地震属性优化方法综述
印兴耀 周静毅
〔中国石油大学地球资源与信息学院•华东)
摘要
印兴耀，周静毅.地震属性优化方法综述.石油地球物理勘探,2005,40(4):482～489
随着提取地震属性技术的不断发展，地震属性种类也在不断地增加。鉴于地震属性与所预测对象之间的关系复杂，不同工区和不同储层对所预测对象敏感的(或最有效的、最具代表性的)地震属性是不完全相同的，因此必须对地震属性进行优化处理。通常优化处理是指利用人的经验或数学方法，优选出对所求解问题最敏感(或最有效、最有代表性)的属性个数最少的地震属性组合。笔者认为地震属性优化主要包括属性预处理和属性选择两部分。文中分别对这两部分包含的内容进行了评述，以供从事地震属性优化的研究人员参考。
关健词 地震属性 属性优化 属性预处理 储层预测
1引言
地震数据携带大量的储层地质信息，地震储层预测己经成为人们认识和监测油气藏的重要手段。在勘探阶段，预测储层的空间变化，可以快速、高效地发现油气田，提高勘探效益;在油气田开发阶段则可以帮助制定出更合理的开发方案。多信息综合预测成功的关键是提取并优选与地质特性有关的地震属性[1～3]。优化选择地震属性而不是原始地震数据的原因在于，当目标地区的地震地质情况确定时，只有在储层或流体性质变化导致相应特征参数变化达到某一程度时，地震剖面才会有反映，而地震属性却对这些特征参数敏感得多，并且许多地震属性都是非线性的，它可增加预测准确性。地震属性技术对储层的预测主要依据是储层物性和充填在其中的流体性质的空间变化，造成地震反射速度、振幅、频率等一系列基于几何的、运动学的、动力学的地震属性的变化。
自20世纪70年代以来，利用地震资料预测储层参数日益受到人们的关注，其中应用最广泛的是基于地震道的瞬时属性。到了20世纪90年代，提取地震属性技术在多个方面取得了迅速进展，其范围从计算单道瞬时同相轴属性，到提取更复杂的多道分时窗的地震同相轴属性以至建立地震属性体。目前提取的地震属性有上百种之多，新的属性不断出现，例如由Liner等提出了一种新的地震属性:SPICE (spectral imaging of correlative events)，这种属性是在对偏移地震数据进行奇异性分析和小波变换基础上发展而来的[4]。
由合成地震数据与实际地震数据可知，地震属性与储层岩性、储层流体性质、储层参数之间的关系复杂。不同工区和不同储层对所预测对象敏感的地震属性是不完全相同的。即使在同一工区、同一储层，预测对象不同，对应的敏感地震属性也是有差异的[1]。地震属性优化技术是解决此问题的有效途径。地震属性优化是利用人的经验或数学方法，优选出对所求解间题最敏感(或最有效、最有代表性)的属性个数最少的地震属性组合，以提高地震储层预测精度，改善与地震属性有关的处理和解释方法的效果[2]
因为不同的地震属性对不同岩性(储层参数)的敏感程度是不同的，而且在描述不同的对象时所起的作用也是不一样的，所以在地震储层预测过程中，通常引人与储层预测有关的各种地震属性。但是，属性的无限增加对于储层预测也会带来不利的影响。这是因为:①有些地震属性可能与目的层本身无关，而反映的是干扰的变化，若对输入的属性不进行鉴别，会引起混乱;②属性的增加会带来计算方面的困难，过多的数据要占用大量的存储空间和计算时间;③大量的属性中肯定会包含着许多彼此相关的因素，从而造成信息的重复和浪费;④就模式识别而言，当样本数固定时，属性过多会造成分类效果的恶化。因此，针对具体问题，从全体地震属性集中挑选最好的地震属性子集以降低多解性，提高储层预测精度，这就是地震属性优化问题。
2 地震属性的分类和提取
地震属性是从地震数据里推导出来的几何学、运动学、动力学或统计学特征的特殊测量值。基于不同的应用目的，地震属性有不同的分类方法。通常，在叠后处理资料上提取地震属性主要按拾取方法分为三类[5]；
(1)基于剖面的属性该属性属于特殊处理的范畴，如速度、波阻抗和AVO振幅提取等;
(2)基于同相轴的属性它是从地震数据中提取的并与一个界面有关的属性，能提供有关界面上下或界面之间属性变化的信息;
(3)基于三维地震数据体的体积属性主要指地震道之间的地震信号相似性和连续性的信息，可以从三维立体角度表征地震地质特征。
现在很多地震属性都是在水平叠加数据和叠后偏移数据的基础上提取的，将来也可对叠前的地震数据进行属性提取，像叠前AVO属性。
3 地震属性优化方法
综合各种地震属性优化方法，笔者认为，地震属性优选工作主要可分为地震属性的预处理和地震属性选择两方面的内容。地震属性的预处理方法是指用于地震属性数据标准化、平滑和数据压缩等方法。而地震属性的选择方法是指从地震属性集合中选出合理的地震属性子集。下面分别对此进行讨论。
3.1 地震属性的预处理方法
由于所提取的不同地震属性之间类型不同、量纲不统一、数量级大小差别很大，局部异常往往淹没在区域背景中以及存在一些离群的异常数值等问题。如果对此不进行归一化处理，势必影响定量分析的效果和可靠性[6]。因此，在做地震属性优选和储层预测运算之前，首先要对提取的地震属性进行一些优化预处理，如地震属性数据标准化，使得不同属性具有相同的变化范围，以便在后续的处理中具有同样的贡献。其次，由于大量地震属性参数可能具有一定的相关性，会造成信息的重复和浪费，并可能影响最终的解释成果，所以采用数据压缩等预处理方法来剔除属性数据的冗余信息。
3.1.1 地震属性的标准化
如果直接使用原始地震属性数据，就会突出绝对值大的属性，压低那些绝对值小的属性的贡献。为克服数据中存在的这种不合理现象，在对地震属性进行分析时，应首先将各种属性的数值变换到某种尺度之下，即进行地震属性的标准化。地震属性的标准化方法很多，有总和标准化、最大值标准化、模标准化、中心标准化、标准差标准化和极差标准化等。极差标准化是将变量的每个观测值减去该变量所有观测值的最小值，再除以该变量观测值的极差，变换后每个变量观测值在0～1之间。设某一属性为x(i)，则极差标准化后的数据y(i)为
式中:x(i)为某一地震属性处理前第i点的值;y(i)为某一地震属性处理后第i点的值;xmin为某一地震属性处理前的极小值;xmax为某一地震属性处理前的极大值。
3.1.2去噪处理
地震属性的提取难免要受到个别地段信噪比较低的影响和噪声的干扰，使得参数出现“毛刺”、“野值”。这些“毛刺”、“野值”的出现，会干扰地震属性参数的地质标定和利用属性参数进行模式识别，容易造成解释中出现“假异常”。因此，需要对属性参数进一步提纯。采用中值滤波和滑动加权平均法等手段，可以有效地达到去除“毛刺”和“野值”的效果。下面简单介绍一下中值滤波和滑动加权平均法。
(1) 中值滤波
中值滤波可分为一维中值滤波和二维中值滤波。一维中值滤波的数学原理非常简单，它是以设计的滤波窗口中的中值来替代局部平均值的滤波方法。这种方法对于清除数据中的高频随机脉冲噪声非常有效。二维中值滤波是把以(x，y)点为中心的窗口内的所有像素的灰度值，按照从大到小或从小到大顺序排列，将中间值g(x,y)代替(x，y)处的原灰度值f(x,y)。中值滤波是一种典型的低通滤波器，它能够很容易地去掉孤立的点、线噪声，同时保护图像的边缘效果;它也能很好地去除脉冲噪声。但中值滤波也存在一些不足，如对高斯白噪声、某些作用形式较缓和的低频噪声无能为力。实际上它是一种非线性滤波方法。
(2)滑动加权平均
滑动加权平均是将我国古代数学家杨辉所发现的二项式系数，引入到数据处理中的一种方法。该方法的基本思想是采用二项式系数加权进行滤波。通过逐次二项式加权滤波，可以使随机性噪声逐渐得到消除，有效信号的规律性逐渐呈现出来。该方法与加权低通滤波类似，只是其加权系数采用杨辉二项式系数计算，因而具有充分的理论依据和完善的计算方法，无论游动区间大小，所求得的滑动加权平均值均具有明显的“滤波作用”。
综合应用中值滤波和滑动加权平均法，可以取得更为明显的地质效果。
3.1.3改进属性算法来优化属性
(1)利用属性比
利用属性比可以优化属性的应用。根据模型及实际资料的研究[7～9]，在多数情况下，振幅属性主要是地层结构与岩性/含油气性的综合反映，而频率属性则主要受地层结构的影响。因此将振幅与频率相比，获得新的属性幅频特征A/F，就能在一定程度上压制地层结构的影响并突出岩性异常。在预测中，我们发现与振幅属性相比幅频特征能更好地反映储层的岩性/含油气性特征。由于地层沉积的继承性，在条件适合的情况下利用储层顶、底反射的振幅比也能压制地层结构的影响，突出岩性与油气异常。
(2) 利用波形特征点约束属性
应用地震波形的特征点(极值点、半极值点、拐点、最大相干点等)对地震属性的算法进行约束，其中心思想就是在选定的时窗内，运用地震波形特征对时窗进行微调，以使算得的属性能够最优地反映单个同相轴或相同同相轴组合的特征，避免同相轴之间的相互干扰与影响。主要有两种方法[[10]：①利用单个地震道计算地震波的极值点、半极值点或拐点等，用这些特征点对时窗进行微调;②利用相邻地震道之间的相关关系，对时窗进行微调。这两种方法最终都在一定范围内对所选时窗进行微调。
3.1.4数据压缩
地震属性集的空间维数一般较高，这必然增加预测分类的计算量，同时较高维数的空间内可能存在相关的地震属性，从而存在着冗余信息。这种情况下，有必要对地震属性空间进行压缩。地震属性降维压缩的方法主要有下述两种方法，并以主成分分析(K-L变换)应用最多。
(1) 主成分分析或称K-L (Karhumem-Loeve)变换
在多数情况下，地震属性参数之间存在着相关关系，因此这些彼此相关的地震属性之间也必然存在着起支配作用的共同因素。K-L.变换的目的就是从一定数量的属性参数中，找出数目较少、彼此独立的综合变量，并将原来的属性参数用这些综合变量表示出来[11]。
主成分分析实质上可以说是一种变量变换。主成分分析引进一组新的变量，它们是原来变量的线性函数，而且彼此不相关。这组新变量称为主成分。这些新变量的方差按照递减的次序排列:第一主成分是原来变量的线性函数中具有最大的方差者;第二主成分是与第一主成分不相关的线性函数中具有最大的方差者;第三主成分是与第一、第二个主成分都不相关的线性函数中具有最大的方差者。
具体实现时，可以将多个地震属性的对应元素看成一个多维随机向量，进行离散的K-L变换[11]。若对应的协方差矩阵的特征值按大小顺序排列，则据此顺序得到的多个新属性中，其主要特征均集中在特征值最大的那个新属性上，即第一主成分，其次集中在第二主成分上，并依次减小(图1)。图1是用沿层位提取的地震属性(瞬时相位、均方根振幅、平均能量、瞬时振幅、瞬时频率、主频、振幅扭度、振幅和)进行主成分分析的结果。可以看到前4个主成分占各参数向量的总方差百分数的95％，前3个主成分占各参数向量的总方差百分数的88％。通过K-L变换从原有大量地震属性出发，构造少数有效的新地震属性。同时，可以在此基础之上进行综合的地质解释。
(2)综合参数法
综合参数法的目标是建立一套地震多参数综合研究的数学模型，它是在无标准样本时，将地震属性数据集合经过一输出能量极大的滤波器处理后得到地震属性参数的总体变化趋势。
首先对提取的所有地震属性进行互相关分析，将相关值较大的地震属性进行合并[12]，以保证用于预测的地震属性之间尽可能地彼此相对独立。然后用综合参数法将这些彼此相关地震属性参数组成地震属性参数矩阵;②对各属性参数做归一化处理，计算归一化后的地震属性参数的自相关矩阵;③将此自相关矩阵的特征值和最大特征值对应的特征向量作为综合参数的加权因子，得到综合参数。
3. 2地展属性的选择方法
地震属性选择是指从地震属性集合中选出合理的地震属性子集。不同的地震属性所代表的地质意义也不完全相同[13]，因此有必要对所求间题敏感的地震属性进行选择。在选取敏感地震属性时，一般应遵循以下几个原则[14]：①要尽量选择有物理意义的属性，这有利于建立储层物性与地震属性的关系，而抽象的属性所表现的敏感性有可能只是一种偶然现象;②应避免使用呈周期性变化的数据求和来确定地震属性，例如简单的振幅求和不如振幅绝对值求和或平方和更说明问题;③在统计分析时反映相同物理意义的属性(如振幅绝对值求和与均方根振幅)不能同时出现在一个敏感属性集中。地震属性选择的方法很多，如专家知识的选择、属性贡献量方法和搜索算法、地震特征参数与储层参数的相关分析、关联度分析方法、遗传算法优化方法等。
3. 2. 1专家知识的选择
最简单的地震属性选择方法是根据专家的知识挑选那些对储层预测最有影响的属性。一般来说，油田专家对某个地区带有较多储层信息的特征是比较了解的，可凭经验进行属性的选取;有时专家能提出几种较优的特征或特征组合，这时需要通过其他一些数学方法来进一步确定哪一组最优。
3. 2. 2属性贡献量方法
属性贡献量方法的理论依据为马氏(Mahalanobis)距离[15,16]和线性判别函数。马氏距离的公式为
式中:c1,c2,…,cn为线性判别函数y=c1x1+c2x2+…+cnxn的判别系数x1，x2，…，xn对应两类总体的均值差;d1,d2 ,…,dn分别为n个属性。
属性贡献量的计算公式为
式中:Ai为第i个属性对马氏距离D2的贡献量。马氏距离D2的值越大，类间距越大，属性集的可分类性越强，所以可认为Ai亦是对属性集可分类性的贡献量，我们可以通过选择属性贡献量较大的属性达到优选地震属性的目的。
3. 2. 3搜索法
搜索法是一种常用的地震属性选择方法，它包括最优搜索法和次优搜索法。最优搜索法(穷举法)的缺点是需要分析每一种可能的地震属性选择方案，以便从中选出最优的地震属性组合[2]。采用最优搜索法进行地震属性优选的计算量大，在实际工作中人们经常运用次优搜索法进行地震属性优选，主要有以下三种。
(1)顺序前进法(SFS)
这是最简单的自下而上的搜索方法，每次从未人选的地震属性中选择一个，使其与已入选的地震属性组合在一起所得可分性判据值为最大，直到属性数增加到所要选择的属性个数为止。这种方法的主要缺点是一旦某属性入选，即使由于后加人的属性使它变为多余，也无法再把它剔除。
(2)顺序后退法(SBS)
这是一种自上而下的搜索方法，从全体属性开始每次剔除一个，所剔除的属性应使仍然保留的属性组的可分性判据值最大。这种算法的缺点是计算量较大，属性一旦被剔除就不能再人选。
(3)增l减r法(l-r法)
为避免SFS和SBS方法的缺点，可在选择的过程中加人局部回溯过程，即在第k步可先用SFS法逐个加人属性直到k+l个，然后再用SBS法逐个剔去r个属性。
3. 2. 4地震属性参数与储层参数的相关分析
考虑到地震属性参数之间并不完全独立的特点，它们所反映的信息有类似的或相同的，也有不相关的;各属性参数对储层参数的影响也各不相同。因而，在进行地震属性参数与储层参数的相关性研究时，必须先确定地震属性参数间的相关性，然后再确定地震属性参数与储层参数间的相关性，找出能够反映储层参数本质特征的相互之间独立的地震属性参数。
地层中岩石性质、流体性质的空间变化会引起地震反射波形、振幅、频率、能量、相位等一系列地震属性的变化。这些变化是利用地震属性预测储层信息的主要依据。地震属性与储层参数相关分析的具体方法如下[17]:设工区内n口井的储层参数(例如厚度，孔隙率等)为X=(x1,x2,...,xn)，对应的n个井旁道地震属性参数的第2项为Zi=(z1,z2,...,zn)，二者的相关系数为
通过计算优选出相关系数较大的地震属性参数用于储层参数预测。
3. 2. 5关联度分析方法
关联度分析法是既含有己知信息，又含有未知信息(或不确定信息)的分析技术(或系统)。用这种方法进行理论预测、评定油藏或储层，是把油田的勘探开发看作是既包含己知信息(井孔资料、地震特征参数等)，又包含未知信息(如储层岩性、物性、含油性)的灰色过程。由于地震记录波形信息中所代表的地质含义具有多解性，是不确定信息，所以地震系统也是一种灰色系统。其基本思路是，根据地震波形曲线的差异程度来解决储层参数预测的问题，把井孔处的己知砂岩信息作为一种模式，与多种地震属性特征参数进行关联程度的分析，把关联度值大的参数优选出来。在具体选择参数时，可把关联度值大于某一值的几种参数优选出来。
3.2.6聚类、交会分析方法
聚类分析又称点群分析。它是按照客体在性质上或成因上的亲疏关系进行属性聚类分析[18]，对客体进行定量分类的一种多元统计分析方法。聚类分析又可分为聚合法聚类分析和分解法聚类分析等。
聚类分析的基本原则为:①若选出的一个样品或变量在分好的群中从未出现过，则把它们形成一个独立的群;②若选出的一对样品或变量，有一个已在分好的群中出现过，则把另一个样品或变量也归入该群中;③若选出的一对样品或变量都分别出现在已分好的两群中，则把两群连结成一个新群;④若选出的一对样品或变量都出现在同一群中，则这个样品就不再分群了。
交会分析就是建立所提取的各种地震属性参数之间的相互关系[1]，根据相关系数的大小可以选择或者舍弃某一种属性。如果两种属性相关性很好，则只选用一种即可，另一种可以舍弃，优选出独立的地震属性。
3. 2. 7模拟退火优化算法
模拟退火算法是1983年由Kirkpat等人首次提出的方法，它是一种适合于求解混合离散化问题和目标函数不可微的复杂非线性问题的随机性方法。它在搜索策略上与传统的随机搜索方法不同，它不仅引人了适当的随机因素，而且还引人了物理系统退火过程的自然机理。它在迭代过程中不仅接受使目标函数值变“好”的点，而且还能够以一定的概率接受使目标函数值变“差”的点，接受概率随着温度的下降逐渐减小。模拟退火算法的这种搜索策略有利于避免搜索过程陷入局部最优解，有利于提高求得全局最优解的可靠性。
在该方法中，模型的转移采用Metropolis接受准则，即对于每个模型参数的当前值给一个随机的扰动，组成系统的一个新的状态，计算扰动造成的能量变化△E。如果△E≤0(即能量减少)，则扰动被接受;如果△E≥0(即能量增加)，则扰动被接受的概率为P(△E ) =exp(-△E/T)，扰动若被接受，模型参数值就修改;否则仍然使用原模型参数值。模拟退火法不仅可以向目标函数增大(或减小)的方向搜索，也可以向目标函数减少(或增大)的方向搜索，故不会陷人局部极值中。它是在一定的理论指导下进行“启发”式随机搜索，故搜索效率高，且能达到整体极值。
3. 2. 8利用正演模拟优选地震属性
国内虽然有不少学者对楔状模型与薄互层模型的反射特征进行了研究，但真正将这些模型研究结果用于实际地震属性解释的例子却较少[17]，更多是根据实际地质情况建立地质模型。很多地震属性是构造、地层、岩性与油气等综合因素的反映。理论上，无法由一个方程同时求解多个未知数。只有对其中的某些参数做出假设后，才能求得其他参数。但对一个具体地区而言，随着研究的不断深人，人们对地下地质情况的了解将越来越多。这样就可以利用这些信息建立模型，将其中的一些未知因素(如构造模型、地层模型等)确定下来，再去研究其他未知因素(如储层的岩性与含油气性等)。在一个相对稳定的沉积环境中，储层的厚度和岩性等因素的横向变化相对较小，因此可以将它们对地震属性的贡献近似为一个常量，这时引起储层地震属性变化的主要因素可能就是油气或储层物性。而在一个复杂多变的沉积环境中，影响地震属性的因素就很多，地层结构以及岩性的变化等对地震属性的贡献可能要比油气的贡献大。一个地区的研究程度越高，已知的资料就越多，对属性的约束就越强，应用属性预测岩性或含油气性的可信度也越高。像文献[1」鉴于地震资料分辨率较低以及砂泥互层的沉积特征进行正演模拟，确定研究区内砂层组的地震属性与其砂体厚度的关系，最后选取波峰数这一地震属性来预测砂泥互层发育带。也就是说，具体情况还需要结合实际的资料进行分析，建立合适的正演模型，然后选取对储层敏感的地震属性。
3. 2. 9基于最大嫡原理的属性选择方法
最大嫡原理的基本思想是:给定训练样本，选择一个与训练样本一致的模型。最大嫡模型应选择与这些观察相一致的概率分布，而对于除此之外的情况，模型赋予均匀的概率分布。
首先引人最大嫡原理，假设存在n个属性fi(i=1,2，…，n)，则模型属于约束所产生的模型集合，即
而满足约束条件的模型有很多，模型的目标是产生在约束集下具有最均匀分布的模型，而条件概率p(x|y)均匀性的一种数学测量方法为条件熵，即
其中0≤H(p)≤log|y|。若在允许的概率分布C中选择模型，具有最大嫡的模型p∈C即为所选模型，即
而属性选择也就是特征选择。利用最大嫡原理求取空间特征包含特征选择和参数估计。特征选择是选出对分类对象有明显表征作用的属性;参数估计是用最大墒原理对每一个特征进行参数估值，使每个特征对应于一个特征参数。特征参数用来反映决策属性与分类属性之间的关联强度。
3. 2. 10基于遗传算法(GA)地震属性选择方法[18]
遗传算法(GA)是一种基于生物界自然选择和自然遗传机制解组合优化问题的全局搜索算法。遗传算法为具有“生成一检测”这一迭代过程的搜索算法。但它又区别于普通的搜索算法。普通的搜索算法一般只是从一个解出发改进到另一个较好的解;而遗传算法则是从原问题的一组解出发改进到另一组较好的解。
图2是一个遗传算法示意图。遗传算法的方法原理主要由以下几个问题组成:
(1)编码问题
遗传算法不能直接处理问题空间的参数，必须把它们转换成遗传空间内按一定结构且由基因组成的染色体或个体。这一转换操作称为编码，也可以称作问题的表示。通常由问题空间向GA空间的映射称作编码，而由GA空间向问题空间的映射称作“译码”。评估编码水平常采用三个方面的指标，即完备性(问题空间中的所有候选解都能表示为GA空间的染色体)、健全性(GA空间中的染色体能对应所有问题空间中的候选解)和非冗余性(染色体和候选解一一对应)。
(2)群体设定
遗传操作是对众多个体同时进行的，这些众多个体组成了群体。在遗传算法处理流程编码设计之后的任务是初始群体的设定，并以此为起点一代一代地进化，直到满足某种进化停止准则而结束进化过程，此时得到最后一代(或群体)。群体规模即群体中包括的个体数目的设定需要考虑两个因素。第一个因素是初始群体的设定。在遗传算法中初始群体的设定可采取如下策略:①根据问题固有知识，设法把握最优解所占空间在整个问题空间中的分布范围，并在此范围内设定初始群体;②随机生成一定数目的个体，并从中挑出最好的个体加人到初始群体中。这种过程不断迭代，直到初始群体中个数达到预先确定的规模。
(3)遗传操作
遗传操作是模拟生物基因遗传的操作。在遗传算法通过编码组成初始群体后，遗传操作的任务就是对群体中的个体，按照它们对环境的适应程度(适应度评估)完成一定的操作，从而实现优胜劣汰的进化过程。从优化搜索的角度而言，遗传操作可使问题的解逐代优化，并逼近最优解。遗传操作包括选择、交叉和变异三个基本遗传算子，它们具有操作的随机化特点，其效果与三个遗传算子所取得的操作概率、编码方法、群体大小、初始群体以及适应度函数的设定密切相关。
实际应用中，遗传算法通过把可行解空间离散化为离散可行解空间，在将解空间的点一一映射到染色体空间染色体(二进制编码)上，从染色体空间随机生成一个母本集，由母本集根据目标函数的“优”、“劣”，通过选择、交换、变异来进行繁殖。在遗传算法中，引进“灾变”过程，能加快变异速度且能产生各种随机样本，从而随机地搜索远处的全局极值。
3. 2.11 RS理论属性选择方法[20]
RS(Rough Set，粗集)理论具有无需提供任何先验信息而仅根据观测数据删除冗余信息的能力、具有分析知识不完整程度(即粗糙度)的能力和分析属性间的依赖性以及抽取分类规则的能力，所以基于RS理论的地震属性优化是一种行之有效的方法。粗集理论是波兰理工大学教授Pawlak等(1991)提出的一种用于数据分析的数学理论。我们利用RS理论对不完整数据进行分析和推理，根据数据间相互关系和优化条件组合，并综合了自组织神经网络的自组织能力，提出了RS理论与自组织神经网络相结合的地震属性优化方法。
在RS决策分析中条件属性量化的最优化准则是:用最少的条件量化参数，使量化后的数据表相容。据此选用自组织神经网络对条件属性进行分类，其分类结果即为该条件属性的量化结果。此法具体步骤如下:①用自组织神经网络方法对条件属性值进行分类，其分类结果即为该条件属性的量化结果;②对井点的储层参数(如孔隙率、泥质含量、储层厚度数值等)进行分类即为决策属性;③在井旁选取N道，将N道的地震属性与决策属性组成决策表;④采用RS理论优选出最佳地震属性组合;⑤用优化的地震属性组合进一步提取决策规则的核值。
4结束语
在进行地震属性的优选之前，地震属性的正确提取和预处理显得非常重要。储层预测要有高质量的原始地震资料，经过精细处理，达到较高的信噪比、分辨率和保真度。要重视在处理中严格限制各种影响信号保真的处理手段的应用，以便为地震属性分析提供高保真的基础资料。只有在此基础之上，才能获得高品质的可用于储层预测的地震属性。举例来说，特别是对于沿层地震属性的计算来说，地展属性计算首先要选择合理的时窗，时窗开得过大，包含不必要的信息;开得过小，则会出现截断现象，丢失有效成分。
在利用地震属性进行储层预测之前，地震属性的优选是提高地震储层预测精度的必要手段。面对如此之多的地震属性优选方法，笔者提出几点意见仅供参考:首先，无论用什么方法，只要能用较少的时间、又达到较好的优选效果的方法应该优先考虑;其次，要考虑到计算机的存储空间和运算速度;最后要特别注意的是，有时仅用一种方法达不到最优的效果，而必须考虑综合利用几种方法来优选得到地震属性。
地震属性优化的成功与否，直接影响着地震储层的预测准确性，在实际工作中应不断探索出更好、更快的优化方法，进一步完善和提高地震属性的优化。
参考文献
[1] 于建国，姜秀清.地震属性优化在储层预测中的应用.石油与天然气地质，2003,24(3):291～294
[2] 陈遵德.储层地震属性优化方法.北京:石油工业出版社，1998,93～100[3〕Chen Quincy and [3] Steve Sidney，Seismic attribute technology for reservoir forecasting and monitoring. The Leading Edge,1997,16(5):445～456
[4]Liner et al. SPICE:A new general seismic attribute. Ezpattded Abstract of 74th SEG Mtg,2004
[5]BrownAR著;严又生译.地震属性及其分类.国外油气勘探，1997,9(4):529～530
[6]刘文岭等。多信息储层预测地震属性提取与有效性分析方法.石油物探，2002,41 (1):100～106
[7]李庆忠.含油气砂层的频率特征及振幅特征.石油地球物理勘探，1987,22(1):1～23
[8]曹辉.应用GM(1,1)模型分析反射波振幅与频率特征.石油地球物理勘探，1995,30(1):91～99
[9]苏盛甫.薄储集层的反射特征和定量解释方法.石油地球物理勘探，1988,23(4):387～402
[10]曹辉一种减少地震属性不确定性的方法.石油物探，2002,41(4):422 ～424
[11]程建远.三维地震资料微机解释性处理技术.北京:石油工业出版社，2002
[12]倪逸等.储层抽气预测中地震属性优选问题探讨.石油地球物理勘探,1999,34(6):614～625
[13] 钟俊义等.地震属性参数在安棚深层系储层预测中的应用.石油物探，2000, 42(1):82～85
[14]陈军，陈岩.地震属性分析在储层预测中的应用.石油物探,2001.40(3):94～99
[15]牛彦良等.地震特征参数的统计分析方法及应用.大庆石油地质与开发，1993,12 (3):1～4
[16]陆明德，田时芸.石油天然气数学地质.武汉:中国地质大学出版社，1991
[17]曹辉.关于地震属性应用的几点认识.勘探地球物理进展，2002,25(5):18～22
[18]纪彤洲等.应用地球物理信息预测河道砂体方法及应用效果分析.特种油气藏,2003,10(增刊):4～6
[19]王永刚等.地震属性的GA-BP优化方法.石油地球物理勘探，2002,37(3):606～611
[20]谢宋等.地震属性分析技术在子寅油田开发中的应用.石油物探.2003.45(1)
