摘要： 層位追蹤是地震資料解釋中一項基礎且重要的工作，常規(guī)智能層位追蹤方法的精度難以滿足實際生產(chǎn)需求。為此，提出了一種基于U2‐Net 的高精度多套層位追蹤方法。首先，設計一種充填標簽的制作方法，遍歷地震數(shù)據(jù)每個像素點，判斷當前像素點所在位置并為其劃分一個層位區(qū)域； 對于穿過斷層的層位，則自動搜尋相鄰層位，實現(xiàn)非全區(qū)層位、斷層等復雜條件下的地震反射層位及不整合面的充填標簽的制作； 然后，利用充填標簽，采用U2‐Net 網(wǎng)絡模型對F3 數(shù)據(jù)體和M 工區(qū)地震資料進行訓練。與U‐Net+PPM 網(wǎng)絡模型相比，U2‐Net網(wǎng)絡模型的預測精度更高，穩(wěn)定性更好，泛化性更強，訓練時間更短，且預測復雜地區(qū)的地震反射層位的準確率和平均交并比都大于95%。該方法可以較好地適應低信噪比地震資料的層位追蹤。

關鍵詞： U2‐Net，語義分割，層位標簽，多套層位追蹤，不整合面

中圖分類號：P631 文獻標識碼：A DOI：10. 13810/j. cnki. issn. 1000‐7210. 2024. 05. 001

0 引言

地震資料解釋一般可分為資料準備、剖面解釋、空間解釋和綜合解釋四個部分。其中地震反射層位追蹤是剖面解釋中的重要一環(huán)。傳統(tǒng)的層位追蹤方法主要依靠人工，并以三維可視化技術作為輔助手段[1]。傳統(tǒng)方法的優(yōu)點是層位追蹤精準度高，符合地質(zhì)規(guī)律，但極其耗費人力和時間。于是，發(fā)展了基于種子點的層位自動追蹤技術。鄭公營等[2]在主測線和聯(lián)絡線地震剖面上插入種子點，再根據(jù)一定的特征計算、尋找地震道之間的相似種子點，完成了層位自動追蹤。常用的特征主要有波形特征[3]和相關性[4]。這種技術可以在一定程度上降低人力成本[5]，但因受算法和數(shù)據(jù)的限制，在復雜地質(zhì)結(jié)構(gòu)且地震資料受噪聲的影響時，難以達到預期效果。

隨著深度學習技術的發(fā)展，越來越多的深度學習方法應用于地震資料解釋領域。楊夢瓊等[6]利用知識蒸餾的回歸方法追蹤層位，利用教師模型引導學生模型訓練，在訓練參數(shù)不冗雜的情況下實現(xiàn)了單一層位的追蹤。常德寬等[7]提出了基于主動學習的地震多層位解釋方法，利用半監(jiān)督思想和大量的未標注數(shù)據(jù)實現(xiàn)了多層位的追蹤。李海山等[8]用深度學習方法和相對年代地質(zhì)體追蹤層位，精度更高。但在復雜的地質(zhì)結(jié)構(gòu)中，當斷層多、地震反射較弱時，這些方法預測精度會較低，并且訓練時間更長。

為了解決上述問題，需要深度學習網(wǎng)絡具備像素級別處理的能力[9]。由此，可采用語義分割的思想，首先將地震剖面切割成多個含有語義的區(qū)塊，并區(qū)分每個區(qū)塊的語義類別，得到像素級別的語義標注圖[10]； 再利用二維卷積神經(jīng)網(wǎng)絡（CNN）能很好地學習圖像特征的特點進行訓練。如Wu 等[11]采用了編碼―解碼卷積網(wǎng)絡進行層位追蹤； Yang 等[12]采用了CNN 的層位自動追蹤； 朱振宇等[13] 采用了U‐Net 解釋了地震反射層位。然而這些二維卷積網(wǎng)絡的感受野有限[14]，需要加入多尺度特征融合模塊或空洞卷積才可以更好地利用上、下文特征去提高語義分割模型的準確性[15‐17]，但這仍會損失一部分細節(jié)特征，導致在用于非全區(qū)分布層位或者過斷層層位時預測效果不佳。

為了選擇合適的網(wǎng)絡模型，需要詳細了解語義分割和地震反射層位追蹤的特點。經(jīng)典的語義分割算法是：首先勾勒出圖像中各個物體的準確輪廓，對圖像中每個像素點進行判斷，并劃分一個對象類別[18]； 再將同一對象類型規(guī)定為同一個類標簽。與常規(guī)圖像處理方法不同，地震反射層位追蹤難點是：① 需要區(qū)分的類別較多。一般1 幅圖片僅包含2～4 個需要區(qū)分的主體，而1 幅地震剖面追蹤的層位可達10 個以上。②訓練數(shù)據(jù)較少。由于層位標注困難，部分地震數(shù)據(jù)體中只有少數(shù)剖面可用于訓練。③ 在圖像中層位位于相鄰主體區(qū)域的邊緣處時，要求算法對邊緣處的計算精度高。④分割的區(qū)域較大，判斷單個像素點的分類時，需要參考更多區(qū)域數(shù)據(jù)的上、下文特征，也就是需要更大的感受野。

U2‐ Net 是一種U 型結(jié)構(gòu)（雙層U 型嵌套）網(wǎng)絡[19]，設計了多個ReSidual U‐blocks（RSU）模塊，每個模塊中的感受野不同，使U2‐Net 網(wǎng)絡能夠融合不同大小感受野，充分利用上、下文信息提升預測精度，能夠找回在下采樣提取特征時所損失的一部分邊緣特征，數(shù)據(jù)量較少時也不容易過擬合。并且每個RSU 都是U 型結(jié)構(gòu)，大部分計算都在下采樣操作中，在不加大計算成本的情況下加深了網(wǎng)絡深度。

綜上所述，本文選用U2‐Net，利用多尺度特征和盡量少的標簽量提高預測精度。

深度學習的訓練中標簽至關重要。在Wu 等[11]的基于編碼―解碼卷積網(wǎng)絡進行層位追蹤和Yang等[12]的基于CNN 的層位自動追蹤中，都采用了非充填標簽，因背景占比過大，在預測時極易出現(xiàn)跳點和連續(xù)性不好的情況。朱振宇等[13]在基于U‐Net 的地震反射層位追蹤中使用了充填標簽，但是充填標簽的制作方法沒有涵蓋非全區(qū)分布的層位或過斷層的層位。

為此，本文采用全新的充填標簽制作方法，即遍歷地震數(shù)據(jù)每個像素點，判斷當前像素點所在位置并為其劃分一個層位區(qū)域。對于穿過斷層的層位，則自動搜尋相鄰層位，實現(xiàn)非全區(qū)分布層位、斷層等復雜條件下的地震反射層位及不整合面的充填標簽的制作。最后，采用U2‐Net 網(wǎng)絡模型對F3 數(shù)據(jù)體和M 工區(qū)地震資料進行訓練，以測試本文方法的效果和適用性。

1 方法原理

1. 1 網(wǎng)絡模型

與U‐Net 不同，U2‐Net 采用了RSU 模塊。

1. 1. 1 RSU 模塊

RSU 模塊的作用主要是捕獲數(shù)據(jù)的多尺度特征，根據(jù)深度的不同可以進一步細分為RSU ‐ 7、RSU‐6、RSU‐5 和RSU‐4 模塊。以RSU‐7 （圖1）為例，RSU 模塊由三部分組成：①卷積輸入層。包含1 個Conv＋BN＋ReLU 層。②U 型的編碼―解碼結(jié)構(gòu)。左側(cè)為編碼結(jié)構(gòu)，由L ? 2 個（L 為當前RSU 模塊的深度）上采樣×2＋Conv＋BN＋ReLU層和1 個Conv＋BN＋ReLU 層組成； 右側(cè)為解碼結(jié)構(gòu)，由L ? 2 個下采樣×1/2＋Conv ＋ BN ＋ReLU 層和1 個Conv＋BN＋ReLU 層組成。③特征拼接層。底部卷積采用膨脹卷積，膨脹率為2。