.png){kind=icon}
.png){kind=icon}
返回
Deep learning driven horizon tracking with confidence
.png){kind=icon}
OA
AI
DOI：10.1016/j.acags.2026.100400.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
地震层位追踪是地下解释的基础，但在以断层、局部构造抬升和弱或间断反射为特征的地质复杂环境中仍具挑战性。常规自动追踪方法过度依赖地震振幅，因此在反射层连续性中断时容易产生漂移、不稳定和全局一致性差的问题。我们提出了一种基于置信度的框架，该框架同时受相对地质时间（RGT）和地质信息提示点的约束，用于2D和3D地震层位解释。RGT通过使用对抗性正则化网络从地震数据中预测得到，该网络旨在保留结构上有意义的局部变化并提供一致的地层指导。层位提取随后被表述为一个由提示驱动的局部扩展过程，其中用户定义的点提供地质控制，重叠的RGT预测引导稳定传播。包括井连接和解释员定义的控制点在内的多个提示，为校正长距离漂移和改进域内追踪一致性提供了额外的锚点。我们进一步引入了一种条件追踪置信度评估，通过扰动局部提示位置并测量由此产生的RGT引导追踪解的离散度来进行评估。低离散度表明传播稳定，而高离散度则识别出对提示初始化敏感的区域，可能需要额外的地质控制。使用合成数据以及F3和Opunake测区的实际数据进行的实验表明，该框架在结构变形、弱反射和断层主导区域实现了连贯追踪。所提出的框架将自动传播、稀疏专家约束和可解释的稳定性诊断整合到一个统一的半自动工作流中，该工作流能够识别稳定的层位段，并优先处理对提示敏感的区域以进行优化。
Keyword:
Seismic horizon tracking
Relative geologic time
Prompt-guided interpretation
Tracking confidence