實際資料斷層識別實戰—教你用Python自動識別地震斷層（附程序）

在前面的課程中，我們講解了通過構造斷層標籤數據來訓練神經網絡模型。但在實際應用中，當我們拿到一個目標工區數據體資料，怎樣自動進行斷層識別呢？今天給大家進行一次全流程的講解。

01 實驗數據情況

這次我們使用一個模仿真實地震工區程度比較高的合成三維數據，來講解拿到一個真實地震資料數據怎樣來做斷層自動識別。地震三維圖像如圖所示。

這是一個尺寸為（141,311,251）的三維數據體，有比較明顯的斷層結構，可以較好體現程序的斷層識別能力。

02 斷層自動識別

1.訓練模型導入

我們使用前面訓練好的UNet神經網絡模型，具體訓練方法見課程《深度學習斷層實戰（三）——UNet神經網絡模型建立》。

從上面導入模型的代碼來看，導入模型需要導入json文件和h5模型文件。

2.預測地震數據體

首先是讀取地震數據，如圖所示。

這裡使用了obspy庫的_read_segy方法來讀取了三維地震數據。

接下來是地震數據的預測，主要代碼如圖所示。

代碼的主要原理是先將整個數據體切分為模型的可以處理的大小（這裡是128*128*128），然後使用模型對每個數據分塊進行預測，最後再將模型預測結果進行重構組裝為整個工區的預測結果。預測的結果以二進制的格式保存到了磁盤。

這裡要注意：

對於數據體預測的運算量很大，對於普通的電腦配置（如CPU運行模型，內存8G以內），最好每次處理400*400*400以下的數據體。否則很容易內存資源耗盡，導致死機。

當然，如果你是GPU運行模型，或是內存資源比較大，可以一次處理比較大的數據體。

03 斷層結果展示

斷層識別後，我們就需要觀察處理的效果了。

1.二維剖面斷層效果顯示

我們如果要觀察二維剖面與對應的斷層對比圖。比如我們想看左邊是剖面，右邊是對應斷層的效果，如圖所示。

主要程序是這樣寫的：

這裡展示了xiline為29的地震剖面效果。如果賦值三維數組的其它位置，可以顯示xline, tline等不同維度的剖面效果。

我們將斷層線設置為了紅色，更容易觀察。

如果希望觀察剖面和斷層疊加的圖像，如圖所示。

可以這樣寫程序：

其中alpha參數設置透明度，實現了地震剖面和斷層的疊加。

2.三維數據體斷層效果顯示

如果我們想從三維視野來整體觀察斷層的識別結果，可以使用mayavi來繪製圖形，如圖所示。

主要原理和程序在前面課程《深度學習斷層實戰（五）——預測結果定性分析》有詳細的講解，大家可以移步過去學習。

從上面二維和三維的斷層識別效果來看，UNet模型對比較主要斷層識別效果還是比較好的，大的斷層結構都能識別出來。

不過由於這個地震資料數據與實際情況相似，不是所有的斷層結構都是非常規律的，識別出來的斷層結果比仿真數據要差一些。

從圖中可以看到，不管是斷層的連續性還、準確性還是斷層線條精細程度，都沒有識別簡單仿真數據那麼理想。當然這裡的模型結構和顯示圖像的參數都有進一步優化的空間，需要大家深入的研究和探索。

今天的課程就到這裡。這節課講解了非常實用的內容，教會大家使用真實數據做斷層識別的整個流程。相信不管是做斷層算法研究，還是做資料解釋，都能給大家帶來比較大的幫助。如果對文中的程序和數據感興趣，歡迎聯繫我獲取。再見。

相關閱讀：

如何在地震勘探研究更上一層樓？帶你一起深度學習識別斷層

怎樣輕鬆入門地震勘探研究：先從地震數據處理開始

深度學習地震去噪實戰：教你如何從0開啟地震深度學習科研之路