本发明属于近地表勘探地震资料处理领域，涉及一种基于衰减核矩阵驱动的无监督反q滤波方法，特别是涉及地震资料成像过程中利用深度学习建立高效地近地表地震波振幅补偿方法。
背景技术：
1、反q滤波方法被广泛被用来进行地震波的衰减补偿，以提高地震资料的分辨率。随着地震勘探技术的发展，对地震资料成像精度的需求不断增加，为了更好的提供更精确的信息，反q滤波、gabor反褶积和q偏移等方法得到了迅速发展，特别是近地表调查应用中受到相关从业者的青睐。其中反q滤波方法也最为常用，反q滤波可以看作是地震波的反向传播过程，是一种能有效补偿由地层衰减效应引起的地震波振幅损失和相位畸变的方法，通过求取地层品质因子q，并带入到补偿函数中，能有效地补偿地震波在粘弹性介质传播过程中造成的能量损失和相位畸变，从而改善地震资料同相轴的连续性，增强深层弱反射波的能量，起到保幅和提高分辨率的作用。然而，该方法在实际应用中面临着诸多挑战，比如不均匀的高频噪声和复杂的地表环境，也同时具有运算效率低、振幅补偿不足等因素，会严重地影响地震资料的成像精度，导致无法有效分析地表结构体系。因此，随着补偿技术在近地表勘探的大规模应用，有学者对近地表的反q补偿技术进行了研究。目前有基于波场延拓理论的傅里叶变换的相位、稳定因子、变稳定因子和自适应增益限等，对数值稳定性、补偿强度、频率带宽以及相位校正可以在一定程度上改善效果，然而在效率与实际应用中还需要进一步拓展研究。
2、机器学习和深度学习已成功地应用于地球物理勘探的各个方面，并取得了良好的应用效果。例如地震初至自动拾取、地震数据高分辨率重建、地震数据去噪、地震数据重构、地震断层识别、地震相分类、储层参数预测、地震数据反演等。由于合成数据与实际数据存在一定差异，采用合成数据训练的网络很难用于实际补偿。从野外地震数据无法获得准确的反q滤波的标签，如果采用传统方法获得实际数据的标签，那么补偿效果最多与传统方法持平，甚至更差。因此，由于缺乏实际数据的训练集，且在监督学习中网络隐含参数的更新取决于网络输出与标签数据的损失不同，反q滤波任务不适合采用有监督学习的方式。这成为了深度学习方法在反q滤波中实际应用的重要难题。
技术实现思路
1、本发明的目的在于提供一种基于衰减核矩阵驱动的无监督反q滤波方法，本方法引入了衰减核矩阵物理模型，从而摆脱了对数据标签的依赖。该方法基于构建近地表衰减核矩阵，利用地震数据在dl网络进行反q滤波补偿预测，对网络的预测结果进行正演，再将正演结果和待补偿数据的误差反传给网络进行不断优化迭代直至收敛，从而达到了无监督学习的效果。
2、为实现上述目的，本发明采取的技术方案是：一种基于衰减核矩阵驱动的无监督反q滤波方法，其包括如下步骤：
3、步骤一：对已知叠前或叠后的地震资料进行数据重排，将原始待补偿数据输入到包含u-net网络的补偿模块中，通过网络模型的运算得到预测模型，也就是补偿后的地震数据；
4、步骤二：将已知近地表q值、速度模型建立近地表叠前或叠后衰减核矩阵输入到补偿后的数据中，得到衰减后的地震数据；
5、步骤三：将所有输入的待补偿数据与输出衰减后的地震数据进行误差计算，将误差反传回网络通过迭代更新网络参数，降低待补偿数据与衰减后的地震数据的误差，得到最优的网络参数；
6、步骤四：最后利用参数最优的网络模块直接得到补偿后的地震记录。
7、进一步的，所述步骤一中，对叠前或叠后进行数据选排主要包括：csp/crp双域道集、时频域归一化处理；把实际的反q滤波看成一个反演过程，使用res-unet网络模块并添加残差网络建立实现反q滤波的补偿，并按照顺序进行处理。
8、更进一步的，反演目标函数表示为：
9、
10、式中：bc为输出补偿后的数据；a为原始待补偿数据的波场，d为衰减核矩阵。
11、进一步的，所述步骤二中，由于近地表含有不同岩性分层，而地震波从震源出发到反射界面再返回地表经过了传播路径，通过地下层间传播路径和速度模型，去计算非零偏移距的层间旅行时，可通过零偏移距的层间旅行时外推计算，从而得到校正后的时间域q值模型和对应的衰减核矩阵，利用衰减核矩阵q模型进行地震波正向稳定吸收衰减；
12、
13、式中：t为时间；p(t,w)为t时刻处地震波波场；q为品质因子；w为角频率，w＝2πf；γ＝1/(πq)；
14、上述转为矩阵形式则有：
15、a＝c.*d(δt,q)
16、式中：其中c和a分别为衰减前后的波场(时频域数据)；d为衰减核矩阵，与近地表q值和δt有关；.*为矩阵点乘。
17、进一步的，所述步骤三中，将输入的待补偿数据与输出衰减后的地震数据进行误差计算，用正演得到的近地表q模型转换为不同的衰减核矩阵，然后将补偿后的地震数据和衰减核矩阵进行矩阵点乘得到正演的衰减后地震数据的波场，计算衰减后地震数据与待补偿数据误差，将误差反传回网络通过迭代更新网络参数ω'，训练epoch进行迭代，使待补偿数据与衰减后的地震数据的误差达到极小，得到最优的网络参数。
18、更进一步的，网络的mse损失函数为：
19、
20、式中：将原始待补偿数据的波场a输入到包含u-net网络的补偿模块，d为衰减核矩阵正演算子d，bc为输出补偿后的数据。
21、进一步的，所述步骤四中，将地震数据输入到参数最优的网络模块直接得到补偿后的地震记录。
22、综上，本发明的基本原理如下：
23、与传统反q滤波方法不同，我们将地层吸收衰减看成一个正演问题，反q滤波看成一个反演问题。通过构建近地表衰减核矩阵，对dl网络的预测结果进行正演,再将正演结果和待补偿数据的误差反传给网络进行不断优化迭代直至收敛，从而将由数据驱动的有监督学习转换为由物理驱动的无监督学习。首先，将待补偿数据作为dl网络输入，补偿后数据作为输出。然后，将输出送入由近地表q模型构建的衰减核矩阵中进行正演衰减。接着，利用正演得到的衰减地震数据与原始输入数据之间的误差，通过优化网络参数使误差达到最小，输出最终补偿结果。在整个网络预测过程中，无需制作数据标签，达到了无监督学习的效果。理论模型数据和实际地震资料的应用结果表明，与常规的反q滤波方法相比，无监督方法可有效补偿地震信号，且数值稳定性高，方法提高了地震记录的分辨率和信噪比。
24、与现有技术相比，本发明的有益效果是：
25、第一、方法原理的可靠性。主要使用理论基础较为成熟的深度学习网络框架，通过将深度学习网络与物理方程相结合，可以让深度学习的不可解释性变得具有物理意义，从而将由数据驱动的有监督学习转换为由物理驱动的无监督学习，同时由正向衰减避免了反向补偿的数值不稳定性，证明了方法的可靠性。
26、第二、方法原理的高效性，在其他传统反q滤波补偿方法中，由于计算效率低、稳定性与泛化性差。相比之下该方法具有稳定的网络结构模型且无需制作数据集、无需考虑泛化性等特点、无需太多人工干预，是一种简单、高效的反q滤波补偿方法。
27、第三、实际结果的稳定性。在实际处理过程中，首先会考虑高频噪声、低频损失以及数值稳定性问题，同时也证明了无监督反q滤波方法有更好的补偿效果与抗噪能力。实际数据的应用结果表明，补偿有效提高了分辨率，且与工区内井数据吻合较好，有利于进一步的构造解释和储层预测，证明了方法的实用性和稳定性。
28、本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。