4、地震流网:利用光流场进行密集层位解释

Seismic FlowNet: Using Optical Flow Field for Dense Horizon Interpretation

Summary

We developed a FlowNet based deep learning workflow, to produce flow field cube from a seismic survey.
Based on the flow field, stratigraphic sequence information such as horizons can be densely extracted given any seed point.
Training of the network is performed on image and distorted image pairs generated by applying elastic deformation with random flow field without manual labeling.
A multiscale horizon tracking method was developed to incorporate flow fields from different resolutions.
我们开发了一个基于FlowNet的深度学习工作流程，从地震勘测中产生流场立方体。
基于流场，给定任何种子点，可以密集地提取地层层序信息，例如层位。
网络的训练是在图像和变形图像对上进行的，这些图像对是通过应用具有随机流场的弹性变形而产生的，而无需人工标记。
发展了一种多尺度水平跟踪方法，以结合来自不同分辨率的流场。

Introduction

Seismic image segmentation, stratigraphic sequence interpretation and horizon tracking is
fundamentally important for subsurface interpretation and earth model building.
地震图像分割、地层层序解释和层位追踪对于地下解释和地球模型建立至关重要。

Deep convolutional neural networks, having proven their capability to address challenging computer vision problems, have been adopted as a potential solution for automatic seismic image segmentation and horizon tracking. Although different deep learning based methods (Li et al. 2019; Di et al. 2019) have been proposed, challenges still exists, especially when considering the trade-off between the amount of high quality manual labels required and the complexity of geological structures the deep learning model can interpret.
深度卷积神经网络，已经证明了其解决具有挑战性的计算机视觉问题的能力，已经被采用作为自动地震图像分割和层位追踪的潜在解决方案。虽然基于不同深度学习的方法(李等2019；Di等人(2019)已经提出，挑战仍然存在，特别是当考虑到所需的高质量人工标签的数量和深度学习模型可以解释的地质结构的复杂性之间的权衡时。

We developed a deep learning based workflow that involve architecture similar to FlowNet, to produce flow field between each pair of consecutive seismic slices. From the flow field, any horizons or seismic segmentations can be extracted given a seed point, using the proposed multiscale horizon tracking method. We present an elastic deformation algorithm to generate training data from the seismic survey. It doesn’t require manual labelling and all the training samples are based on real seismic data.
我们开发了一个基于深度学习的工作流程，该流程涉及类似于FlowNet的架构，以在每对连续地震切片之间产生流场。使用所提出的多尺度层位追踪方法，可以从流场中提取给定种子点的任何层位或地震分段。我们提出了一种弹性变形算法来从地震勘测中生成训练数据。它不需要人工标记，所有的训练样本都基于真实的地震数据。

Seismic FlowNet

在视频运动估计中，光流场表示两个连续视频帧之间密集的像素对像素对应关系。它由每个像素位置的二维向量组成，表示像素从一帧到下一帧的瞬时运动。通过跟踪光流，可以确定帧t的像素在帧t+1中的对应位置。一般来说，当在所有视频帧中移动时，光流可用于跟踪特定点的运动。

三维地震勘探通常包含线内维度、交叉线维度和时间维度，可视为沿线内轴或交叉线轴的一系列二维框架。同样，地震勘测的**两个相邻切片之间的流场可以指示沉积物从一个切片到下一个切片的像素级移动。**因此，**通过移动穿过所有地震切片，可以使用地震流场跟踪完整的沉积物或层位。**需要注意的是，为简化起见，本研究中的地震流场设计为仅沿垂直方向或t轴。假设大多数沉积物的主要方向是水平的，这种设置是合理的。

已经提出了几种深度卷积网络解决方案来从一对图像生成流场(Fischer等人，2015；Hui等人，2018年)。
这些研究涉及不同类型的深度学习体系结构，例如共享权重网络、编码器-解码器型网络、图像互相关层和用于流细化的扭曲层。
在这项研究中，一个编码器-解码器类型的网络是利用多分辨率共享权重特征层和互相关层。网络的输入是一对连续的地震切片，输出是单通道流场。通过顺序提取所有地震切片对并将其输入网络，我们可以生成一系列流场。每个流场都是与输入相同大小的二维图像。二维流场系列可以进一步堆叠成三维立方体形状，在那里可以通过穿过三维流动立方体来跟踪完整的层位。输入和输出的结构如图1所示。

对于三维地震勘探，如果不包括向上和向下的方向，总共有四个流动方向可以计算。这四个方向是:增线方向、减线方向、增交叉线方向、减交叉线方向。

Training Image Generation by Elastic Deformation

利用弹性变形生成训练图像

将弹性图像变形应用于地震勘测以生成训练图像，其中将生成随机流场并将其应用于地震切片以生成爆炸切片。原始切片和失真切片将作为网络输入。随机生成的流场将是网络输出的基础事实。

流场的产生从随机产生一个与原始图像大小相同的噪声图像开始，每个像素值是一个介于-1和1之间的随机数。

然后将高斯核应用于噪声图像以产生平滑版本。

通过将平滑的噪声图像乘以比例因子来获得最终的流场。

高斯核的标准差和比例因子都可以在一定范围内随机选择。

标准差越大，变形就越曲折。比例因子提供了对流量矢量大小的总体控制。

为了能够捕捉所有的地震图像模式，可以对勘测的每个切片应用多个弹性变形，沿着线内和交叉线维度。图2显示了一个弹性变形的例子。

Multiscale Horizon Tracking from Seismic Flow Field

地震流场的多尺度层位追踪

基于所有四个方向的流场，可以在给定任何种子点的情况下跟踪完整的地平线。这个操作可以通过一步一步的流量计算来实现。在每个步骤中，一个切片的层位深度是基于前一个切片的层位深度和它们之间的流场来计算的。

为了补偿由于流向单一方向的流量计算而导致的潜在累积误差，采用了多尺度流量计算方法。
多尺度流场不仅包括相邻切片之间的流场，还包括具有一定距离的切片之间的流场。
每次当来自不同尺度的流量计算到达同一位置时，所有先前的流量计算直到最大后退一步都将被调整和合并。
这种方法提供了一种结合具有较大距离的非相邻地震切片之间的相关性的方法。这种多尺度流量计算的实现如图3所示。

Horizon Tracking Examples

用这个工作流程测试了两次地震勘测。结果如图4和5所示。每幅图都提供了一个二维地震切片的例子，以展示如何从多个种子点密集跟踪层位。种子点是从浅层到深层选取的。由于信号不良或断层结构，示例中的许多层位是曲折的，呈之字形。这将对传统的水平跟踪方法提出挑战。然而，利用基于流场的方法，可以提取完整和连续的层位。

Conclusion

我们展示了一种基于深度学习的工作流程，用于从地震勘测中生成流场。有了流场，就可以密集地提取层位等地层层序信息。地震流场也为任意层序的分段和相对地质时间的生成提供了潜在的解决方案。在不涉及人工标注的情况下，采用弹性变形算法生成训练数据。发展了一种多尺度水平跟踪方法，以结合来自不同分辨率的流场。

References

Li, Z., Di, H., Maniar, H., and Abubakar, A. [2019] Semi-supervised deep learning assisted seismic image segmentation and stratigraphic sequence interpretation. Conference Proceedings, 81st EAGE Conference and Exhibition 2019, Jun 2019, Volume 2019, p.1 – 6.
Di, H., Li, Z., Maniar, H., and Abubakar, A. [2019] Seismic stratigraphy interpretation via deep convolutional neural networks. SEG Technical Program Expanded Abstracts 2019. San Antonio, TX.
2019 Sept;2358-2362.
Geng, Z., Wu, X., Shi, Yunzhi., and Fomel, S. [2019] Relative geologic time estimation using a deep
convolutional neural network. SEG Technical Program Expanded Abstracts 2019. San Antonio, TX.
2019 Sept;2238-2242.
Fischer, P., Dosovitskiy, A., Ilg, E., Hausser, P., Hazirbas, C., Golkov, V., Smagt, P., Cremers, D.,
and Brox, T. [2015] Flowet: Learning Optical Flow with Convolutional Networks. 2015 IEEE
International Conference on Computer Vision (ICCV), 7-13 Dec. 2015
Hui, T., Tang, X., and Loy, C. [2018] LiteFlowNet: A Lightweight Convolutional Neural Network for
Optical Flow Estimation. 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition
半监督深度学习辅助地震图像分割和地层层序解释
基于深度卷积神经网络的地震地层学解释
用深度卷积神经网络估算相对地质时间
用卷积网络学习光流
轻量级卷积神经网络用于光流估计