基于机器学习的频散曲线自动拾取方法

本发明属于面波勘探，尤其涉及基于机器学习的频散曲线自动拾取方法。

背景技术：

1、面波勘探是浅地表地球物理勘探领域中常用的工具，可用于获取地下介质的速度结构信息，具有采集数据方便、分辨率高、反演速度快等优点。频散曲线的提取是面波勘探的核心任务，它提供了有关地下介质速度的重要信息，对地质结构研究和地震风险评估具有重要意义。

2、频散曲线的提取方法通常是将原始地震数据通过相移法、频率-波数(f-k)变换法、小波变换法、线性拉东变换法、τ-p变换法等方法，获得频散能量图，然后通过手动拾取频散曲线。

3、然而，传统的手动提取频散曲线需要依赖人工的主观判断和操作，因此结果可能会受到操作者的主观偏差的影响。不同的操作者可能会有不同的理解和判断，导致提取结果的不一致性，且手动提取频散曲线需要操作者逐个拾取曲线上的点，当面对大规模的数据集或频繁的频散曲线提取需求时，人工提取频散曲线可能变得非常耗时和繁琐，需要大量的时间和人力资源，无法实现高效的大规模曲线提取。针对频散曲线需要手动提取的情况，提出一种计算机自动拾取频散曲线的方法。

技术实现思路

1、为解决上述技术问题，本发明提出基于机器学习的频散曲线自动拾取方法，通过阈值或聚类方法将频率-速度域图像分为两类，设定其中一类对应于频散曲线所在区域，并且在有识别区域范围内按频率取振幅的最大值来确定频散曲线的坐标，从而实现频散曲线的自动拾取，能避免人工手动提取频散曲线，减小地震数据处理工作量，对大规模地震数据处理具有重大意义。

2、为实现上述目的，本发明提供了基于机器学习的频散曲线自动拾取方法，包括：

3、对地震数据进行预处理；

4、基于预处理后的所述地震数据，利用预设分类算法，获取频散曲线所在区域；

5、对所述频散曲线所在区域进行提取，获取最终的频散曲线。

6、可选地，对地震数据进行预处理包括：

7、对所述地震数据做f-k变换，使所述地震数据从时间域变换到频率-速度域；

8、对变换后的所述地震数据进行光滑处理。

9、可选地，对变换后的所述地震数据进行光滑处理包括：

10、采用均值滤波方法，通过滑动窗口，利用窗口中所有像素的平均值来代替窗口中心点的像素，实现对变换后的所述地震数据进行光滑处理。

11、可选地，所述预设分类算法包括：最大类间方差二次分割阈值方法或k均值聚类算法。

12、可选地，利用所述最大类间方差二次分割阈值方法，获取频散曲线所在区域包括：

13、步骤1.获取预处理后的所述地震数据的灰度分布直方图，将所述灰度分布直方图中的图像像素按灰度值，划分为两类，并获取两类的均值m1,m2以及全局均值mg，以及两类中分得的像素点的个数占总像素个数的比例p1,p2；

14、步骤2.基于所述均值m1,m2、全局均值mg和比例p1,p2，获取类间方差；

15、步骤3.遍历所述灰度分布直方图中所有灰度值，获取所有灰度值产生的类间方差，选取所有灰度值产生的类间方差中的最大值，将所述最大值所对应的灰度值作为初始最佳阈值，取所述灰度分布直方图中所有大于所述初始最佳阈值的像素值；

16、步骤4.根据步骤3二次求取所有大于所述初始最佳阈值的像素值的最终的最佳阈值；

17、步骤5.基于最终的所述最佳阈值，利用预设流程方式进行阈值，获取频散曲线所在区域。

18、可选地，所述预设流程方式为：

19、

20、其中，h(f，v)表示阈值结果，即频散曲线所在区域，f′(i，j)表示光滑后的频率-速度域图像，k2表示最终的最佳阈值。

21、可选地，利用k均值聚类算法，获取所述频散曲线所在区域包括：

22、s1.随机选取预处理后的所述地震数据中的k个数据作为初始中心；

23、s2.基于所述初始中心，对预处理后的所述地震数据进行分类；

24、s3.获取各分类后的质心，将所述质心作为新的聚类中心；

25、s4.重复s2-s3，直到聚类不再发生变化或达到最大迭代次数；

26、s5.获取各分类的均值，其中均值最大的一类即为频散曲线所在区域范围。

27、可选地，对预处理后的所述地震数据进行分类包括：

28、分别获取预处理后的所述地震数据中各点到各个所述初始中心的欧氏距离；

29、基于所述欧氏距离，将各点归类为距离最短的一个中心中，完成分类。

30、可选地，获取最终的所述频散曲线包括：

31、对所述频散曲线所在区域进行去噪；

32、遍历去噪后的所述频散曲线所在区域，对所述频散曲线所在区域中的每个频率选取该频率下非零的、幅值最大的点的坐标，遍历完毕后获得最终的所述频散曲线。

33、可选地，所述欧氏距离为：

34、

35、其中，(m1,n1),(m2,n2)分别为两点在f′(f,v)中的坐标位置，f′(m1,n1)，f′(m2,n2)为两个点所对应的值，dp,q为不同两点p,q之间的欧氏距离。

36、与现有技术相比，本发明具有如下优点和技术效果：

37、通过对频率-速度域图像进行分析，引入了最大类间方差法与k均值聚类方法，通过阈值或聚类方法将频率-速度域图像分为两类，设定其中一类对应于频散曲线所在区域，并且在有识别区域范围内按频率取振幅的最大值来确定频散曲线的坐标，使得计算机可以自动提取出面波数据所对应的频散曲线。该方法能避免人工手动提取频散曲线，减小地震数据处理工作量，对大规模地震数据处理具有重大意义。数值实验证明，该方法可以较准确的从频率-速度域图像中提取频散曲线。

技术特征：

1.基于机器学习的频散曲线自动拾取方法，其特征在于，包括：

2.根据权利要求1所述的基于机器学习的频散曲线自动拾取方法，其特征在于，对地震数据进行预处理包括：

3.根据权利要求2所述的基于机器学习的频散曲线自动拾取方法，其特征在于，对变换后的所述地震数据进行光滑处理包括：

4.根据权利要求1所述的基于机器学习的频散曲线自动拾取方法，其特征在于，所述预设分类算法包括：最大类间方差二次分割阈值方法或k均值聚类算法。

5.根据权利要求4所述的基于机器学习的频散曲线自动拾取方法，其特征在于，利用所述最大类间方差二次分割阈值方法，获取频散曲线所在区域包括：

6.根据权利要求5所述的基于机器学习的频散曲线自动拾取方法，其特征在于，所述预设流程方式为：

7.根据权利要求4所述的基于机器学习的频散曲线自动拾取方法，其特征在于，利用k均值聚类算法，获取所述频散曲线所在区域包括：

8.根据权利要求7所述的基于机器学习的频散曲线自动拾取方法，其特征在于，对预处理后的所述地震数据进行分类包括：

9.根据权利要求1所述的基于机器学习的频散曲线自动拾取方法，其特征在于，获取最终的所述频散曲线包括：

10.根据权利要求8所述的基于机器学习的频散曲线自动拾取方法，其特征在于，所述欧氏距离为：

技术总结
本发明公开了基于机器学习的频散曲线自动拾取方法，包括：对地震数据进行预处理；基于预处理后的所述地震数据，利用预设分类算法，获取频散曲线所在区域；对所述频散曲线所在区域进行提取，获取最终的频散曲线。本发明能避免人工手动提取频散曲线，减小地震数据处理工作量，对大规模地震数据处理具有重大意义。

技术研发人员：曹静杰,许昌昊,蔡志成,殷晗钧,魏亚杰,杨贺龙,杨歧炎
受保护的技术使用者：河北地质大学
技术研发日：
技术公布日：2024/3/11