應用地震屬性主成分分析識別古河道

張家樂，程冰潔*，徐天吉，雍林

(1.成都理工大學“油氣藏地質及開發工程”國家重點實驗室，四川成都 610059；2.成都理工大學“地球勘探與信息技術”教育部重點實驗室，四川成都 610059；3.電子科技大學資源與環境學院，四川成都 611731；4.電子科技大學長三角研究院(湖州)，浙江湖州 313099)

0 引言

古河道兩側水動力能量高，溶蝕迅速、強烈，是河流侵蝕作用最明顯的部位，易形成大面積物性較好的巖溶儲層[1]，是油氣資源聚集、成藏的良好空間。但由于古地理環境變遷和后期構造運動的影響，河道變化頻繁、相帶不穩定，伴隨斷層穿插以及地震采集和處理本身的噪聲與分辨率因素的制約，因此精細解釋河道砂體難度較大[2-3]。

利用地震屬性研究地下古河道分布、檢測油藏動態及識別流體的應用前景很好[4]。然而，由于地質因素、觀測條件、測量精度和主觀因素等限制[5]，需要選擇突出古河道特征的地震屬性。由于受構造、沉積、流體等地質因素的影響，不同振幅的三維地震數據在垂向剖面和橫向切片上形成了一種特殊的地震數據紋理。河道沉積在地層切片上呈線性紋理特征，既能反映主要的油氣儲層類型，也是相對容易判別的一種地震紋理類型[6-8]，該屬性突出了細小斷裂及河道特征[9]。蔡涵鵬等[10]在半監督地震相分析算法中引入疊前地震紋理屬性，以突出振幅隨方位角或炮檢距等的變化特征，但并未應用于古河道識別。于豪等[11]利用頻譜分解技術判別斷層和特殊地質體(小斷層和儲層發育帶)的形態，認為：譜峰值能夠有效地分辨河道和特殊地質體的形態，可識別中等尺度河道和儲層發育帶；對于更小尺度的河道儲層，需要結合其他地震屬性才能識別。相干能量梯度可突出細小裂縫及河道特征，對于描述一些細微地質特征效果明顯。韓紅濤等[12]通過優選地震屬性并結合地質綜合分析減少多解性，以提高儲層預測精度，如利用相干能量梯度刻畫生物礁灘的具體形態，但僅限于刻畫生物礁灘體。振幅類與頻率類的瞬時地震屬性參數反映了地震動力學特征，可作為儲層預測的重要參數[13]。提取瞬時屬性參數可以獲得信息更豐富的地震屬性剖面，而分頻處理反映了具有分頻意義的地震信號時變特性。分頻瞬時振幅對不同寬度、不同尺度的河道均具有良好的分辨率優勢，可較好地刻畫目標層的河道分布特征[14]。馮金義[15]應用時頻分析技術提取不同頻率的瞬時振幅沿層切片，以檢測河道砂體的空間分布，但識別細小古河道的效果不好。

實際應用結果表明，利用曲率、相干等屬性刻畫河道的效果不明顯，對這些屬性的主成分分析效果較差。地震紋理、相干能量、譜峰值和分頻振幅等屬性雖然能較好地識別部分古河道，但是存在古河道刻畫不全、識別范圍有限等問題。為此，本文為提高識別細小河道的分辨率，針對地震紋理、相干能量、譜峰值和分頻振幅等屬性進行主成分分析，保留各屬性的優勢特征，使多屬性融合結果的信息更全面。通過觀察發現，低、中、高頻瞬時振幅剖面對河道寬度、流向等變化細節的刻畫程度不同，需要結合主成分分析將多尺度河道信息疊合以凸顯河道展布的整體效果，為油氣藏勘探、開發提供方法支撐，從而提升三維河道識別結果的可靠性。

1 古河道主成分分析高分辨識別算法及實現流程

主成分分析(PCA)被廣泛應用于降低數據的冗余度和冗余維數。多數信號可由前幾個主分量(特征向量)表征，其余的特征向量主要是冗余數據。

PCA算法的目的是降低維數，可將其用于地震屬性分析。PCA的工作流程如下。首先，準備屬性數據。屬性必須從相同時間(或深度)和空間范圍的地震數據中提取。數據集可以是三維空間屬性的時間或層位切片，也可以是直接提取的時間或層位屬性。不同屬性的數量級和變化范圍不同，需要標準化處理。采用標準差法對屬性數據集進行歸一化，得到標準化矩陣。其次，通過計算特征值矩陣和特征向量矩陣，將特征值從最高到最低排序，具有最高特征值的特征向量是數據集的第一主成分，表示數據中方差最大的向量，還表示所用屬性中常見的大部分信息，以此對特征向量重新排序。然后，融合選定的主成分，并在屬性域中重構特征，以便于分析。新屬性的可視化圖可預測和描述河道。最后，利用新構造的屬性預測古河道，并由測井、生產等資料驗證。

整體工作思路是將原始振幅數據作為輸入，在數據處理軟件中分別提取原始數據的相干能量、地震紋理、譜峰值和分頻瞬時振幅等多種地震屬性。對以上地震屬性標準化處理并做PCA，得到主成分分量成圖以識別河道(圖1)。對相干能量、地震紋理和主頻峰值三種地震屬性進行PCA，將得到的數據導入數據可視化軟件，并以層位切片的方式呈現。對于分頻瞬時振幅算得的低頻、中頻和高頻三組主成分分量，選取每一組的第一主成分進行紅(R)、綠(G)、藍(B)三原色融合，得到河道沿層切片。通過觀察以上切片預測古河道，快速厘清目標區河道發育情況，以了解河道的空間疊置關系。

圖1 PCA識別古河道流程

2 模型試算

為考察PCA對薄層的識別能力和降噪能力[16]，利用表1參數建立楔形地質模型。采用主頻為25 Hz的Ricker子波作為震源進行正演，得到楔形模型原始地震記錄(圖2a)。對圖2a做分頻處理并加入50 dB的高斯噪聲，得到主頻分別為10、25和40 Hz的模型數據(圖2b、圖2c和圖2d)。以圖2b～圖2d作為輸入做PCA，得到第一主成分(圖2e)。由圖2a和圖2e可見，在能量最高的位置(紅色圈與藍色圈)可觀察到由薄層產生的復合波，如圖2a的第30道、第70道，圖2e的第29道、第71道。上述結果表明，圖2e較好地反映了砂體厚度變化特征，并利用PCA將大部分高斯噪聲作為冗余數據進行剔除，利于薄層識別。

表1 楔形地質模型參數

圖2 楔形模型地震記錄

3 應用實例

3.1 研究區概況

研究區為川西坳陷，位于四川盆地中西部的前陸盆地，經歷了印支、燕山、喜馬拉雅運動，其主要發育晚三疊世至始新世的陸相沉積地層，厚度巨大，基底為海相碳酸鹽巖地層。三疊系自下而上依次為馬鞍塘組、小塘子組和須家河組；侏羅系自下而上依次為下統白田壩組，中統千佛巖組、沙溪廟組、遂寧組和蓬萊鎮組，為川西坳陷的主要沉積地層。沙溪廟組(J2s)從下往上整體分為沙一段(J2s1)、沙二段(J2s2)和沙三段(J2s3)，細分為15個小層[17]，以淺水三角洲沉積為主。

研究區歷經多期構造運動，氣藏普遍超壓，具有氣水關系復雜、產氣層位多、河道狹窄等特點，對成藏規律尚未有統一認識[18-20]。J2s33-2(第14小層)的GR曲線呈低值(圖3綠色矩形框處)。

圖3 過JS301井地震剖面

3.2 地震屬性PCA識別古河道

為了有效描繪古河道的幾何形狀或走向，以川西坳陷J2s33-2原始振幅作為輸入數據，通過計算得到地震屬性數據(地震紋理、相干能量、譜峰值和分頻瞬時振幅等)，并進行PCA。

3.2.1 基于地震紋理、譜峰值和相干能量的古河道識別

對譜峰值(圖4a)、相干能量(圖4b)和地震紋理(圖4c)三種地震屬性做PCA，并提取第一主成分的層位切片(圖4d)?？梢姡孩賵D4a～圖4c的河道識別結果均不全面，僅在一定程度上反映了中小尺度古河道的特征，對部分古河道的刻畫結果模糊(箭頭處)。②圖4d保留了圖4a～圖4c的有效信息，分辨率較高，反映了河道砂體的厚度變化，較好地描繪了不同尺度古河道特征；河道整體呈北東—南西向，東、西部各自發育兩條北東—南西向主河道，疊置發育多條近北東—南西向分支河道。

圖4 不同屬性及其主成分計算結果的層位切片

3.2.2 基于地震分頻瞬時振幅的古河道識別

對研究區原始地震數據的頻譜分析(圖5)表明，地震數據主頻約為35 Hz，頻帶寬度為5～80 Hz，優勢頻帶寬度為7～65 Hz。

圖5 研究區地震數據的頻譜

每張分頻瞬時振幅切片展示了不同尺度、不同走向的河道微相，振幅高值異常清晰地顯示了不同寬度的河道細節，不同頻段的數據反映了厚度變化。

分頻處理從多視角、寬范圍、全方位的角度反映了地下古河道的響應特征。根據研究區優勢頻帶范圍，通過試驗，取最小頻率為5 Hz，最大頻率為60 Hz，將地震數據分解為9個頻率數據體，分為三組(5、16、27 Hz，25、32、39 Hz及38、49、60 Hz)，將三組數據進行PCA得到古河道識別屬性參數。最后利用RGB融合[21]加強古河道刻畫效果，融合內容包括三組頻率數據及其PCA結果。

采用RGB技術對多頻段數據體分頻融合，可以突出小尺度河道信息?？梢姡孩俚皖l瞬時振幅(圖6a)與高頻瞬時振幅(圖6c)的RGB融合圖整體分辨率較低，無法展示小尺度古河道細節；②中頻瞬時振幅的RGB融合圖(圖6b)的分辨率高于圖6a、圖6c，且與三組數據的第一主成分的融合結果(圖6d)最接近；③在提高部分細小河道(紅色方框處)分辨率的情況下，圖6d的部分小尺度古河道(紅色箭頭處)的邊緣較圖6b更清楚，分辨率更高。

圖6 RGB融合圖

綜上所述，為更全面地反映不同尺度古河道分布情況，需要融合多種地震屬性，并將三組數據進行PCA，才能得到識別古河道的屬性參數。在特征提取過程中結合古河道有效識別信息，提高了縱向分辨率，可準確地反映古河道的具體位置及輪廓。

4 結論

本文提出了應用地震屬性PCA識別古河道的方法，通過總結兩類地震屬性PCA結果，精細刻畫了不同尺度古河道，預測效果優于單一屬性，較好地提高了古河道識別精度。獲得以下認識。

(1)地震紋理、相干能量和譜峰值三種地震屬性能夠較好地刻畫古河道，但是對古河道的識別結果均不全面。利用PCA提高了三種地震屬性識別河道的分辨率，可突出古河道的展布特征及邊界形態。

(2)基于分頻瞬時振幅剖面對河道變化細節的識別差異，利用PCA處理不同頻段瞬時振幅屬性，以增強共性細節信息，提高了古河道識別精度。