關(guān)鍵詞：地震屬性，儲(chǔ)層預(yù)測(cè)，Stacking集成學(xué)習(xí)，分頻，智能融合

0引言

地震屬性能有效反映地下地質(zhì)信息，在油氣勘探、開發(fā)的各個(gè)階段均扮演著重要角色，已廣泛應(yīng)用于構(gòu)造與地層解釋[1-3]、儲(chǔ)層預(yù)測(cè)[4-6]、烴類檢測(cè)[7-8]等方面。目前地震屬性分析技術(shù)主要有兩個(gè)研究方向[9]，分別是研發(fā)新的地震屬性[10-11]和發(fā)展地震多屬性融合技術(shù)[6，12-13]。地震屬性種類繁多，能夠在不同角度表征油氣儲(chǔ)層。新研發(fā)的地震屬性易與現(xiàn)有的地震屬性之間存在“明顯”的數(shù)據(jù)冗余問題，由此增加了研發(fā)“高優(yōu)勢(shì)”地震屬性的難度。相反，地震多屬性融合技術(shù)在儲(chǔ)層預(yù)測(cè)領(lǐng)域已取得良好的應(yīng)用效果，其方法眾多，可大致分為線性模型融合、非線性模型融合和顏色模型融合（如RGB顏色模型）等[9，14-15]。近年來，隨著人工智能技術(shù)的迅速發(fā)展，機(jī)器學(xué)習(xí)方法逐步用于地震多屬性融合。此類方法主要是通過學(xué)習(xí)井點(diǎn)儲(chǔ)層的先驗(yàn)信息，建立井、震數(shù)據(jù)之間的非線性映射關(guān)系，再利用支持向量機(jī)（SVR）[16-17]、BP神經(jīng)網(wǎng)絡(luò)[18]、極限學(xué)習(xí)機(jī)[19-20]和隨機(jī)森林[21]等機(jī)器學(xué)習(xí)方法定量預(yù)測(cè)儲(chǔ)層。

常見的地震屬性融合方法主要是基于單類機(jī)器學(xué)習(xí)算法，缺少對(duì)多類算法的集成[16-18，21]。由于地下儲(chǔ)層結(jié)構(gòu)復(fù)雜、非均質(zhì)性強(qiáng)[22-23]，不同油氣田甚至同一油氣田的不同位置或不同層段，適合的融合算法也不同，因此亟需探索多算法集成的屬性融合方法，以提升地震屬性融合方法的泛化能力。

為此，本文提出了一種基于Stacking集成學(xué)習(xí)的分頻地震屬性融合方法，旨在提高儲(chǔ)層預(yù)測(cè)精度。首先，將地震資料進(jìn)行分頻處理，分析不同頻段數(shù)據(jù)體的地震屬性特征；其次，采用相關(guān)性分析和無監(jiān)督聚類技術(shù)，優(yōu)選地震屬性；然后，設(shè)計(jì)Stacking框架，集成Bagging-SVR（Bg-SVR）、Multi-LayerPerceptron（MLP）、LightGBM（LGB）、Bagging-KNearestNeighbor（Bg-KNN）和核主成因多層感知機(jī)（KPCA-MLP）模型，并利用集成后的模型融合多個(gè)頻段的地震屬性，實(shí)現(xiàn)儲(chǔ)層定量預(yù)測(cè)；最后，使用線性公式定量分析等方法評(píng)估Stacking模型的預(yù)測(cè)性能，并通過渤海灣盆地埕島油田河流相儲(chǔ)層的實(shí)例應(yīng)用驗(yàn)證Stacking分頻屬性融合方法的可靠性。

1儲(chǔ)層智能預(yù)測(cè)模型

首先，優(yōu)選在儲(chǔ)層預(yù)測(cè)領(lǐng)域具有良好應(yīng)用效果并存在明顯差異的幾類模型：SVR、KNN（KNearestNeighbor）、LGB和MLP；然后，根據(jù)儲(chǔ)層預(yù)測(cè)需求，分別對(duì)SVR、KNN和MLP模型進(jìn)行改進(jìn)，并綜合這幾類模型優(yōu)勢(shì)設(shè)計(jì)出Stacking集成學(xué)習(xí)框架，以得到更準(zhǔn)確、穩(wěn)定的預(yù)測(cè)結(jié)果。

2.1常規(guī)預(yù)測(cè)模型

2.1.1單類模型算法

（1）Bg-SVR和Bg-KNN模型。傳統(tǒng)的SVR和KNN模型在小樣本預(yù)測(cè)方面均具有獨(dú)特的優(yōu)勢(shì)。其中，SVR模型可利用核函數(shù)（通常是徑向基函數(shù)）將地震數(shù)據(jù)從低維映射到高維，并在高維空間建立回歸擬合模型，實(shí)現(xiàn)地震屬性到儲(chǔ)層信息的非線性映射；KNN模型能夠基于相鄰井點(diǎn)的數(shù)據(jù)關(guān)系，充分挖掘井震數(shù)據(jù)特征。但在儲(chǔ)層預(yù)測(cè)時(shí)，SVR模型的非線性表達(dá)能力容易受少數(shù)幾個(gè)支撐向量的影響，而KNN模型也只是考慮了鄰近幾口井的樣本數(shù)據(jù)。因此，上述兩類模型的泛化能力仍有不足，需要進(jìn)一步改進(jìn)。

大量研究實(shí)例表明集成學(xué)習(xí)模型普遍具備更好的預(yù)測(cè)性能[24]，其中Bagging模型便是一種能夠降低模型泛化誤差的集成方式。這種方式通常是基于同類模型的集成，在地震屬性融合時(shí)，能夠?qū)崿F(xiàn)地震數(shù)據(jù)樣本、特征的隨機(jī)抽選，可提高模型的泛化性能。

因此，本文利用Bagging算法，以相同的方式分別對(duì)SVR模型和KNN模型進(jìn)行改進(jìn)。以改進(jìn)的KNN模型，即Bg-KNN模型為例（圖1），其預(yù)測(cè)流程可分為4步：①訓(xùn)練時(shí)，進(jìn)行N次最大采樣率為η1的樣本自助采樣（Bootstrap），每次形成一個(gè)新訓(xùn)練樣本集，其中N為采樣次數(shù)；②按照η2的最大特征抽樣率，為每個(gè)樣本隨機(jī)選取輸入特征；③分別在每個(gè)子訓(xùn)練集上開展模型訓(xùn)練，得到N個(gè)KNN模型；④將N個(gè)模型的預(yù)測(cè)結(jié)果取平均作為最終的輸出結(jié)果。

（2）MLP模型。MLP模型是一種前饋式監(jiān)督學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，包含輸入層、隱層和輸出層。如圖2所示，該MLP模型的輸入層為6分量，輸出層為1分量，具有4個(gè)隱層，每層分別包含10、6、4和3個(gè)神經(jīng)元，并選用ReLU作為激活函數(shù)，以增強(qiáng)模型的非線性表達(dá)能力。MLP算法主要分為兩個(gè)步驟，分別是正向傳播和反向傳播。正向傳播公式為

誤差δhv由下層誤差δh+1v反向計(jì)算得到。通過反向傳播，不斷調(diào)整系數(shù)，使輸出結(jié)果不斷逼近真實(shí)數(shù)據(jù)。模型訓(xùn)練時(shí)，采用Adam（AdaptiveMomentEstimation）作為優(yōu)化器，其參數(shù)更新不受梯度伸縮變換的影響，適用于復(fù)雜的儲(chǔ)層預(yù)測(cè)場(chǎng)景。

（3）LGB模型。LGB模型是基于梯度提升決策樹的集成算法，能夠通過梯度下降算法更新殘差，隨著迭代次數(shù)增加，可擬合復(fù)雜的鉆井、地震數(shù)據(jù)。此外，LGB模型還在原有梯度提升樹算法上進(jìn)行了改進(jìn)，采用互斥特征捆綁稀疏化地震屬性特征以增強(qiáng)模型的數(shù)據(jù)處理性能。

2.1.2KPCA?MLP組合模型算法原理

當(dāng)數(shù)據(jù)維度較高、非線性關(guān)系復(fù)雜時(shí)，模型容易為了追求擬合效果而出現(xiàn)過擬合現(xiàn)象。為此，設(shè)計(jì)了一個(gè)兼?zhèn)涓咝?shù)據(jù)降維和強(qiáng)非線性擬合能力的KPCA-MLP模型（圖3）。

KPCA模型可利用核函數(shù)將地震屬性樣本向高維特征空間映射，并在高維空間實(shí)現(xiàn)數(shù)據(jù)降維，其核函數(shù)可表示為

式中：k（xi，xj）為核函數(shù)矩陣，其中xi、xj分別表示第i、第j個(gè)多維地震屬性樣本；σ為核函數(shù)的寬度。

KPCA-MLP模型便是在MLP模型的輸入端加入了KPCA模型（圖3），利用KPCA模型對(duì)輸入數(shù)據(jù)進(jìn)行非線性降維與特征提取，然后基于MLP模型分析KPCA模型提取的主成分，從而有效挖掘復(fù)雜數(shù)據(jù)特征信息。因此，本文將使用KPCA-MLP模型算法進(jìn)一步處理Bg-SVR、MLP、LGB和Bg-KNN模型的預(yù)測(cè)結(jié)果。

2.2Stacking集成學(xué)習(xí)模型結(jié)構(gòu)

盡管上述幾類模型在儲(chǔ)層預(yù)測(cè)中具有良好的應(yīng)用性能，但這些模型多屬于單類預(yù)測(cè)模型，并且設(shè)計(jì)的組合模型（圖3）也未能基于高效架構(gòu)實(shí)現(xiàn)多模型融合。因此，各模型的預(yù)測(cè)精度容易呈現(xiàn)邊際效用遞減的趨勢(shì)[25]。為了提高儲(chǔ)層預(yù)測(cè)準(zhǔn)確率，本文將采用Stacking集成學(xué)習(xí)方式，實(shí)現(xiàn)多模型優(yōu)勢(shì)互補(bǔ)、深度協(xié)同。

該Stacking集成學(xué)習(xí)模型主要包含兩層結(jié)構(gòu)（圖4）。第一層結(jié)構(gòu)由多個(gè)基學(xué)習(xí)器模型組成，為了使各模型間能夠“取長(zhǎng)補(bǔ)短”，需選取泛化效果良好且存在明顯差異的幾類模型，因而將Bg-SVR、MLP、LGB和Bg-KNN作為基學(xué)習(xí)器模型。第二層結(jié)構(gòu)由元學(xué)習(xí)器模型組成，其數(shù)據(jù)集來自上層的預(yù)測(cè)結(jié)果。若直接將基學(xué)習(xí)器模型的訓(xùn)練集預(yù)測(cè)結(jié)果作為元學(xué)習(xí)器的輸入，可能會(huì)造成過擬合。因此，在第一層的基學(xué)習(xí)器模型訓(xùn)練前，利用5折交叉驗(yàn)證將數(shù)據(jù)劃分為不重疊的5等份。當(dāng)每個(gè)基學(xué)習(xí)器訓(xùn)練時(shí)，選取不重復(fù)的4等份作為訓(xùn)練集，余下的1等份作為驗(yàn)證集。訓(xùn)練完畢后，將5份基于驗(yàn)證集的預(yù)測(cè)結(jié)果重新組合，以得到與原數(shù)據(jù)集相同樣本量的新數(shù)據(jù)集。新數(shù)據(jù)集來源于上層模型對(duì)驗(yàn)證集的預(yù)測(cè)結(jié)果，因此具有較強(qiáng)的客觀性。

然而，各基學(xué)習(xí)器模型的自身性能不同，當(dāng)部分模型預(yù)測(cè)誤差較大時(shí)，會(huì)增加元學(xué)習(xí)器輸入數(shù)據(jù)的噪聲，直接影響模型的預(yù)測(cè)精度。鮑海波等[26]提出了為預(yù)測(cè)結(jié)果賦予權(quán)重的方法以抑制各模型中預(yù)測(cè)效果較差的部分，能夠提高集成模型的預(yù)測(cè)性能。但這種方式是一種主觀的線性加權(quán)，并且賦予的權(quán)重值也難以充分表征各模型的預(yù)測(cè)性能。為了降低噪聲數(shù)據(jù)的影響、充分挖掘基學(xué)習(xí)器模型預(yù)測(cè)結(jié)果的關(guān)鍵信息和擬合復(fù)雜的非線性數(shù)據(jù)，本文將選用KPCAMLP模型作為元學(xué)習(xí)器模型。

Stacking模型的實(shí)現(xiàn)流程（圖4）如下。

（1）利用RobustScaler對(duì)輸入的地震屬性進(jìn)行數(shù)據(jù)預(yù)處理，即

式中：x和x′分別對(duì)應(yīng)數(shù)據(jù)預(yù)處理前、后的多維地震屬性樣本；median為多維地震屬性數(shù)據(jù)的中位數(shù)，IQR為多維地震屬性數(shù)據(jù)的四分位距。

（2）使用5折交叉驗(yàn)證隨機(jī)劃分?jǐn)?shù)據(jù)集，并利用Bg-SVR、MLP、LGB和Bg-KNN模型分別訓(xùn)練數(shù)據(jù)，訓(xùn)練過程中基于隨機(jī)搜索[27]為每個(gè)基學(xué)習(xí)器模型優(yōu)選超參數(shù)。

（3）將交叉驗(yàn)證的驗(yàn)證集在基學(xué)習(xí)器上的預(yù)測(cè)結(jié)果組合為新訓(xùn)練數(shù)據(jù)集。

（4）利用KPCA-MLP模型處理新訓(xùn)練數(shù)據(jù)集，生成訓(xùn)練集的最終預(yù)測(cè)結(jié)果。

（5）將測(cè)試集經(jīng)過訓(xùn)練好的基學(xué)習(xí)器處理、數(shù)據(jù)平均和訓(xùn)練好的KPCA-MLP模型處理等步驟，得到測(cè)試集的預(yù)測(cè)結(jié)果。

（6）根據(jù)訓(xùn)練集和測(cè)試集的預(yù)測(cè)結(jié)果，評(píng)估模型合理性，若合格，便輸出模型；反之，則返回步驟（2）。

3分頻地震屬性融合方法

以埕島油田中區(qū)為研究區(qū)，基于Stacking集成學(xué)習(xí)模型，開展分頻地震屬性智能融合儲(chǔ)層預(yù)測(cè)方法。

研究區(qū)面積約30km2，主力含油層館陶組上段為河流相沉積，砂體較薄，儲(chǔ)層非均質(zhì)性強(qiáng)，平均埋深約為1500m。地震資料主頻為33Hz，頻寬為17～49Hz。

具體應(yīng)用過程中，本文方法主要包含3個(gè)模塊：地震頻段優(yōu)選、地震屬性優(yōu)選和多屬性智能融合儲(chǔ)層預(yù)測(cè)（圖5）。

3.1地震頻段優(yōu)選

不同頻段地震數(shù)據(jù)體蘊(yùn)含不同的地質(zhì)信息，深度挖掘不同頻段地震數(shù)據(jù)與儲(chǔ)層之間的關(guān)系，有利于提高儲(chǔ)層預(yù)測(cè)精度。

根據(jù)不同厚度儲(chǔ)層的振幅與頻率關(guān)系[4，9，14]可知：當(dāng)砂體厚度小于1/4波長(zhǎng)時(shí)，振幅與砂體厚度具有明顯的正相關(guān)趨勢(shì)；高頻地震信息的分辨率較高，能夠更好地反映薄砂體分布特征；低頻數(shù)據(jù)體的分辨率較低，能夠更好地反映厚砂體分布特征。采用小波分頻技術(shù)，可將原始地震資料分為不同頻段的地震數(shù)據(jù)體（圖5，A部分），但在分頻的過程中需要注意兩個(gè)原則：①分頻數(shù)據(jù)體的總頻寬需控制在原始地震資料的有效帶寬內(nèi)，以保留有效信息；②分頻數(shù)據(jù)體數(shù)量不宜太多，防止地震數(shù)據(jù)冗雜[9]。綜合考慮不同頻段的地震信息，可降低地震資料的多解性。

由于館陶組上段砂體厚度差異大，原始地震資料難以識(shí)別薄層砂體，所以在分頻時(shí)需在有效頻寬內(nèi)盡可能保留高頻數(shù)據(jù)體。對(duì)原始地震數(shù)據(jù)體（圖6a）進(jìn)行分頻，高頻地震數(shù)據(jù)的主頻為40Hz（圖6b），對(duì)應(yīng)的頻寬為30～50Hz，可反映原始數(shù)據(jù)中的高頻信息。為了避免分頻數(shù)據(jù)體過多和有效信息缺失，優(yōu)選出主頻為20Hz、頻寬為13～30Hz的低頻數(shù)據(jù)體（圖6c），可反映原始數(shù)據(jù)中的低頻信息。優(yōu)選的兩個(gè)分頻數(shù)據(jù)體總頻寬可覆蓋原始地震數(shù)據(jù)，既保留了原始數(shù)據(jù)的有效信息，又減少了重復(fù)信息。

3.2地震屬性優(yōu)選

不同地震屬性能夠從不同角度表征儲(chǔ)層特征，其中振幅類屬性可以有效指示巖性、刻畫砂體厚度；相位類屬性有助于識(shí)別儲(chǔ)層邊界、斷層等；頻率類屬性更適合反映儲(chǔ)層在垂向上的巖性變化[6，9，28]。由于部分地震屬性間共線性較強(qiáng)（較強(qiáng)的相關(guān)性），因而在地震多屬性融合前需要優(yōu)選屬性（圖5，B部分）。

選取測(cè)井資料齊全的317口井，從井旁道目的層段提取不同類別的12種地震屬性，分析各屬性與砂體厚度相關(guān)性，共得到6種與砂體厚度相關(guān)系數(shù)大于0.15的地震屬性（圖7a）；然后利用無監(jiān)督聚類技術(shù)將6種地震屬性進(jìn)一步劃分為3類（圖7b），結(jié)合各類地震屬性與砂體厚度的相關(guān)系數(shù)（圖7a），最終優(yōu)選出的敏感屬性分別為平均谷值振幅、最大振幅和平均瞬時(shí)頻率。

從分頻地震數(shù)據(jù)體中分別提取上述三種屬性。以最大振幅為例，可以看出，原始數(shù)據(jù)體最大振幅高值區(qū)能體現(xiàn)主河道砂體的分布，但反映的砂體連續(xù)性差，并且河道邊界不清晰（圖8a）。由于目的層段砂體較薄，低頻數(shù)據(jù)體的最大振幅只能體現(xiàn)主河道上局部厚砂體的分布（圖8b）。高頻數(shù)據(jù)體的最大振幅高值區(qū)明顯增多，主河道邊界更加清晰（圖8c），砂體連續(xù)性也更好（圖8c紅色箭頭所指）。

3.3多屬性智能融合儲(chǔ)層預(yù)測(cè)

計(jì)算半徑為25m范圍的井旁道地震屬性值，將測(cè)井資料解釋的砂體厚度與井旁道地震屬性作為智能屬性融合的數(shù)據(jù)樣本，按照8：2的比例分別劃分為訓(xùn)練集和測(cè)試集；再利用Stacking集成學(xué)習(xí)模型（圖5，C部分）融合低頻、高頻地震屬性（平均谷值振幅、最大振幅和平均瞬時(shí)頻率），建立砂體厚度與分頻地震屬性數(shù)據(jù)的映射關(guān)系；最后，將訓(xùn)練好的Stacking模型應(yīng)用于館陶組上段儲(chǔ)層的定量預(yù)測(cè)。

4方法評(píng)估

4.1井點(diǎn)儲(chǔ)層預(yù)測(cè)結(jié)果

井點(diǎn)處的儲(chǔ)層預(yù)測(cè)結(jié)果能夠用于定量化評(píng)估模型預(yù)測(cè)精度和可靠性。為證實(shí)Stacking集成學(xué)習(xí)模型具備較強(qiáng)的預(yù)測(cè)性能，將Bg-SVR、MLP、LGB和Bg-KNN等4個(gè)基學(xué)習(xí)器模型作為參照組進(jìn)行對(duì)比。訓(xùn)練過程中各模型的超參數(shù)設(shè)置見表1。

評(píng)估指標(biāo)除了皮爾遜相關(guān)系數(shù)（R）、平均絕對(duì)誤差（MeanAbsoluteError，MAE）和均方根誤差（RootMeanSquaredError，RMSE）外，本文還引入了決定系數(shù)（R2_score）和校正決定系數(shù)（R2_adjusted）。其中R2_score用來表示回歸分析中自變量對(duì)因變量的解釋程度，取值為0～1，越接近1表示解釋效果越好；R2_adjusted是在R2_score基礎(chǔ)上，將特征數(shù)量納入了分析。部分指標(biāo)的公式分別為

式中：yi、y?i分別為第i個(gè)樣本的測(cè)井資料解釋的砂體厚度（實(shí)際值）和預(yù)測(cè)值；yˉ表示測(cè)井資料解釋砂體厚度的均值；m為樣本數(shù)量；p為地震屬性特征數(shù)量。

由圖9可見，Bg-SVR、MLP、LGB和Bg-KNN模型屬性融合預(yù)測(cè)結(jié)果與實(shí)際砂體厚度的MAE分別為1.81、1.72、1.98和1.47m，而Stacking模型屬性融合結(jié)果與實(shí)際砂體厚度的MAE僅為1.30m。盡管地震屬性能夠反映儲(chǔ)層厚度，但是兩者間的映射關(guān)系較為復(fù)雜，因而導(dǎo)致單類模型的預(yù)測(cè)精度不夠，其中LGB模型的屬性融合結(jié)果與實(shí)際砂體厚度的RMSE達(dá)到了2.48m，遠(yuǎn)高于Stacking模型的1.69m（圖9）。由此可看出Stacking集成學(xué)習(xí)模型的屬性融合結(jié)果平均誤差較小，預(yù)測(cè)性能比其他單類模型更穩(wěn)健。

以測(cè)試集為例，Stacking集成模型的屬性融合結(jié)果與實(shí)際砂體厚度的R為0.916、R2_score為0.814、R2_adjusted為0.794（圖10），較Bg-SVR、MLP、LGB和Bg-KNN模型的提升率范圍分別為：3.6%～15.4%、9.6%～35.4%和10.9%～42.0%（表2），這表明了Stacking模型具有更高的儲(chǔ)層預(yù)測(cè)精度。

地震多屬性融合儲(chǔ)層預(yù)測(cè)時(shí)需要將模型建立的井震數(shù)據(jù)映射關(guān)系應(yīng)用于全研究區(qū)，因而基于多屬性融合的儲(chǔ)層預(yù)測(cè)準(zhǔn)確度受映射關(guān)系影響。通常來說，模型在訓(xùn)練集上學(xué)習(xí)數(shù)據(jù)特征，然后利用測(cè)試集檢驗(yàn)?zāi)Ｐ偷暮侠硇?。本文的?xùn)練集和測(cè)試集都是按照特定比例隨機(jī)、均勻劃分，因而當(dāng)模型在訓(xùn)練集和測(cè)試集的預(yù)測(cè)結(jié)果與真實(shí)砂體厚度之間展現(xiàn)相似的數(shù)據(jù)分布規(guī)律時(shí)，便可證明該模型建立的井震映射關(guān)系具有可靠性。為了有效評(píng)估模型的可靠性，本文利用線性關(guān)系式定量表征這種映射關(guān)系，即式中：a為權(quán)重；b為偏置。如表3所示，相較于單類預(yù)測(cè)模型，Stacking集成學(xué)習(xí)模型對(duì)應(yīng)的線性擬合公式差距最小，其訓(xùn)練集和測(cè)試集的線性擬合公式的權(quán)重相差小于0.003，偏置相差小于0.03，反映了Stacking模型在訓(xùn)練集上建立的井、震映射關(guān)系，完全適用于測(cè)試集的數(shù)據(jù)預(yù)測(cè)，相應(yīng)的預(yù)測(cè)結(jié)果與實(shí)際數(shù)據(jù)的分布規(guī)律具有較高的一致性。這是因?yàn)閱晤惸Ｐ偷臄?shù)據(jù)分析角度單一，難以深挖井、震數(shù)據(jù)關(guān)系，在模型優(yōu)化時(shí)容易陷入局部極值點(diǎn)，而Stacking模型可以綜合多類模型的算法對(duì)井、震數(shù)據(jù)全局尋優(yōu)，在相同數(shù)據(jù)集上具有更低的泛化誤差。由此可證明，本文Stacking模型能精確表征地震屬性與儲(chǔ)層信息的非線性關(guān)系，對(duì)應(yīng)的儲(chǔ)層定量預(yù)測(cè)結(jié)果可靠性較強(qiáng)。

4.2屬性融合結(jié)果綜合分析

原始數(shù)據(jù)體最大振幅屬性與砂體厚度相關(guān)性較低（圖11a），雖然能夠初步反映主河道的展布趨勢(shì)，但是河道邊界模糊，并且屬性高值區(qū)連續(xù)性較差（圖12a）。

Bg-SVR模型的屬性融合圖上可見河道形態(tài)（圖12b），主河道的邊界較為清晰，但在CD5井處顯示為屬性低值，指示河道斷開，與單井砂體解釋結(jié)論不符（圖12g）。同時(shí)，該屬性圖中的E區(qū)域的屬性呈現(xiàn)零散分布，無明顯的分支河道形態(tài)（圖12b）。MLP和LGB模型的屬性融合結(jié)果展現(xiàn)出主河道砂體連續(xù)性較好（圖12c，圖12d），能夠準(zhǔn)確表現(xiàn)E區(qū)域的分支河道展布特征，但是與Bg-SVR模型的屬性融合結(jié)果（圖12b）相比，MLP和LGB的屬性融合結(jié)果中主河道外的屬性分布更為雜亂。根據(jù)測(cè)井解釋結(jié)果，在CD2井附近發(fā)育厚砂體（圖12g），在F區(qū)域內(nèi)，MLP模型的屬性融合結(jié)果展現(xiàn)了“大面積”的低值分布（圖12c），并且圖12b和圖12d的對(duì)應(yīng)位置也體現(xiàn)了不同程度的屬性低值特征，反映的砂體連續(xù)性較差。Bg-KNN算法能基于相鄰井的空間位置關(guān)系，挖掘井旁道地震屬性和儲(chǔ)層信息特征。如圖12e所示，Bg-KNN模型的屬性融合圖中主河道分布更加明確，主河道外的屬性雜亂度明顯降低，同時(shí)F區(qū)域的砂體連續(xù)性變好。由于分支河道對(duì)應(yīng)的屬性為窄條帶狀，其鄰近區(qū)域尤其是邊界位置的屬性差異較大，因而基于Bg-KNN的屬性融合方法難以通過分析鄰近空間數(shù)據(jù)精確預(yù)測(cè)分支河道砂體（圖12e紫色箭頭所指區(qū)域）。

與單類預(yù)測(cè)模型的屬性融合結(jié)果相比，Stacking集成模型的屬性融合結(jié)果在E、F區(qū)域的砂體連續(xù)性更好，屬性圖的高值區(qū)形態(tài)清晰，分支河道砂體展布特征也更加明確。同時(shí)，該模型的屬性融合結(jié)果的單井吻合率更高，與實(shí)際砂體厚度相關(guān)性也可達(dá)到0.92（圖11b）。一方面是因?yàn)閮?yōu)選的單類模型自身預(yù)測(cè)性能較強(qiáng)，另一方面是由于各模型在屬性分析時(shí)存在相應(yīng)的“預(yù)測(cè)短板”，而Stacking模型能高效融合多個(gè)單類模型并實(shí)現(xiàn)“優(yōu)勢(shì)互補(bǔ)”，由此提升了集成模型的預(yù)測(cè)精度。

根據(jù)Stacking集成模型的屬性融合結(jié)果（圖12f），結(jié)合單井沉積微相解釋結(jié)果（圖12g），可刻畫出目的層沉積微相平面展布特征（圖12h）。由圖可見，主河道呈寬條帶狀分布，分支河道為窄條帶狀分布，在主河道北西方向發(fā)育1條分支河道，南東方向發(fā)育有2條分支河道，分支河道延伸較遠(yuǎn)且有一定擺動(dòng)幅度。主河道擺動(dòng)不頻繁，兩側(cè)均發(fā)育有天然堤，河漫灘砂呈孤立狀分布在泛濫平原內(nèi)部，展現(xiàn)了典型的河流相沉積特征。

5結(jié)論

（1）基于Stacking集成學(xué)習(xí)的分頻地震屬性融合方法，能夠綜合考慮不同頻段的“優(yōu)勢(shì)”地震屬性信息，并可以對(duì)多個(gè)差異化模型“取長(zhǎng)補(bǔ)短”，有利于提高儲(chǔ)層預(yù)測(cè)精度。

（2）本文提出的線性公式定量分析法，可以有效評(píng)估模型的預(yù)測(cè)性能。在埕島油田的實(shí)例應(yīng)用中，相對(duì)于單類預(yù)測(cè)模型，Stacking集成學(xué)習(xí)模型的預(yù)測(cè)性能和可靠性均有顯著提升，其屬性融合結(jié)果高值區(qū)形態(tài)清晰，砂體連續(xù)性更好。

（3）本文基于Stacking分頻屬性融合儲(chǔ)層預(yù)測(cè)方法具有良好的應(yīng)用前景，可為類似研究區(qū)的儲(chǔ)層預(yù)測(cè)提供借鑒。