[发明专利]基于减采样的重构低频数据多尺度全波形反演方法及装置

说明书

一种基于减采样的重构低频数据多尺度全波形反演方法，包括以下步骤：获取地表观测数据；将所述地表观测数据通过滑动减采样方法重构缺失的低频部分的数据；将得到的重构数据进行数据处理；将处理后的重构数据使用多尺度方法构建背景速度模型，并将所述背景速度模型作为传统全波形反演的初始速度模型，进行迭代后即得到反演结果。本发明利用滑动减采样方法选取与真实观测数据互相关值最大的采样点插值重构低频数据；本发明利用重构的低频数据在全频段上分为0‑8Hz和全频段两个尺度的时间域全波形反演得到较高精度的速度模型。将其作为传统全波形反演的初始模型，缓解了全波形反演的跳周现象。

技术领域

本发明涉及低频地震信号的恢复技术领域，尤其涉及一种基于减采样思想的重构地震数据缺失的低频信号，并结合多尺度思想实现全波形反演。

背景技术

全波形反演(FWI，Full waveform inversion)方法是依托采集的所有波形信息，通过匹配模拟数据与观测数据来进行地下介质模型的构建。模拟数据的生成需要利用弹性波波动方程来描绘地震波在地下介质当中的传播过程。由于拟合数据的复杂性，基于最小化目标泛函的局部优化问题也存在着大量的局部最小值。这些局部最小值将会使得反演结果偏差巨大，且错误的反演速度模型也将使得偏移成像结果存在巨大误差。在初始模型较差的情况下，由于模拟数据与观测数据的巨大差异，发生周波跳跃现象陷入局部最小值的现象尤其明显。减少全波形反演的非线性，避免陷入局部最小值，低频数据起到了非常重要的作用。有研究表明极低频数据(1.5-2.0Hz)对于恢复地下长波长结构起到了极为重要的作用。现有技术提出了Laplace域的全波形反演方法，通过阻尼波场的零频分量来构建大尺度低波数的背景速度模型，将其用作频率域全波形反演的初始模型，降低了传统方法陷入局部最小值的问题。有学者基于地震波传播方向的特点，将反演迭代的梯度分解为层析成像和偏移成像两部分，并使用层析成像部分实现长波长的速度背景模型反演，但该方法并不能有效避免周波跳跃现象。又有学者研究通过将梯度变换到角度域并剔除小散射角度部分，以得到低波数结构，但该方法需要做大量的三维傅里叶变换从而导致计算效率很低。于是，有人提出通过将偏移成像中的时移成像条件引入到反演梯度当中，能够很自然的在时间域对梯度进行低波数长波长提取，并不会显著提升计算量。

针对目前缺失低频影响反演结果的问题，许多学者从各个方面提出了解决办法。第一类是通过改善全波形反演最优化问题的目标函数的凸性以避免局部最小值，包括全新的基于最优输运理论的数据变换形式，提升了反问题的稳定性和凸性，增大了反演问题的收敛半径。Luo和Sava在2011年提出了一种新的目标函数，该方法旨在最小化模拟数据与观测数据之间的带惩罚项的反褶积系数，数值算例同样表现出该目标函数良好的凸性。第二类方法旨在基于深度学习方法，通过基于大量成对的速度模型和对应的地震记录，实现卷积神经网络的训练，以实现地震观测记录向速度模型的直接映射。第三类方法则是通过直接拓展低频数据以实现从低频到高频的多尺度全波形反演。这一类拓展低频的方法主要分为两个部分，一部分是传统算法，包括通过地震数据包络来实现极低频数据的获取，通过稀疏盲反演获得地下反射系数并进一步重构低频数据。另一部分则是近些年发展的基于神经网络的，通过训练成对高频和低频数据，以实现高频数据到低频数据的直接映射。

近些年的研究表明数据低频段1.5-2Hz对于恢复正确的背景速度模型起着至关重要的作用。但是实际情况当中，低频震源和低频的数据往往是很难获得的。当数据中需要提取的低频部分很微弱或缺失时，各类多尺度全波形反演方法通常很难达到预期的效果。低频数据对于反演速度模型中的长波长结构起着至关重要的作用。重构低频数据对于低频数据缺失时保持全波形反演的高精度至关重要。

发明内容

有鉴于此，本发明的主要目的在于提供一种基于减采样的重构低频数据多尺度全波形反演方法及装置，以期部分地解决上述技术问题中的至少之一。

为了实现上述目的，作为本发明的一方面，提供了一种基于减采样的重构低频数据多尺度全波形反演方法，包括以下步骤：

获取地表观测数据；