摘要
全波形反演是利用波场模拟和实际地震资料对比，提取地下介质速度和密度等地层信息的方法。地震数据低频成分可以降低全波形反演对于初始速度模型的高要求，提高深层以及屏蔽层下岩性体的识别能力。然而受传统采集技术等的限制，实际地震数据中往往缺失低频成分。从地震数据中恢复出高精度的低频成分对于全波形反演具有重要意义。现有基于机器学习的地震数据低频恢复方法忽视了地震数据的能量不均衡现象，高能量地震数据对网络权值的贡献远大于低能量地震数据，导致深层的低能量低频数据恢复存在不足。为解决上述问题，本文对地震数据的能量特征进行分析，提出了基于能量匹配融合的低频恢复方法。本文的主要工作如下： （1）针对深层与浅层地震数据的能量不均衡对机器学习网络性能的干扰，提出了基于分层融合的地震数据低频恢复方法。该方法根据采样时间匹配相近能量的地震数据，将地震数据划分为能量相近的层状区域，并分别使用卷积神经网络对其进行针对性训练。该方法提升了深层地震数据的低频恢复效果。此外，使用正演方法生成不同的仿真数据集，并且运用多个指标衡量恢复结果的准确性。 （2）针对分层融合的能量均衡方案不够精确的问题，提出了基于分块融合的地震数据低频恢复方法。由于高能量地震数据与低能量地震数据呈密集交替分布状，分层方式难以实现各层数据能量均衡。基于前述工作，该方法遵循地震数据的能量分布规律，匹配相近能量的数据，将地震数据划分为块状区域，并应用U-Net架构分别学习每块的低频部分，同时也对不分块的完整数据加以训练。该方法将分块实验与完整实验以不同的权重融合，增强了两个实验的互补性，既可以调整同相轴的连续性，又能够提高地震数据的恢复精度。
NETL