resampling 是否进行重采样 Normalization 是否进行标准化 Line Int. 线间隔 CMP Int. 道间隔 Alpha 学习速率，值域0~1.0之间，缺省设置此值为0.6。 Epsilon 类间误差，若没进行标准化，则此参数设置为0～100之间，缺省值为40；若进行了标准化，此参数设置为0～1之间，缺省值为0.1。 Class Number 分类数，此参数设置为2～20之间，缺省设置为5。分类数大，结果过于详细，分类数小结果过于粗糙， Class QC 进行聚类数分析质控 Smooth Parameters 聚类结果平滑参数Smooth 是否需要做平滑 Structure Element Template 结构元素参数。第一个参数：结构元素的宽度，第二个参数：结构元素的的高度，这两个参数的取值范围为1，3，5，7，缺省设置为3。 主要功能： 体属性的提取与分析 沿层属性的提取与分析 油藏描述技术：储层预测及油气检测 波形聚类分析方法 二维工区地震属性提取与分析 从界面上看与3D工区的差别 本讲座小结 通过本讲座的学习，我们应围绕本子系统的四大功能： 熟悉二、三维地震数据体属性提取方式与应用 了解和掌握沿层地震属性提取与分析方法 掌握油气检测和储层岩性物性预测技术 学会不同沉积环境下（如：碎屑岩、碳酸盐、火山岩等）的储层预测、油气检测及地震相的分析方法及软件操作。 * * * * * * * * * (1)通过什么实现精度差异？(2)GLCM step具体含义？(3)在道数及样点数范围内生成灰度共生矩阵？ * * C均值聚类算法：求欧式距离最短原则进行分类； 具有拒绝决策的K近邻：求某一点离k个中心点的距离，按距离最近的原则，将此点分到该类中 * 定量解释：在定性分析的基础上，用户可以对SOM密度图进行半定量的分析解释，方法是利用系统提供的交互分析工具，参照定性分析的结果，将密度提上每一节点赋予一个连续的数据，根据用户需要这一数值可以是某种可能性或者是打分值。举例来说，如果用户在定性分析的时候划分了1，2，3，4四个类，经过分析可知其中第1类对应于储层性质最好，含油可能最大的一类，而第3类则对应于最不可能含油的一类，第2，4两类介于二者之间，那么用户可以在半定量解释时将第1类的中心位置赋予一个较大的分值（比如100），而将第三类的中心位置赋予一个较小的分值（比如0），再根据在密度图上的相对位置关系逐一将其它位置打分，然后映射回地质空间，便可得到一种对本地区含油可能性分布的半定量估计结果。 * 我们对参数进行了深一步的研究。拒识阀值是AdaBoost方法中主要参数，为[0,1]之间的浮点数。该数越大，对数据的类间距要求越高，可能出现较多拒绝识别的情况，即归为0类的样本越多。若此值为0，则没有拒识样本，即最终结果没有0类。图是延长油矿油气预测的实例，可以看出随着拒识阀值的增加，红色区域越来越大，即拒识样本越来越多。 * 上面这两种方法看上去很不错，但是由于它们操作起来比较困难，另外只处于发展阶段，还没有大规模的应用，而波形分类方法是比较成熟的地震相分析方法，近十年在地震相分析和储层预测中应用非常广泛。因此我们重点还是研究波形分类方法。 波形分类方法的基础是认为，地震波形的总体变化与岩性、岩相的变换密切相关，任何与地震波传播有关的物理参数变化都可以反映在地震道波形变化上。因此，通过对地震波形变化进行分析和分类，找出波形变化的总体规律，为地震相的划分提供了依据。 波形分类是使用神经网络技术对地震波形进行分类处理。学习阶段，神经网络对地震数据目标层段选取的训练样本进行学习，通过多次迭代，构建模型道，