2024 年 6 月 第 59 卷 第3期

• 综合研究 • 文章编号：1000-7210（ 2024）03-0548-10

基于地震频相融合的智能化高分辨率反演
杨培杰 *
（中国石化胜利油田分公司勘探开发研究院，山东东营 257015）

摘要：目前的地震反演主要以模型驱动为主，对噪声较敏感，反演结果的分辨率往往较低，通常只使用地震数据
的振幅信息，没有充分利用相位信息。研究表明，波阻抗和地震振幅、相位的相关性较强，因此联合应用振幅谱
和相位谱可以有效减小反演结果的多解性。为此，结合深度学习与地震数据的频（振幅谱）、相（相位谱）信息，提
出基于数据驱动的频相智能波阻抗反演，有效提高了反演结果的分辨率和精度。具体步骤为：①基于高分辨率
时频分析提取地震道的频相信息；②应用图像处理技术融合频相信息；③结合频相信息和地层波阻抗制作数据
标签对，用数据标签对训练优选的深度网络；④提取待反演三维地震数据的频相信息并输入训练好的深度网络，
即可得到高分辨率波阻抗反演结果。与现有的深度学习地震反演方法相比，所提方法主要创新点在于首次在地
震反演中同时应用了地震数据的频相信息。模型测试结果表明，频相信息的联合应用有效地减小了反演结果的
多解性，提高了反演精度。实际应用结果表明，与传统的稀疏脉冲反演相比，所提方法提高了反演结果的纵向分
辨率，益于进一步推广、应用。
关键词：频相信息，数据驱动，深度学习，高分辨率反演

中图分类号：P631 文献标识码：A DOI：10. 13810/j. cnki. issn. 1000-7210. 2024. 03. 018

Intelligent high-resolution seismic inversion based on frequency-phase fusion

YANG Peijie
（Exploration and Development Research Institute of Shengli Oilfield，SINOPEC，Dongying，Shandong 257015，China）
Abstract：The existing seismic inversion methodsare mainly model ‐ driven and sensitive to noise，and the resolu‐
tion of the inversion results is often low. In addition，they usually only use the amplitude information of seismic
dataand fail to fully utilize the phase information. The results show that the correlation between wave impedance
and seismic amplitude and phase is strong，so the joint application of amplitude spectrum and phase spectrum
can effectively alleviate the multi ‐ solution problem of inversion results. Therefore，this paper starts from the
data ‐ driven perspective to achieve intelligent wave impedance inversion based on frequency ‐ phase fusion by
combining deep learning with frequency（amplitude spectrum）and phase（phase spectrum）information of seis‐
mic data，which effectively improves the resolution and accuracy of inversion. The steps are as follows：① ex‐
tracting the frequency and phase information of seismic trace based on the inversion of high ‐ resolution time ‐ fre‐
quency analysis；② applying image processing technology to fuse frequency and phase information；③ combi ‐
ning frequency and phase information and formation wave impedance to make data label pairs and using the data
label pairs to train the preferred deep network；④ extracting the frequency and phase information of the three ‐ di‐
mensional seismic data to be retrieved into the trained deep network，so as to obtain the high ‐ resolution wave
impedance inversion results. Compared with the existing data ‐ driven deep learning seismic inversion methods，
the innovation of the proposed method is as follows：the frequency and phase information are applied simultane‐
ously in seismic inversion for the first time. The model test results show that the joint application of frequency
and phase information can effectively alleviate the multi ‐ solution problem of inversion results and improve the in‐
version accuracy. The application results in the Dalujia area of Shengli Oilfield show that compared with the tra‐
ditional sparse pulse inversion，the proposed inversion method has significantly improved the longitudinal reso‐
lution，which is beneficial to further promotion and application.

* 山东省东营市聊城路 2 号中国石化胜利油田分公司勘探开发研究院，257015。Email：yangpeijie.slyt@sinopec.com
本文于 2023 年 5 月 4 日收到，最终修改稿于 2024 年 1 月 26 日收到。
本项研究受中国石化科技项目“地质模式约束的非均质储层精细刻画” （ P22161）资助。
 第 59 卷 第3期
Keywords：frequency ‐ phase information，data ‐ driven，deep learning，high ‐ resolution inversion
杨培杰 . 基于地震频相融合的智能化高分辨率反演［J］. 石油地球物理勘探，2024，59（3）：548 -557.
YANG Peijie. Intelligent high ⁃resolution seismic inversion based on frequency ⁃phase fusion［J］. Oil Geophysi-
cal Prospecting，2024，59（3）：548 -557.
0 引言
目前波阻抗反演方法主要有道积分 、稀疏脉冲
[2] [3]
反演 、基于模型的反演 和相对波阻抗反演 等。道
积分技术将地震记录视为低频地层反射系数，通过积
分地震记录道可以快捷地得到相对波阻抗剖面；稀疏
脉冲反演是基于反褶积的递推反演，假设反射系数是
稀疏的，首先通过反褶积得到宽带的反射系数序列，
然后给定一个初始波阻抗值，并对该反射系数积分即
可得到绝对波阻抗反演结果；基于模型的反演首先建
立地层波阻抗模型，然后对比基于模型合成的地震记
录与实际地震记录，以迭代方式更新地层模型，使基
于模型的合成地震记录在一定的准则下匹配实际地
震记录，最终得到反演结果；相对波阻抗反演可以由
带限地震数据有效地反演相对波阻抗，反演结果分辨
率高并且很好地保持了地震数据的横向连续性，也取
得了较好的应用效果。
以上方法属于模型驱动的波阻抗反演，该类方法
没有井插值地质模型的参与，反演结果的分辨率往往
[5]
较低 。主要原因是各种地震数据噪声导致反演解的
矩阵条件数太高，也是该类方法的固有问题。因此，
在实际勘探中，为了提高反演结果的分辨率，往往需
要再融合反演结果与地质模型的频率，以补偿反演缺
失的高频信息，进而提高分辨率。但是，对于相变很
快的隐蔽型储层，地层模型的高频信息会影响反演结
果，导致反演精度降低。因此，在没有高频井信息参
与的情况下，有效提高波阻抗反演分辨率是目前地震
反演的难点之一。
频率域地震解释主要应用地震振幅谱信息进行
地震反演和预测储层[6]。地层参数的变化引起地震信
号相位变化，在子波估计和反褶积时[7]要考虑子波的
相位信息，相位可以作为一种地震属性进行分析和处
理，如通过瞬时相位信息识别超剥线 。目前，业界已
[9-10]
经实现了相位的分解与重构
预测储层。因此，联合应用振幅谱和相位谱信息将是
今后频率域地震数据处理和解释的热点。
机器学习是一种数据驱动方法，很早就用于地球
杨培杰：基于地震频相融合的智能化高分辨率反演 549
物理勘探领域，主要包括浅层神经网络[11]、支持向量
机[12]等，
这些方法需要提取样本特征并进行分析，
反演
结果的可靠性特别是横向稳定性往往较低，因而实际
[1]
应用较少。与传统的浅层网络相比，深度网络的层数
[4]
多、复杂度高，可从海量现有数据中学习隐含知识，进
而有效逼近复杂函数，因此应用效果优于传统的机器
学 习 方 法 。 目 前 ，基 于 深 度 学 习 的 地 震 反 演 发 展 迅
速、应用广泛，首先建立地震波形和波阻抗之间的定
量关系 [13-15]，或建立地震振幅谱和待反演参数之间的
关系 [16]，并生成大量的标签，然后通过标签训练深度
网络，建立地震波形道与波阻抗之间的映射关系，进
而 实 现 地 震 反 演 。 除 了 地 震 反 演 ，深 度 学 习 在 断 层
识 别 [17]、地 震 相 识 别 [18]、储 层 预 测 [19] 等 方 面 也 得 到 广
泛 应 用 。 综 上 所 述 ，人 工 智 能 地 震 反 演 主 要 利 用 地
震 数 据 的 振 幅 谱 信 息 ，而 没 有 较 好 地 利 用 相 位 谱
信息。
为了克服模型驱动的波阻抗反演分辨率低的问
题，本文从数据驱动的角度出发，结合深度学习和地
震数据的振幅谱、相位谱，实现频相智能波阻抗反演，
有效提高了反演分辨率和精度。第一，基于高分辨率
时频分析提取地震道的频相信息；第二，应用图像处
理技术融合频相信息；第三，结合频相信息和地层波
阻抗制作数据标签对，用数据标签对训练优选的深度
网络；第四，提取待反演三维地震数据的频相信息，输
入训练好的深度网络，即可得到高分辨率波阻抗反演
结果；最后，在胜利油田工区测试了所提方法的应用
效果。与现有的数据驱动深度学习地震反演方法[13-16]
相比，本文方法的主要创新点在于首次在地震反演中
同时应用了地震数据的频相信息。
1 频相融合智能高分辨率反演框架
1. 1 深度网络学习
[8]
基于研究区实际井及其井旁地震道，应用高分辨
，通过分相位数据体 率时频分析方法提取地震记录的频相信息，通过图像
处理有效融合频相信息，并结合井旁道波阻抗制作数
据标签对，用这些数据标签对训练优选的深度网络得
到训练好的网络模型。
 550 石 油 地 球 物 理 勘 探 2024 年

1. 2 频相融合智能反演 好的网络模型，即可得到三维波阻抗反演结果。频相
融合待反演三维地震数据的频相信息，输入训练 融合智能高分辨率反演框架如图 1 所示。

图1 频相融合智能高分辨率反演框架

时频振幅谱。
2 地震频相信息提取与分析 通过
imag [ ITFA ( f，t ) ]
arctan × 180
2. 1 地震频相信息提取 real [ ITFA ( f，t ) ]
B ( f，θ，t )=
通过时频分析提取地震频相信息。目前有很多 π
时 频 分 析 方 法 ，其 中 约 束 最 小 二 乘 时 频 分 析（Im ‐ （3）
proved Constrained Least Squares Time Frequency 得到地震数据在 t 时刻、频率为 f 的地震数据相位信
Analysis, ICLS）[20-21]
的频率分辨率较高且相位谱稳 息 B ( f,θ,t )。 式 中 ：ITFA ( f, t ) 为 通 过 ICLS 获 得
定 。 因 此 ，本 文 采 用 ICLS 提 取 地 震 数 据 的 频 相 信 的时频分析结果；imag 表示求虚部；real 表示求实部；
息。定义如下正演过程 θ∈[-180°, 180°]为相位角。
d = Fm （1） 2. 2 地震频相信息分析
式中：d 为待分析的信号；m 为待求的频谱向量；F 为 地震数据的振幅和相位信息反映了地层组合的
不同频率的三角函数构成的矩阵。 变化 。图 2 为反、正旋回组合地质模型及其地震频
[22]

在式(1)中，已知 d 和 F 求 m 是一个典型的反问 相 特 征 。 由 图 可 见 ：① 在 地 震 有 效 频 带 范 围 内（5~

题，在实际计算过程中往往没有精确解，通过约束最 40 Hz）相位谱的相位分辨率和稳定性均较高（图 2e）。
小二乘法得到 ICLS 解 [21]
② 薄 层 对 应 高 频 振 幅 ，厚 层 对 应 低 频 振 幅 ，如 点 1、
m e = ( F 'F + μΩ ) F ' d
-1
（2） 点 2 的振幅谱信息相近（图 2d），但是点 1 的相位角接
式中：F ' 为 F 的转置；Ω 为约束对角矩阵；μ 为权重系 近 90°，
点 2 的相位角接近 0°
（图 2f）。
数，实际求解过程中，通过调节 μ 值得到不同分辨率 文献[23]指出，不同波阻抗的地层组合对应不同
的时频分析结果。 相 位 的 地 震 波 形 。 对 图 2 中 的 地 层 波 阻 抗 、地 震 振
在 ICLS 结果的基础上，求取复数的模即可得到 幅、
相位进行交会分析和相关分析，
相关系数为
 第 59 卷 第3期 杨培杰：基于地震频相融合的智能化高分辨率反演 551

图2 反、正旋回组合地质模型及其地震频相特征
（b）图 a 的波阻抗；
（a）地质模型； （c）图 a 的 25 Hz 雷克子波地震响应；
（d）~（f）由 ICLS 方法对图 c 的时频分析结果

H ( x，y ) 图 3 为地层波阻抗、
振幅、
相位相关分析，
其中波阻抗
C ( x，y )= （4）
V( x) V ( y) 和振幅的相关系数为 0. 711(图 3a)，
波阻抗和相位的相
式中：C(x,y)为两个相同长度的向量 x 和 y 的相关系 关系数为 0. 635(图 3b)，
相位和振幅的相关系数为 0. 805
数；H(x,y)为 x 和 y 的协方差；V(x)和 V(y)分别为 x (图 3c)，
说明结合地震振幅谱和相位谱可以更好地描述
和 y 的方差。 波阻抗变化，
进一步减小地震反演、
属性分析的多解性。

图3 地层波阻抗、振幅、相位相关分析
（a）波阻抗—振幅；
（b）波阻抗—相位；
（c）相位—振幅

地震记录（图 5b）进行频相分析；然后，采用点窗模式
3 频相融合智能高分辨率反演 提取频相信息（图 5c），并设定窗的时间长度和频率范
围 ；最 后 ，将 提 取 的 频 相 图 像 与 地 震 波 形 结 合 ，通 过
基于频相融合智能高分辨率反演框架，使用局部 RGB 融合频相信息（图 5d）。
Marmousi 模型（图 4）详细描述方法的细节及效果。 3. 1. 2 数据标签对的制作
3. 1 数据标签对制作 结合生成的 16 位彩色图像及其对应的地层波阻
基于频相信息提取和图像处理技术，本文提出并 抗值，即可形成一张数据标签对，其中频相融合图像
实现了频相融合的数据标签制作。 （ 图 6）。
为“数据”，对应的波阻抗值（3800）为“标签”
3. 1. 1 频相信息提取与融合 针对目的层段的地震数据逐点制作数据标签对，一口
以 2 井波阻抗曲线为例（图 5a）。首先，对生成的 井可以生成数百个数据标签对，基本可以满足深度学
 552 石 油 地 球 物 理 勘 探 2024 年

图4 Marmousi 模型（a）及其地震响应（b）
采用 25 Hz 雷克子波进行正演，并加入高斯白噪声（信噪比为 10 dB），选取 1 井、2 井数据作为已知井数据。

图5 基于点窗模式的频相信息融合
（a）测井波阻抗；
（b）井旁地震道； （c）频相特征提取；（d）频相融合
采用图像处理的三原色原理，将频率信息（振幅谱）作为 RGB 的通道“R”，将相位信息（相位谱）作为 RGB 的通道“G”，融合为 16 位彩色图像。

习对数据的要求。 3. 2 深度网络优选与训练
图 7 为 2 井的部分数据标签对。由图可见，不同 3. 2. 1 深度网络优选
波阻抗（图 7a）对应不同反射系数（图 7b），导致井旁 地震、地质特征对应关系的复杂性，使浅层网络
道的波形（图 7c）、频相信息也不同（图 7d）。因此，通 （BP 神 经 网 络 、支 持 向 量 机 等）难 以 满 足 实 际 需 求 。
过学习频相信息和波阻抗组成的数据标签对可以反 深度网络[24] 在特征表征方面的结果优于浅层机器学
演波阻抗。 习方法，深度网络相对于传统神经网络增加了多个隐
层，提升了神经网络系统的语义描述能力；同时，海量
数据标签对的获取使深度学习模型得到充分训练，可
更好地提取数据的高层特征表示，因此具有很好的分
类和回归效果。
目前常用的深度网络主要有普通深度网络、卷积
神经网络、循环神经网络、深度置信神经网络等，这些
深度网络往往具有不同的网络结构和应用场景。文
中的数据标签对是对图像进行回归分析，因此，有监
图6 数据标签对 督的回归型卷积深度神经网络的适用性更好。
 第 59 卷 第3期 杨培杰：基于地震频相融合的智能化高分辨率反演 553

图7 2 井的部分数据标签对
（a）测井波阻抗；
（b）反射系数；
（c）井旁道；
（d）频相融合

一 般 来 说 ，有 监 督 的 深 度 学 习 需 要 考 虑 网 络 模
型、
损失函数和优化方法等关键环节。
（1）网络模型
理论上网络结构越深，提取的图像特征越高级，
得 到 的 学 习 效 果 更 好 ，但 是 深 层 网 络 会 遇 到 梯 度 消
梯度爆炸以及网络退化问题[25]。为此，
失、 本文采用残
差网络应对网络退化问题。
深度残差网络因其强大的表征能力得到广泛应
用。残差网络通过短路机制加入残差单元，在多个卷
积层之间设置一个直接连接，这样的一段网络被称为
一个残差块。文中的残差块（图 8）有两层卷积层，输
入 z 在进入第一层卷积层之后先经过归一化，然后通
过 激 活 函 数 ，第 二 层 卷 积 层 再 经 过 归 一 化 得 到 特 征
图8 残差块示意图
F(z)，并与 z 直接相加。为了保证两个特征图通道数
量相同，一般在直接连接时做一个线性变换，即通过
1×1 大小的卷积核使输出通道数相同。进一步，
采用
激活函数 ReLU 克服梯度消失和梯度爆炸等问题，并
采用权值衰减、舍弃部分神经元的方法克服深度网络
的过拟合问题。
通过反复测试、分析，确定适用于地震频相智能
反演的深度网络模型（图 9）。
网络共 12 层。第 1 层为频相输入层，输入端的
图像尺寸可变，可以根据地震数据频相的频率范围、
时窗等参数灵活修改，缺省值为 9×80×2 的 16 位彩
色图像，即融合后的频相图像、横坐标的频率范围为
1~80 Hz，纵坐标的时窗长为 9 个采样点，图像的深 图9 卷积回归深度残差网络（Conv ‐Reg ‐12）

度为 2。实际应用中，首先用缺省时窗和频率范围做 2~5 层分别为卷积层、归一化层、激活层、池化层。第

反演，不断调整参数，直到得到满意的反演效果。第 6~9 层为 4 个残差块。第 10 层为池化层。第 11 层
 554 石 油 地 球 物 理 勘 探 2024 年

为全连接层。第 12 层为回归输出层，最终输出一个 反演结果与原始数据的平均相关系数为 0. 85，

而频相
数值。将该网络简记为 Conv ‐Reg ‐12 网络。 智能反演结果的平均相关系数为 0. 90，
进一步说明了
（2）损失函数 频相智能反演的客观性。
结合数据标签对的特征，本文方法归结为图像拟
合问题，输入为三通道的彩色图像，输出为一个标量
值 。 因 此 ，采 用 均 方 误 差（Mean Squared Error,
MSE）作为损失函数
N
( t i - y i )2
MSE = ∑
i= 1 N
（5）

N 为数据标签对的数量；
式中： ti 为目标输出；
yi 为网络
预测的输出。
（3）优化方法
确定损失函数后，使损失函数值最小为一个最优
化 问 题 ，本 文 采 用 Adam 方 法[26] 优 化 损 失 函 数 。
Adam 是一种基于一阶导数的随机梯度下降优化算
法，
其优势是简单易用、
对于梯度等比缩放不敏感等。
3. 2. 2 深度网络训练
用 1 井、2 井数据制作的
在确定深度网络结构后，
将两口井一共生成的 3200
数据标签对训练深度网络，
个数据标签对作为训练数据，分成 32 个 batch，每个
batch 有 100 个数据标签对，用 CDP200 和 CDP400
的地震道作为验证数据，设置训练 500 轮，学习率设
图 11 频相智能反演结果
置可变，初始值为 0. 001，下降率为 0. 8。当训练和验 （a）振幅谱反演；
（b）频相反演
证的 MSE 小于一定的阈值（数据做了归一化处理）且
平稳后， 输出训练模型参数（图 10）。
终止训练，
3. 3 频相智能反演效果分析
深度网络模型参数训练好后，对地震数据进行频
相 分 析 ，并 输 入 到 深 度 网 络 得 到 频 相 智 能 反 演 结 果
（图 11）。可见，
相对于振幅谱反演结果（图 11a），频相
反演结果的横向稳定性和纵向分辨率都得到提高，
更好
地恢复了原始地质信息（图 4a）的细节（图 11b）。
井旁道反演结果（图 12）表明，1 井、2 井的振幅谱

图 12 1 井（a）、2 井（b）井旁道反演结果

4 实际应用

图 10 深度网络训练过程 胜利油田 DLJ 地区古近系渐新统沙河街组三段

 第 59 卷 第3期 杨培杰：基于地震频相融合的智能化高分辨率反演 555

下亚段资源丰富，是今后重要的储量阵地，其中的 4、
5、6 砂组为由西北陵县凸起方向的物源形成的盘河三
角洲沉积。速度分析表明，该区泥岩、油页岩速度为
3200~4000 m/s，储层速度大于 4200 m/s，储层与盖
层的速度差异较大，适合开展波阻抗反演。共有 14
其中 12 口井的数据训练 Conv ‐
口井的数据参与反演，
Reg ‐12，
2 口井的数据验证 Conv ‐Reg ‐12。图 13 为参
与 深 度 学 习 的 L98 井 与 没 有 参 与 深 度 学 习 的 L985
井的井旁道反演结果。由图可见：L98 井井旁道的频
相智能反演曲线与原始波阻抗曲线的相关系数为
0. 82，而稀疏脉冲反演曲线与原始波阻抗曲线的相关
系数为 0. 61（ 图 13a）；L985 井井旁道的频相智能反
演曲线与原始波阻抗曲线的相关系数为 0. 75，
而稀疏
脉冲反演曲线与原始波阻抗曲线的相关系数为 0. 60， 图 13 参与深度学习的 L98 井（a）与没有参与深度
说明频相智能反演精度高于传统的稀疏脉冲反演 学习的 L985 井（b）的井旁道反演结果
（图 13b）。 图 14 为 稀 疏 脉 冲 反 演 与 频 相 智 能 反 演 连 井 剖

图 14 稀疏脉冲反演（a）与频相智能反演（b）连井剖面
黑色曲线为波阻抗曲线。
 556
面。由图可见，稀疏脉冲反演（图 14a）和频相智能反
演（图 14b）的横向稳定性均较好，但是图 14b 的纵向
分辨率高于图 14a，主要是由于反射系数稀疏假设导
致图 14a 不能较好地反演地震弱信号（箭头处），而频
相智能反演可较好地描述地震弱信号。
图 15 为 5 砂组频相智能反演波阻抗与厚度图，
可见频相智能波阻抗反演结果（图 15a）与砂组厚度
（图 15b）分布一致，进一步证实了频相智能反演结果
的客观性。
目前，地震频相智能反演已经成功应用于胜利油
田的井位论证，根据该区频相智能反演结果，结合构
造特征和有效储层分布等因素，部署了井 A、井 B，取
得了显著的应用效果。
图 15 5 砂组频相智能反演波阻抗（a）与厚度图（b）
5 结束语
针对当前地震反演中存在的问题，本文提出了基
于地震频相融合的智能化高分辨率地震反演方法，模
型测试和实际应用结果表明：①不同地层组合的地震
响应不同，从而导致不同的频相特征，
“ 频”反映了地
层厚度变化的快慢和强弱，
“ 相”反映了地层的组合样
式；②融合地震频相信息并结合深度学习进行地震反
演可以有效降低多解性，
从而提高反演精度。
石 油 地 球 物 理 勘 探 2024 年
参 考 文 献
［ 1 ］ IKAWA T,OHTA Y,ONISHI M,et al. An approach
to seismic stratigraphic analysis[J]. Journal of the Japa‐
nese Association for Petroleum Technology, 1986,
51(1):24 ‐35.
［ 2 ］ DEBEYE H, van RIEL P. L p ‐ norm deconvolution[J].
Geophysical Prospecting,1990,38(4):381 ‐403.
［ 3 ］ RUSSELL B H. Introduction to Seismic Inversion
Methods[M]. Society of Exploration Geophysicists,
Tulsa,1988.
［ 4 ］ 汪 玲 玲 ,高 静 怀 ,赵 谦 ,等 . 基 于 矩 阵 Toeplitz 稀 疏 分
解 的 相 对 波 阻 抗 反 演 方 法 [J]. 地 球 物 理 学 报 ,2017,
60(2):639 ‐654.
WANG Lingling, GAO Jinghuai, ZHAO Qian, et al.
Relative acoustic impedance inversion via Toeplitz ‐
Spase Matrix Factorization[J]. Chinese Journal of Geo‐
physics,2017,60(2): 639 ‐654.
［ 5 ］ 杨 培 杰 . 地 震 子 波 盲 提 取 与 非 线 性 反 演 [D]. 山 东 东
营:中国石油大学, 2008.
［ 6 ］ PARTYKA G, GRIDLEY J, LOPEZ J. Interpreta‐
tional applications of spectral decomposition in reser‐
voir characterization[J]. The Leading Edge, 1999,
18(3):353 ‐360.
［ 7 ］ PORSANI M J, URSIN B. Mixed ‐ phase deconvolu‐
tion and wavelet estimation [J]. The Leading Edge,
2000,19(1):76 ‐79
［ 8 ］ 乐 友 喜 ,江 凡 ,问 雪 ,等 . 用 于 地 震 反 射 界 面 识 别 的 瞬
时相位复合属性[J]. 物探化探计算技术,2012,34(5):
505 ‐509.
YUE Youxi, JIANG Fan, WEN Xue, et al. Compo ‐
site attribute derived from instantaneous phase for the
recognition of reflecting interface[J]. Computing Tech‐
niques for Geophysical and Geochemical Exploration,
2012,34(5):505 ‐509.
［ 9 ］ CASTAGNA J, OYEM A, PORTNIAGUINE O, et
al. Phase decomposition[J]. Interpretation, 2016,4(3):
SN1 ‐SN10.
［10］ 杨 培 杰 ,罗 红 梅 ,王 金 铎 . 地 震 数 据 分 相 位 重 构 方 法
[J]. 石油地球物理勘探, 2019,54(3):594 ‐599.
YANG Peijie, LUO Hongmei, WANG Jinduo. Seis‐
mic data phase reconstruction[J]. Oil Geophysical Pros‐
pecting,2019,54(3):594 ‐599.
［11］ 李素华,余洋,李蓉,等 . 神经网络反演在火山岩储层
预 测 中 的 应 用 [J]. 石 油 地 球 物 理 勘 探 , 2023, 58(2):
392 ‐402.
LI Suhua, YU Yang, LI Rong, et al. Application of
neural network inversion in prediction of volcanic rock
reservoir[J]. Oil Geophysical Prospecting,2023, 58(2):
392 ‐402.
［12］ 金 龙 ,陈 小 宏 ,王 守 东 . 基 于 支 持 向 量 机 与 信 息 融 合
的 地 震 油 气 预 测 方 法 [J]. 石 油 地 球 物 理 勘 探 ,2006,
41(1):76 ‐80.
JIN Long, CHEN Xiaohong, WANG Shoudong. Oil/
gas ‐ predicted method by seismology based on suppor ‐
ting vector computer and information merging[J]. Oil
Geophysical Prospecting,2006,41(1):76 ‐80.
［13］ WU X,YAN S,BI Z,et al. Deep learning for multi ‐ di‐
mensional seismic impedance inversion[J]. Geophysics,
 第 59 卷 第3期 杨培杰：基于地震频相融合的智能化高分辨率反演
2021, 86(5):R735 ‐R745.
［14］ DAS V, POLLACK A, WOLLNER U, et al. Convo‐
lutional neural network for seismic impedance inversion
[J]. Geophysics, 2019,84(6):R869 ‐R880.
［15］ 宋磊,印兴耀,宗兆云,等 . 基于先验约束的深度学习
地 震 波 阻 抗 反 演 方 法 [J]. 石 油 地 球 物 理 勘 探 , 2021,
56(4):716 ‐727.
SONG Lei, YIN Xingyao, ZONG Zhaoyun, et al.
Deep learning seismic impedance inversion based on
prior constraints[J]. Oil Geophysical Prospecting,
2021,56(4):716 ‐727.
［16］ 张国印,王志章,林承焰,等 . 基于小波变换和卷积神
经 网 络 的 地 震 储 层 预 测 方 法 及 应 用 [J]. 中 国 石 油 大
学学报(自然科学版),2020,44(4): 83 ‐93.
ZHANG Guoyin, WANG Zhizhang, LIN Chengyan,
et al. Seismic reservoir prediction method based on
wavelet transform and convolutional neural network
and its application[J]. Journal of China University of
Petroleum(Edition of Natural Science), 2020, 44(4):
83 ‐93.
［17］ WU X, LIANG L, SHI Y, et al. FaultSeg3D: Using
synthetic datasets to train an end ‐ to ‐ end convolutional
neural network for 3D seismic fault segmentation[J].
Geophysics,2019,84(3): IM35 ‐IM45.
［18］ 闫星宇,顾汉明,罗红梅,等 . 基于改进深度学习方法
的 地 震 相 智 能 识 别 [J]. 石 油 地 球 物 理 勘 探 , 2020,
55(6):1169 ‐1177.
YAN Xingyu, GU Hanming, LUO Hongmei, et al. In‐
telligent seismic facies classification based on an im ‐
proved deep learning method[J]. Oil Geophysical Pros‐
pecting,2020,55(6):1169 ‐1177.
［19］ 王迪,张益明,张繁昌,等 . 利用先验信息约束的深度
学 习 方 法 定 量 预 测 致 密 砂 岩“ 甜 点 ”[J]. 石 油 地 球 物
理勘探, 2023, 58(1):65 ‐74.
WANG Di, ZHANG Yiming, ZHANG Fanchang, et
al. Quantitative prediction of tight sandstone sweet
spots based on deep learning method with prior infor‐
mation constraints[J]. Oil Geophysical Prospecting,
2023,58(1):65 ‐74.
［20］ PURYEAR C I, PORTNIAGUINE O N, COBOS
C M,et al. Constrained least ‐ squares spectral analysis:
Application to seismic data[J]. Geophysics,2012,77(5):
V143 ‐V167.
557
［21］ 杨培杰,随风贵 . 一种改进的最小二乘时频分析方法
[J]. 石油物探,2020,59(5):815 ‐822.
YANG Peijie, SUI Fenggui. An improved least
squares timefrequency analysis[J]. Geophysical Pros‐
pecting for Petroleum, 2020,59(5):815 ‐822.
［22］ 张生强,张志军,李尧,等 . 基于地震相位分解的自适
应 强 反 射 分 离 方 法 [J]. 石 油 地 球 物 理 勘 探 , 2021,
56(6):1236 ‐1243.
ZHANG Shengqiang, ZHANG Zhijun, LI Yao, et al.
Adaptive strong reflection separation method based on
seismic phase decomposition[J]. Oil Geophysical Pros‐
pecting,2021,56(6): 1236 ‐1243.
［23］ 罗 红 梅 , 杨 培 杰 , 王 延 光 , 等 . 相 位 域 储 层 预 测 技 术
—— 以 胜 利 油 田 埕 岛 地 区 河 道 砂 为 例 [J]. 石 油 地 球
物理勘探,2022,57(5):1129 ‐1137.
LUO Hongmei, YANG Peijie, WANG Yanguang, et
al. Phase‐domain reservoir prediction technology:a case
study of channel sand in Chengdao area, Shengli Oil‐
field[J]. Oil Geophysical Prospecting, 2022, 57(5):
1129 ‐1137.
［24］ GOODFELLOW I, BENGIO Y, COURVILLE A.
Deep Learning(Adaptive Computation and Machine
Learning Series)[M]. The MIT Press,2017.
［25］ KIM P. MATLAB Deep Learning: With Machine
Learning, Neural Networks and Artificial Intelligence
[M]. Apress,2017.
［26］ KINGMA D P, BA J L. Adam:A method for stochas‐
tic optimization[C]. ICLR2015, DOI: 10. 48550/
arXiv. 1412. 6980.
（本文编辑：刘勇）
作 者 简 介
杨培杰 研 究 员 ，1972 年 生 ；2002
获 中 国 石 油 大 学（华 东）控 制 理 论 与 控
制 工 程 专 业 硕 士 学 位 ，2008 获 该 校 地
质资源与地质工程专业博士学位。现
在中国石化胜利油田分公司勘探开发
研究院从事地球物理、人工智能等方面
的研究。