静校正问题及其深度学习方法

1. 引言

地震数据可以反映出一系列地下观测点的信息。单炮数据仅能对地下观测点提供一次覆盖的振幅数据，多炮数据则可以为地下观测点提供多次覆盖的振幅数据。剩余静校正可以通过对道集数据进行优化，增强道集数据有效信号的同相性，提高叠加数据信噪比。静校正可以将数据进行向上/向下位置微调，调整后再叠加，有效提高叠加质量。
图1. 静校正
如图1所示，静校正效果好时，结果信噪比高，直观表现为图像更清晰。

2. 基础知识

定义1. 一对<炮点, 检波器> 获得的数据，反映了炮点与检波器中间位置垂直方向的地质信息。该数据称为一个道（trace），可表示为 $n$维实数向量，其中每个分量表示相应时间（可换算为深度）的振幅。
定义2. 对应于同一地理位置的 $k$个道组成一个道集（trace set），可表示为 $n\times k$的矩阵。
一般情况下，一个道集中的不同道，是通过不同炮点、检波点获得的。
为获得一个地质剖面，应采集不同位置的数据，这些数据组成了一个三维矩阵
$$\mathbf{V}=(v_{lij}{)}_{d\times n\times k},\text{\hspace{1em}(1)}$$
其中 $d$表示观测的位置数，$n$表示每道的长度，$k$表示每个道集所含的道数。
在实际应用中，不同的道集可能有不同的列数（道数）。简便起见，理论上我们忽略这种差别。

3. 局部静校正

局部静校正仅考虑一个道集内部的优化。

3.1 问题描述

问题1：局部静校正
输入：第$l$个道集${\mathbf{V}}_l=(v_{lij}{)}_{n\times k}$；
输出：校正量向量$\mathbf{A}=(a_1,\dots ,a_k)$；
优化目标：
$$\underset{\mathbf{A}}{\max }\sum _{i=1}^n{\left(\sum _{j=1}^k{v}_{l,i+a_j,j}\right)}^2\text{\hspace{1em}(2)}$$
约束条件：$\forall 1\le j\le k$, $|a_j|\le c$，其中 $c$为一个常数如3.

3.2 问题分析

每个道可以浮动的方式有 $2c+1$种，$k$个道导致的组合数为 $(2c+1{)}^k$。优化目标值的计算量为 $O(nk)$，因此总体时间复杂度为
$$O(nk(2c+1{)}^k)\text{\hspace{1em}(3)}$$
看起来不小。

一个道集有$k$个需要优化的变量，$d$个道集就有 $dk$个需要优化的变量。另一方面，假设有 $m$炮，每炮有 $p$个检波器起作用，需要优化的变量个数也可写为 $pm$. 按理说应该有
$$dk=pm\text{\hspace{1em}(4)}$$

3.3 解决方案

解决方案1：穷举法。

在 $k$不大（如5以内）可行。

解决方案2：简单逐道调整法。

Step 1. 将第1道设置为基准；
Step 2. for i = 2 to k do
Step 2.1 for j = -c to c do
Step 2.1.1 将第 i道浮动 j后与基准道相加，获得临时基准道
Step 2.1.2 if 临时基准道数据平方比原来的大，cm = c
Step 2.2 将第 i道浮动 cm后，与基准道相加，获得新的基准道

方案分析：本方案的时间复杂度很低，只有
$$O(nkc)\text{\hspace{1em}(5)}$$
当然，也可能效果不好。只有做了才知道。

解决方案3：贪心逐道调整法。

Step 1. 从道集中，首先挑选一个比较合适的道。有很多策略，如：随机挑选，与平均值最接近的道，信噪比最大的道。
Step 2. 从剩下的道中，挑选一个最大化目标函数的道。这个目标函数只考虑当前已经选择的道。

方案3有不少的设计与优化空间。

4. 基于炮点与检波器的静校正

由于勘探行业的坚持，需要优化的参数并非(4)式中的 $dk$或 $pm$，根据炮点和检波器确定。
令炮点的校正量向量为 $\mathbf{B}=(b_1,\dots ,b_m)$, 检波点的校正量向量为 $\mathbf{C}=(c_1,\dots ,c_w)$。如果某一道的数据来自于第 $\alpha$个炮点和第 $\beta$个检波器，则其校正量应为 $b_{\alpha }+c_{\beta }$.

4.1 问题描述

问题2：基于炮点与检波器的静校正
输入：$\mathbf{V}=(v_{lij}{)}_{d\times n\times k}$，从数据道向炮点的映射 $f:[1..d]\times [1..k]\to [1..m]$；从数据道向检波器的映射 $g:[1..d]\times [1..k]\to [1..p]$；
输出：炮点的校正量向量为 $\mathbf{B}=(b_1,\dots ,b_m)$, 检波点的校正量向量为 $\mathbf{C}=(c_1,\dots ,c_w)$；
优化目标：
$$\underset{\mathbf{B},\mathbf{C}}{\max }\sum _{l=1}^d\sum _{i=1}^n{\left(\sum _{j=1}^k{v}_{l,i+b_{f(l,j)}+c_{g(l,j)},j}\right)}^2\text{\hspace{1em}(6)}$$
约束条件：$\forall 1\le j\le m$, $|b_j|\le c$; $\forall 1\le j\le w$, $|c_j|\le c$，其中 $c$为一个常数如3.

注：$f(l,j)$表示第 $l$个道集中，第 $j$个道由来自于哪个炮点；$g(l,j)$表示第 $l$个道集中，第 $j$个道由来自于哪个检波器。

4.2 问题复杂度分析

与问题1相比，优化的参数个数增加了，为 $m+w$. 假设它们的取值范围为 $[-b,+b]$, 例如 $b=10$. 我们直接将方案编码成长度为 $m+w$ 的向量. 问题的解空间大小为 $(2b+1{)}^{m+w}$, 因此穷举算法不可行.
更要命的是, 对每种方案, 都要把三维的$\mathbf{V}$拿来算. 这个事情好像不可避免.

4.3 解决方案

解决方案1: 从局部到全局

Step 1. 通过局部静校正获得 $dk=pm$个局部校正量 $\mathbf{R}=(r_{lj}{)}_{d\times k}$。
Step 2. 令在函数 $f$的帮助下，建立含$m+w$个变量，$dk$个方程的超定方程组
$$r_{lj}=b_{f(l,j)}+c_{g(l,j)},$$
其中$1\le l\le d$, $1\le j\le k$, $1\le f(l,j)\le m$, $1\le g(l,j)\le w$.
Step 3. 为解此超定方程组，建立优化目标
$$\underset{\mathbf{B},\mathbf{C}}{\min }\sum _{1\le l\le d,1\le j\le k}{\left|r_{lj}-b_{f(l,j)}+c_{g(l,j)}\right|}_2\text{\hspace{1em}(7)}$$
其中2范数可以换为0范数、1范数等。特别是0范数，表示了多少个方程需要调整。

方案分析
该方案有两个主要问题：

1. 优化(7)式不能保证优化(6)式；
2. 多达 $m+w$个变量，不过每个方程都只涉及两个变量。

解决方案2: 遗传算法

遗传算法的关键在于输出方案的编码。根据式 (6), 共有 $m+w$ 个参数，假设它们的取值范围境外为 $[-b,+b]$, 例如 $b=10$. 我们直接将方案编码成长度为 $m+w$ 的向量. 根据每个方案, 可以根据式 (6) 计算其 fitness function.
至于选择、交叉、变异操作，参见一般的遗传算法.
优点: 输出方案的编码方便, fitness function 定义良好.
缺点 1: fitness function 的计算非常耗时. 但这一缺点好像无法克服.
缺点 2: 每换一个区域, 就需要用遗传算法运行一遍. 无法获得一个模型, 对不同的区域有效.
缺点 3: 收敛很慢. 需要想抓住静校正的特点，进行加速.

遗传算法加速方案

可以借鉴拼图游戏，先找到一些参数的解，并将其固定住. 然后再寻找其它参数的解. 这种方案, 越到后面越容易. 同时保证了收敛性.
常见的遗传算法, 应该没有这种技术.

5. 疑问

1. 校正量均为整数吗？
2. 是否可以强行用深度学习来做？
3. 是否可以获得一个模型, 对不同区域有效? (目前认为不可行)

令人头秃 …