基于随机森林方法的地震插值方法研究.pdf

石油科学通报 2018 年3 月 第3 卷第 1 期：22-31 基于随机森林方法的地震插值方法研究 徐凯，孙赞东* 中国石油大学( 北京) 地质与地球物理综合研究中心，北京 102249 * 通信作者, szd@ 收稿日期: 2018-01-05 国家“十三五”重大专项“陆相页岩油甜点地球物理识别与预测方法”课题(2017ZX05049-002) 资助 摘要 在地震数据的采集过程中，不可避免地会出现地震道缺失或者空间采样不足的情况，这样会产生坏道、 缺失道等现象，极大的影响了地震资料质量。想要解决该问题就必须进行地震插值。本文借助于机器学习思想， 以无缺失道数据为基础构建机器学习样本集，在此基础上利用随机森林回归预测算法学习各道各时间点振幅与 其临近道、时窗内的振幅的统计关系，然后根据临近道数据对缺失道进行补全。将本文所提出方法应用到模型 数据与实际采集数据中的缺失道补全处理，均取得良好应用效果，证明本文方法的正确性与有效性。 关键词 叠前数据处理；地震插值；随机森林；机器学习 0 引言 差滤波地震插值方法，实现了含假频的数据重构。上 述传统插值方法都是基于较为复杂的数学变换或者波 在地震勘探中，采集资料的准确与否对勘探结果 场重构理论，计算较为繁琐，而且在变换重构过程中 有着至关重要的作用。但是在地震资料的采集过程中， 需要多种近似，难以精确预测缺失地震道的真实情况。 由于地形、实际采集方法等条件限制，采集得到的地 机器学习方法在地球物理中得到了广泛的应用。 震数据经常会存在坏道、死道、空道等情况，严重影 目前应用主要集中于地震属性预测领域[10-14] 。在地震 响了后续的偏移解释等工作。地震插值是一种较为有 插值领域，机器学习方法应用较少。由于地震道缺失 效的解决该问题的方法。 问题可以看作是一个随机的、非线性的数学问题，而 地震插值主要有以下几种方法：(1) 基于变换域的 且地震道插值主要用了周围几道的的信息，所以本文 插值方法。该方法主要是将地震信号变化到其他域内 尝试采用机器学习中有监督学习，从局部规律学习的 进行操作，然后再反变换到时空域。主要有Radon 变 角度出发来进行缺失道数据的补全处理。有监督学习 换，Fourier 变换，曲波变换等方法。Fourier 变换方法 是一种从标签化训练数据集中推断出抽象函数的机器 是将其变换到波数域进行道集重建。在波数域可以实 学习技术，常见的算法包括决策树、神经网络、支持 现五维插值的效果[1-3] 。Sacchi[4] 等在反演的思想下实 向量机、梯度下降树和随机森林等算法。各类算法各 现了五维插值的方法。曲波变换是小波变换的另一种 有利弊，其中随机森林算法是由Brieman 于2001 年提 形式，可以较好的描述地震数据的稀疏特性，可以采 出的一种集成机器学习算法[15] ，可用于解决高维非线 用压缩感知的方法来进行插值[5-7] 。(2) 基于预测滤波 性的分类预测、回归预测与特征选择。它是Bagging 的插值方法。Spitz[8] 在f-x 域实现了基于预测滤波的插 集成学习算法[16] 的改进版本，大量实践证明随机森林 值方法，Claerbout[9] 在此基础上研究了t-x 域的预测误 能够有效解决高维非线性问题，是目前阶段被广泛使 引用格式：徐凯, 孙赞东.基于随机森林方法的地震插值方法研究. 石油科学通报, 2018, 01: 22-31 XU Kai, SUN Zandong. Seismic interpolation based on a random forest method. Petroleum Science Bulletin, 2018, 01: 22-31. doi: 10.3969/j.issn.2096-1693.2018.01.003 ©2016 中国石油大学( 北京) 清华大学出版社有限公司 基于随机森林方法的地震插值方法研究 23 [17]