基于U2?Net 的高精度多套層位追蹤方法及應用

摘要： 層位追蹤是地震資料解釋中一項基礎且重要的工作，常規智能層位追蹤方法的精度難以滿足實際生產需求。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，遍歷地震數據每個像素點，判斷當前像素點所在位置并為其劃分一個層位區域； 對于穿過斷層的層位，則自動搜尋相鄰層位，實現非全區層位、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 網絡模型對F3 數據體和M 工區地震資料進行訓練。與U‐Net+PPM 網絡模型相比，U2‐Net網絡模型的預測精度更高，穩定性更好，泛化性更強，訓練時間更短，且預測復雜地區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。傳統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]。傳統方法的優點是層位追蹤精準度高，符合地質規律，但極其耗費人力和時間。于是，發展了基于種子點的層位自動追蹤技術。鄭公營等[2]在主測線和聯絡線地震剖面上插入種子點，再根據一定的特征計算、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]，但因受算法和數據的限制，在復雜地質結構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，在訓練參數不冗雜的情況下實現了單一層位的追蹤。常德寬等[7]提出了基于主動學習的地震多層位解釋方法，利用半監督思想和大量的未標注數據實現了多層位的追蹤。李海山等[8]用深度學習方法和相對年代地質體追蹤層位，精度更高。但在復雜的地質結構中，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塊，并區分每個區塊的語義類別，得到像素級別的語義標注圖[10]； 再利用二維卷積神經網絡（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特征，導致在用于非全區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定為同一個類標簽。與常規圖像處理方法不同，地震反射層位追蹤難點是：① 需要區分的類別較多。一般1 幅圖片僅包含2～4 個需要區分的主體，而1 幅地震剖面追蹤的層位可達10 個以上。②訓練數據較少。由于層位標注困難，部分地震數據體中只有少數剖面可用于訓練。③ 在圖像中層位位于相鄰主體區域的邊緣處時，要求算法對邊緣處的計算精度高。④分割的區域較大，判斷單個像素點的分類時，需要參考更多區域數據的上、下文特征，也就是需要更大的感受野。

U2‐ Net 是一種U 型結構（雙層U 型嵌套）網絡[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，數據量較少時也不容易過擬合。并且每個RSU 都是U 型結構，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，在預測時極易出現跳點和連續性不好的情況。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，即遍歷地震數據每個像素點，判斷當前像素點所在位置并為其劃分一個層位區域。對于穿過斷層的層位，則自動搜尋相鄰層位，實現非全區分布層位、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 網絡模型對F3 數據體和M 工區地震資料進行訓練，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據的多尺度特征，根據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―解碼結構。左側為編碼結構，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； 右側為解碼結構，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。