0 引言

古河道两侧水动力能量高，溶蚀迅速、强烈，是河流侵蚀作用最明显的部位，易形成大面积物性较好的岩溶储层^[1]，是油气资源聚集、成藏的良好空间。但由于古地理环境变迁和后期构造运动的影响，河道变化频繁、相带不稳定，伴随断层穿插以及地震采集和处理本身的噪声与分辨率因素的制约，因此精细解释河道砂体难度较大^[2-3]。

利用地震属性研究地下古河道分布、检测油藏动态及识别流体的应用前景很好^[4]。然而，由于地质因素、观测条件、测量精度和主观因素等限制^[5]，需要选择突出古河道特征的地震属性。由于受构造、沉积、流体等地质因素的影响，不同振幅的三维地震数据在垂向剖面和横向切片上形成了一种特殊的地震数据纹理。河道沉积在地层切片上呈线性纹理特征，既能反映主要的油气储层类型，也是相对容易判别的一种地震纹理类型^[6-8]，该属性突出了细小断裂及河道特征^[9]。蔡涵鹏等^[10]在半监督地震相分析算法中引入叠前地震纹理属性，以突出振幅随方位角或炮检距等的变化特征，但并未应用于古河道识别。于豪等^[11]利用频谱分解技术判别断层和特殊地质体(小断层和储层发育带)的形态，认为：谱峰值能够有效地分辨河道和特殊地质体的形态，可识别中等尺度河道和储层发育带；对于更小尺度的河道储层，需要结合其他地震属性才能识别。相干能量梯度可突出细小裂缝及河道特征，对于描述一些细微地质特征效果明显。韩红涛等^[12]通过优选地震属性并结合地质综合分析减少多解性，以提高储层预测精度，如利用相干能量梯度刻画生物礁滩的具体形态，但仅限于刻画生物礁滩体。振幅类与频率类的瞬时地震属性参数反映了地震动力学特征，可作为储层预测的重要参数^[13]。提取瞬时属性参数可以获得信息更丰富的地震属性剖面，而分频处理反映了具有分频意义的地震信号时变特性。分频瞬时振幅对不同宽度、不同尺度的河道均具有良好的分辨率优势，可较好地刻画目标层的河道分布特征^[14]。冯金义^[15]应用时频分析技术提取不同频率的瞬时振幅沿层切片，以检测河道砂体的空间分布，但识别细小古河道的效果不好。

实际应用结果表明，利用曲率、相干等属性刻画河道的效果不明显，对这些属性的主成分分析效果较差。地震纹理、相干能量、谱峰值和分频振幅等属性虽然能较好地识别部分古河道，但是存在古河道刻画不全、识别范围有限等问题。为此，本文为提高识别细小河道的分辨率，针对地震纹理、相干能量、谱峰值和分频振幅等属性进行主成分分析，保留各属性的优势特征，使多属性融合结果的信息更全面。通过观察发现，低、中、高频瞬时振幅剖面对河道宽度、流向等变化细节的刻画程度不同，需要结合主成分分析将多尺度河道信息叠合以凸显河道展布的整体效果，为油气藏勘探、开发提供方法支撑，从而提升三维河道识别结果的可靠性。

1 古河道主成分分析高分辨识别算法及实现流程

主成分分析(PCA)被广泛应用于降低数据的冗余度和冗余维数。多数信号可由前几个主分量(特征向量)表征，其余的特征向量主要是冗余数据。

PCA算法的目的是降低维数，可将其用于地震属性分析。PCA的工作流程如下。首先，准备属性数据。属性必须从相同时间(或深度)和空间范围的地震数据中提取。数据集可以是三维空间属性的时间或层位切片，也可以是直接提取的时间或层位属性。不同属性的数量级和变化范围不同，需要标准化处理。采用标准差法对属性数据集进行归一化，得到标准化矩阵。其次，通过计算特征值矩阵和特征向量矩阵，将特征值从最高到最低排序，具有最高特征值的特征向量是数据集的第一主成分，表示数据中方差最大的向量，还表示所用属性中常见的大部分信息，以此对特征向量重新排序。然后，融合选定的主成分，并在属性域中重构特征，以便于分析。新属性的可视化图可预测和描述河道。最后，利用新构造的属性预测古河道，并由测井、生产等资料验证。

整体工作思路是将原始振幅数据作为输入，在数据处理软件中分别提取原始数据的相干能量、地震纹理、谱峰值和分频瞬时振幅等多种地震属性。对以上地震属性标准化处理并做PCA，得到主成分分量成图以识别河道(图 1)。对相干能量、地震纹理和主频峰值三种地震属性进行PCA，将得到的数据导入数据可视化软件，并以层位切片的方式呈现。对于分频瞬时振幅算得的低频、中频和高频三组主成分分量，选取每一组的第一主成分进行红(R)、绿(G)、蓝(B)三原色融合，得到河道沿层切片。通过观察以上切片预测古河道，快速厘清目标区河道发育情况，以了解河道的空间叠置关系。

2 模型试算

为考察PCA对薄层的识别能力和降噪能力^[16]，利用表 1参数建立楔形地质模型。采用主频为25 Hz的Ricker子波作为震源进行正演，得到楔形模型原始地震记录(图 2a)。对图 2a做分频处理并加入50 dB的高斯噪声，得到主频分别为10、25和40 Hz的模型数据(图 2b、图 2c和图 2d)。以图 2b~图 2d作为输入做PCA，得到第一主成分(图 2e)。由图 2a和图 2e可见，在能量最高的位置(红色圈与蓝色圈)可观察到由薄层产生的复合波，如图 2a的第30道、第70道，图 2e的第29道、第71道。上述结果表明，图 2e较好地反映了砂体厚度变化特征，并利用PCA将大部分高斯噪声作为冗余数据进行剔除，利于薄层识别。

3 应用实例 3.1 研究区概况

研究区为川西坳陷，位于四川盆地中西部的前陆盆地，经历了印支、燕山、喜马拉雅运动，其主要发育晚三叠世至始新世的陆相沉积地层，厚度巨大，基底为海相碳酸盐岩地层。三叠系自下而上依次为马鞍塘组、小塘子组和须家河组；侏罗系自下而上依次为下统白田坝组，中统千佛岩组、沙溪庙组、遂宁组和蓬莱镇组，为川西坳陷的主要沉积地层。沙溪庙组(J₂s)从下往上整体分为沙一段(J₂s₁)、沙二段(J₂s₂)和沙三段(J₂s₃)，细分为15个小层^[17]，以浅水三角洲沉积为主。

研究区历经多期构造运动，气藏普遍超压，具有气水关系复杂、产气层位多、河道狭窄等特点，对成藏规律尚未有统一认识^[18-20]。J₂s₃^3-2(第14小层)的GR曲线呈低值(图 3绿色矩形框处)。

3.2 地震属性PCA识别古河道

为了有效描绘古河道的几何形状或走向，以川西坳陷J₂s₃^3-2原始振幅作为输入数据，通过计算得到地震属性数据(地震纹理、相干能量、谱峰值和分频瞬时振幅等)，并进行PCA。

3.2.1 基于地震纹理、谱峰值和相干能量的古河道识别

对谱峰值(图 4a)、相干能量(图 4b)和地震纹理(图 4c)三种地震属性做PCA，并提取第一主成分的层位切片(图 4d)。可见：①图 4a~图 4c的河道识别结果均不全面，仅在一定程度上反映了中小尺度古河道的特征，对部分古河道的刻画结果模糊(箭头处)。②图 4d保留了图 4a~图 4c的有效信息，分辨率较高，反映了河道砂体的厚度变化，较好地描绘了不同尺度古河道特征；河道整体呈北东—南西向，东、西部各自发育两条北东—南西向主河道，叠置发育多条近北东—南西向分支河道。

3.2.2 基于地震分频瞬时振幅的古河道识别

对研究区原始地震数据的频谱分析(图 5)表明，地震数据主频约为35 Hz，频带宽度为5~80 Hz，优势频带宽度为7~65 Hz。

每张分频瞬时振幅切片展示了不同尺度、不同走向的河道微相，振幅高值异常清晰地显示了不同宽度的河道细节，不同频段的数据反映了厚度变化。分频处理从多视角、宽范围、全方位的角度反映了地下古河道的响应特征。根据研究区优势频带范围，通过试验，取最小频率为5 Hz，最大频率为60 Hz，将地震数据分解为9个频率数据体，分为三组(5、16、27 Hz，25、32、39 Hz及38、49、60 Hz)，将三组数据进行PCA得到古河道识别属性参数。最后利用RGB融合^[21]加强古河道刻画效果，融合内容包括三组频率数据及其PCA结果。

采用RGB技术对多频段数据体分频融合，可以突出小尺度河道信息。可见：①低频瞬时振幅(图 6a)与高频瞬时振幅(图 6c)的RGB融合图整体分辨率较低，无法展示小尺度古河道细节；②中频瞬时振幅的RGB融合图(图 6b)的分辨率高于图 6a、图 6c，且与三组数据的第一主成分的融合结果(图 6d)最接近；③在提高部分细小河道(红色方框处)分辨率的情况下，图 6d的部分小尺度古河道(红色箭头处)的边缘较图 6b更清楚，分辨率更高。

综上所述，为更全面地反映不同尺度古河道分布情况，需要融合多种地震属性，并将三组数据进行PCA，才能得到识别古河道的属性参数。在特征提取过程中结合古河道有效识别信息，提高了纵向分辨率，可准确地反映古河道的具体位置及轮廓。

4 结论

本文提出了应用地震属性PCA识别古河道的方法，通过总结两类地震属性PCA结果，精细刻画了不同尺度古河道，预测效果优于单一属性，较好地提高了古河道识别精度。获得以下认识。

(1) 地震纹理、相干能量和谱峰值三种地震属性能够较好地刻画古河道，但是对古河道的识别结果均不全面。利用PCA提高了三种地震属性识别河道的分辨率，可突出古河道的展布特征及边界形态。

(2) 基于分频瞬时振幅剖面对河道变化细节的识别差异，利用PCA处理不同频段瞬时振幅属性，以增强共性细节信息，提高了古河道识别精度。