基于非下采样剪切波变换—参数自适应脉冲耦合神经网络的属性融合裂缝预测方法

常用的叠后地震属性主要有相干体(描述波形相似性)、曲率体(表征构造应力引起的地层弯曲程度)、倾角体(刻画地层构造变化特征)等,但仅仅依靠单一属性很难准确地预测地下裂缝分布情况。为此,提出一种基于非下采样剪切波变换(NSST)—参数自适应脉冲耦合神经网络(PA-PCNN)的属性融合裂缝预测方法,该方法基于NSST分解算法,将多种属性数据分解为高、低频子带,将融合后的多尺度、多方向高、低频子带进行数据重构,得到最终的多属性融合结果,可进一步提取裂缝的轮廓及细节信息。具体步骤为:①提取描述相同尺度裂缝的多种地震属性(相干、曲率及倾角等属性),通过NSST将多种属性分解为高、低频子带,其中高频子带包含更多的裂缝细节信息,低频子带可更好地刻画裂缝轮廓且具有丰富的能量信息。②对高频子带运用PA-PCNN模型进行融合,无需人工设置参数,得到更全面的高频数据;结合八邻域的改进拉普拉斯算子加权和与局部能量加权方法对低频子带进行融合,使低频数据更好地保留细节及能量信息,以得到丰富的低频数据。③通过逆NSST方法有效地完成属性融合裂缝预测。运用所提方法对M区属性数据进行测试,并对比了不同方法的属性融合裂缝预测结果,证明基于NSST—PAPCNN的属性融合裂缝预测方法能够更有效地预测裂缝。