[发明专利]地震数据负面样本识别方法及装置

权利要求书

1.一种地震数据负面样本识别方法，其特征在于，包括：

通过求取坐标平均值的方式，将预获取的历史地震数据中的实际炮线和实际检波线的位置信息分别变换为理论炮线和理论检波线的位置信息；

获取实际炮线和理论炮线之间的第一距离，以及所述实际检波线和理论检波线之间的第二距离；

根据所述第一距离与相邻炮点之间的距离值，以及所述第二距离与相邻检波点之间的距离值，确定测线不规则异常的历史地震数据样本；

应用所述实际炮线、实际检波线与所述测线不规则异常的历史地震数据样本训练得到测线不规则异常机器学习模型；

根据历史地震数据中的地质调查报告确定目标工区的替换速度；

基于替换速度和预设的观测系统中的偏移距值，确定偏移距对应的时间；

由偏移距作为横坐标，对应的时间作为纵坐标，以形成对应的曲线；

根据所述历史地震数据中的最小偏移距的位置与所述曲线的时间最小值，确定观测位置异常的历史地震数据样本；

应用所述观测位置异常的历史地震数据样本与所述曲线训练得到观测位置异常机器学习模型；

获得历史地震数据中的振幅值等于0的单道数据，或者，获取历史地震数据中的振幅值大于或小于100倍的相邻地震道的振幅值的单道数据；

应用所述单道数据训练得到数据缺失异常机器学习模型；

对历史地震数据中的与目标地震道相邻的地震道中的一道进行时移；

应用所述目标地震道与时移后的地震道训练得到时差异常机器学习模型；

应用预设的机器学习模型对地震数据进行样本类型识别，得到对应的识别结果；

若所述识别结果中包含有观测系统异常的地震数据样本和/或数据异常的地震数据样本，则将该识别结果标记为所述地震数据的负面样本；

所述应用预设的机器学习模型对地震数据进行样本类型识别，得到对应的识别结果，包括：

应用预设的测线不规则异常机器学习模型对地震数据进行样本类型识别，得到对应的第一识别结果，其中，该第一识别结果用于表示所述地震数据中是否包含有测线不规则异常的地震数据样本；

应用预设的观测位置异常机器学习模型对地震数据进行样本类型识别，得到对应的第二识别结果，其中，该第二识别结果用于表示所述地震数据中是否包含有观测位置异常的地震数据样本；

应用预设的数据缺失异常机器学习模型对地震数据进行样本类型识别，得到对应的第三识别结果，其中，该第三识别结果用于表示所述地震数据中是否包含有数据缺失异常的地震数据样本；

应用预设的时差异常机器学习模型对地震数据进行样本类型识别，得到对应的第四识别结果，其中，该第四识别结果用于表示所述地震数据中是否包含有时差异常的地震数据样本。

2.根据权利要求1所述的地震数据负面样本识别方法，其特征在于，所述应用预设的测线不规则异常机器学习模型对地震数据进行样本类型识别，得到对应的第一识别结果，包括：

将所述地震数据中的单炮地震记录的炮点和检波点坐标输入所述测线不规则异常机器学习模型，并将该测线不规则异常机器学习模型的输出作为所述第一识别结果。

3.根据权利要求1所述的地震数据负面样本识别方法，其特征在于，所述应用预设的观测位置异常机器学习模型对地震数据进行样本类型识别，得到对应的第二识别结果，包括：

将所述地震数据中的单炮地震记录和由替换速度与偏移距求得的曲线输入所述观测位置异常机器学习模型，并将该观测位置异常机器学习模型的输出作为所述第二识别结果。

4.根据权利要求1所述的地震数据负面样本识别方法，其特征在于，所述应用预设的数据缺失异常机器学习模型对地震数据进行样本类型识别，得到对应的第三识别结果，包括：

将所述地震数据中的单炮地震记录分区输入所述数据缺失异常机器学习模型，并将该数据缺失异常机器学习模型的输出作为所述第三识别结果。

5.根据权利要求1所述的地震数据负面样本识别方法，其特征在于，所述应用预设的时差异常机器学习模型对地震数据进行样本类型识别，得到对应的第四识别结果，包括：

将所述地震数据中的与单炮地震相邻的地震道输入所述时差异常机器学习模型，并将该时差异常机器学习模型的输出作为所述第四识别结果。