基于字典学习的多震源数据高效高精度最小二乘偏移方法研究

The technology of simultaneous-source exploration obtains blended data from several sources, which can greatly accelerate the efficiency of field seismic data acquisition. At present, the imaging of simultaneous-source data can be divided into two methods: separation before migration and direct migration. The direct migration of blended data is more efficient, but it will result in intense artifacts caused by the crosstalk noise and affects the imaging quality. In this research, we are proposing a wave equation least-squares reverse time migration method based on dictionary learning with sparse constraints to solve the crosstalk noise suppression problem in simultaneous-source imaging. Firstly, we research on the dictionary learning sparse representation theory of simultaneous-source migration data, including the development of new dictionary learning method and sparse optimization algorithm. Secondly, based on the characteristics of crosstalk noise in simultaneous-source migration, we solve the difficulties of dictionary learning in suppressing noise, including the separation of signals and noise with small difference in dips. Then the algorithm of dictionary learning sparse representation combined with least-squares migration is studied. Finally, the proposed method is applied to the field data processing, and the parallel algorithm is used to improve computing efficiency. Through the above research system, we intend to develop a theory system of high efficient and accuracy least-squares migration for simultaneous-source seismic data based on dictionary learning, which will provide a new technical support for direct migration of blended data and has important theoretical significance and practical value for the development of simultaneous-source imaging technology.

多震源地震勘探技术同时采集来自多个震源的混叠数据，极大地提高采集效率。目前，对多震源数据的成像分为先分离再偏移和直接偏移两种方法。多震源数据的直接偏移效率更高，但是会导致强烈的串扰噪声，影响成像质量。因此，本项目拟提出基于字典学习稀疏约束的波动方程最小二乘逆时偏移方法，以解决一直困扰多震源直接偏移的串扰噪声问题。首先开展多震源成像域数据的字典学习稀疏表示理论研究，包括开发优化的字典学习方法以及稀疏优化算法；其次针对多震源偏移串扰噪声的特征，解决字典学习在压制噪声时存在的难点，包括倾角差异较小的信号和噪声的分离问题；然后开展字典学习稀疏表示与最小二乘偏移联合求解的算法研究；最后，将该方法应用于实际资料处理，采用并行算法提高计算效率。通过以上研究系统形成基于字典学习的多震源数据高效高精度最小二乘偏移理论，为多震源数据直接偏移提供新的技术支撑，对多震源成像技术的发展具有重要的理论意义和实用价值。

针对多震源数据的直接偏移效率更高，但是会导致强烈的串扰噪声，影响成像质量的问题，项目开展了基于字典学习的多震源数据高效高精度最小二乘偏移方法研究。首先，开展多震源成像域数据的字典学习稀疏表示理论研究，包括开发优化的字典学习方法以及稀疏表示算法；然后，开展字典学习稀疏表示与最小二乘偏移联合求解的算法研究；在此基础上，利用字典学习正则化约束多震源数据最小二乘偏移；最后，将该方法应用于实际资料处理，形成了基于字典学习的多震源数据高效高精度最小二乘偏移方法。结果表明：1）相对于固定基函数，字典学习利用观测数据自适应学习和表征，具有更强的多震源成像域数据稀疏表示能力，因而能更有效地刻画信号的特征；2）字典学习稀疏约束的多震源数据最小二乘偏移方法成像精度优于常规的最小二乘偏移，成像剖面光滑，取得了较好的效果；3）非相干字典学习减少了字典原子之间的相关性，比常规字典学习方法能更好地保护有效信号。在去除长波长噪声的同时，很好地保留了偏移剖面上的小尺度分量，非相干字典学习稀疏约束的多震源数据最小二乘偏移结果成像精度更高；4）由于串绕噪声形态较为复杂，通过提升字典学习方法的稀疏表示能力，可以进一步改进成像的精度。因此，项目继续研究了优化的字典学习方法以及稀疏表示算法，包括：1）数据驱动紧框架快速字典学习（提升计算效率）；2）变分稀疏表示峰度引导自适应字典学习（去除相干噪声）；3）卷积字典学习方法（探索字典学习与深度学习的交叉融合）等。下一步计划将新的优化字典学习方法应用于多震源数据直接偏移串绕噪声的压制，进一步提高偏移成像的精度。通过以上研究系统形成基于字典学习的多震源数据高效高精度最小二乘偏移技术体系，为多震源数据直接偏移提供新的技术支撑，对多震源成像技术的发展具有重要的理论意义和实用价值。