基于波形特征向量的凝聚層次聚類地震相分析

劉仕友，宋煒，應(yīng)明雄，孫萬元，汪銳

(1.中海石油(中國)有限公司 湛江分公司，廣東 湛江 524057； 2.中國石油大學(xué)(北京) 地球物理學(xué)院, 北京 102249)

0 引言

Sloss等[1]認(rèn)為地震沉積相表達(dá)的是沉積物在地震記錄上的響應(yīng)特征；Vail等[2]指出地震相分析是利用地震數(shù)據(jù)來解釋地層的沉積環(huán)境和巖相過程的一門技術(shù)。曾洪流等[3-8]提出了有關(guān)地層切片的方法、理論模型研究和實(shí)際地震資料解釋與應(yīng)用效果，并在“The Leading Edge”上首次使用了“地震沉積學(xué)”這個(gè)名稱[9]。自20世紀(jì)90年代起，大量研究證實(shí)地震地貌學(xué)是沉積成像研究的有力工具，進(jìn)而衍生出地震沉積學(xué)。目前，較為先進(jìn)的地震相劃分方法是基于機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的地震相定量分析方法，主要包括兩種：有監(jiān)督聚類和無監(jiān)督聚類分析[10-11]。有監(jiān)督聚類方法需要根據(jù)有限的鉆井資料和地震數(shù)據(jù)建立訓(xùn)練分類器，然后使用該訓(xùn)練器對無井區(qū)域的地震數(shù)據(jù)進(jìn)行預(yù)測。但是由于訓(xùn)練樣本較少，地震波形或者地震屬性與已知含氣性很難建立較好的關(guān)系，這樣預(yù)測的精度會降低。劉愛群等在分頻屬性分析確定砂體邊界的基礎(chǔ)上，結(jié)合已知油氣田的波形特征，開展聚類分析進(jìn)一步確定有利儲層[12]。白博等則是在計(jì)算能夠突出貝殼灰?guī)r內(nèi)部反射特征的偽阻抗體的基礎(chǔ)上，開展偽阻抗波形聚類分析預(yù)測貝克灰?guī)r展布[13]。李輝等也基于自組織神網(wǎng)絡(luò)波形聚類的方法來識別出主河道、河道側(cè)翼等不同疊合模式砂體邊界[14]。徐海等提出了高精度層序地層格架約束下的基于波形相對變化的波形-微相定量表征綜合解釋技術(shù)，首先是利用主成分分析法PCA(principal component analysis)降維，然后采用有監(jiān)督和無監(jiān)督自組織神經(jīng)網(wǎng)絡(luò)方法SOM(self-organizing map)實(shí)現(xiàn)波形聚類分析[15]。張艷等提出了基于SOM和HSV染色技術(shù)聯(lián)合開展致密砂巖儲層地震相分析方法[16]。學(xué)者們主要采用較為傳統(tǒng)的聚類分析方法來進(jìn)行研究工作，取得了一定的應(yīng)用效果，但并沒有將地震沉積學(xué)原理的地震相分析思想有機(jī)地結(jié)合到實(shí)際應(yīng)用中。在汲取前人研究基礎(chǔ)上，我們引入了一種新的基于波形聚類的劃分地震相的分析方法。首先設(shè)計(jì)了一個(gè)三維薄層的層間地質(zhì)模型，通過物理模擬得到三維地震記錄；然后，利用常規(guī)的基于地震沉積學(xué)原理的地層切片技術(shù)開展目標(biāo)層地震相分析；最后，采用基于無監(jiān)督機(jī)器學(xué)習(xí)的波形特征向量凝聚層次聚類開展地震相分析工作。該方法與傳統(tǒng)的地層切片地震相分析方法相比較，不僅考慮了地震信號的振幅屬性特征，而且通過波形特征的變化，綜合考慮了地震信號的振幅、相位和頻率屬性特征。物理模型試驗(yàn)和實(shí)際地震資料應(yīng)用表明，該方法能夠更準(zhǔn)確、更合理地描述地震相的空間分布。

1 基本原理

1.1 凝聚層次聚類分析

原型聚類假設(shè)聚類結(jié)構(gòu)能夠通過一組原型刻畫，先對原型進(jìn)行初始化，然后對原型進(jìn)行迭代更新求解。層次聚類(hierarchical clustering)是一種基于原型的聚類算法，試圖在不同層次對數(shù)據(jù)集進(jìn)行劃分，從而形成樹形的聚類結(jié)構(gòu)。數(shù)據(jù)集的劃分可采用“自底向上”的聚合策略，也可以采用“自頂向下”的分拆策略。層次聚類算法的優(yōu)勢是以通過繪制樹狀圖(dendrogram)使用可視化的方式來解釋聚類結(jié)果。層次聚類可以分為凝聚(agglomerative)層次聚類和分裂(divisive)層次聚類。分裂層次聚類采用的就是“自頂而下”的思想，先將所有的樣本都看作是同一個(gè)類簇，然后通過迭代將簇劃分為更小的簇。凝聚層次聚類采用的是“自底向上”的思想，先將每一個(gè)樣本都看成是一個(gè)不同的類簇，通過重復(fù)將最近的一對類簇進(jìn)行合并。在凝聚層次聚類中，判定類簇間距離的兩個(gè)標(biāo)準(zhǔn)方法就是單連接(single linkage)和全連接(complete linkage)。單連接是計(jì)算每一對簇中最相似兩個(gè)樣本的距離，并合并距離最近的兩個(gè)樣本所屬類簇。全連接是通過比較找到分布于兩個(gè)類簇中最不相似的樣本(距離最遠(yuǎn))，從而來完成類簇的合并。凝聚層次聚類除了通過單連接和全連接來判斷兩個(gè)簇之間的距離外，還可以通過平均連接(average linkage)，平均連接定義簇的鄰近度為取自兩個(gè)不同簇的所有點(diǎn)對鄰近度的平均值。圖1是不同連接條件下隨機(jī)生成的樣本點(diǎn)分成9類的效果的差異，圖中不同顏色代表不同類別，其中數(shù)據(jù)連接類型分為：圖1a是單連接，圖1b是平均連接，圖1c為全連接，可見連接類型不同，聚類結(jié)果也不同。在實(shí)際計(jì)算中，一般都是將距離最近的兩個(gè)簇進(jìn)行合并，對于兩個(gè)點(diǎn)，距離比較好計(jì)算，歐氏距離或者閔可夫斯基距離都可以。但是兩個(gè)簇(簇中不僅包含一個(gè)點(diǎn))的距離算法有多種，其步驟基本相同，差別在于聚類間距的定義不同。計(jì)算類簇距離有如下 4個(gè)廣泛采用的度量方法，其中|P-P′|是兩個(gè)對象P和P′之間的距離，mi是簇Ci的均值，mj是簇Cj的均值，而ni是簇Ci中對象的數(shù)目，nj是簇Cj中對象的數(shù)目。這些度量有稱連接度量(linkage measure):

最小距離：

(1)

最大距離：

(2)

均值距離：

distmean(Ci,Cj)=|mi-mj| ,

(3)

平均距離：

(4)

a—單連接;b—平均連接;c—全連接a—single connection;b—average connection;c—full connection圖1 相同數(shù)據(jù)集不同連接類型的分類結(jié)果Fig.1 Classification results of different connection types in the same data set

一些經(jīng)典的聚類算法如k-means、密度聚類等算法都要先隨機(jī)指定k個(gè)類別中心點(diǎn)，類簇用這些中心點(diǎn)逐步迭代找到最終的中心點(diǎn)，如果隨機(jī)選取的點(diǎn)不具有代表性，會導(dǎo)致聚類效果比較差。凝聚層次聚類算法不需要提前指定隨機(jī)的中心點(diǎn)，就能夠有效地對初始樣本進(jìn)行聚類，但也需要指定聚類類別數(shù)k或者終止條件。常規(guī)的聚類算法如k-means等在樣本維度較高，樣本數(shù)較大時(shí)，會導(dǎo)致聚類分析時(shí)間過長等問題，而凝聚層次聚類則適用于較大的數(shù)據(jù)集的聚類分析，尤其是在有連接約束(connectivity constraint)的時(shí)候。圖2是隨機(jī)生成的空間分布樣本點(diǎn)，利用本算法聚成6類，圖中不同顏色代表不同類別，左邊是無連接約束(without connectivity constraint)，可以看到有些青色的簇橫跨了兩片，如紅色箭頭指；黑色的簇橫跨了兩片，如黑色箭頭指。右邊是有連接約束(with connectivity constraint)，類簇是沿著彎曲的平面分布的，這種結(jié)果更合理。對于有連接約束，在聚類樣本點(diǎn)很大的情況下，對于每個(gè)點(diǎn)只需要考慮和它相鄰的點(diǎn)，而不是考慮所有的點(diǎn)，因此可以加快計(jì)算速度。在地震波形聚類劃相時(shí)，考慮相帶的連續(xù)性和變化，選擇有連接約束會更好。

a—無連接約束;b—有連接約束a—connectionless constraint;b—connectivity constraints圖2 相同數(shù)據(jù)集不同連接約束Fig.2 Different connection constraints for the same data set

1.2 凝聚層次聚類算法過程

輸入：沿地層切片提取地震波形特征向量構(gòu)成樣本集{x1,x2,…,xn}，選擇類簇距離度量函數(shù)dist，給定類簇個(gè)數(shù)k。

算法過程：

①每個(gè)樣本屬于單獨(dú)的一類，即Ci={xi};

②計(jì)算樣本與樣本之間的距離，用矩陣M表示，其中Mij=dist(Ci,Cj);

（1）經(jīng)檢測可知，120例患者的冠狀動脈支共390支，其中324支的圖像質(zhì)量為1級，56支的圖像質(zhì)量為2級，15支的圖像質(zhì)量為3級。

③當(dāng)前類簇?cái)?shù)為q=n，開始簇合并聚類;

④循環(huán)while(q>k);

a.找出距離最近的兩個(gè)簇Ci和Cj，令Ci=Ci∪Cj

b.將Cj后面的簇的編號向前移動一位

c.刪除矩陣Mij=dist(Ci,Cj)的第i行和j列

d.更新Mij=dist(Ci,Cj)矩陣(主要更新i簇與其他簇的距離),j=1:q-1

e.更新當(dāng)前類簇個(gè)數(shù)q=q-1

⑤輸出生成的簇{C1，C2，…，Ck} 。

2 物理模型設(shè)計(jì)及凝聚層次聚類方法應(yīng)用效果

圖3 物理模型采集尺寸及參數(shù)示意圖Fig.3 Acquisition size and parameter sketch of physical model

圖4 物理模型6層砂體空間分布示意圖Fig.4 Spatial distribution diagram of six Layers of sand body in physical model

圖5 砂體疊置模型垂直切面示意Fig.5 Diagram of vertical section of sand overlay model

地震沉積學(xué)義時(shí)間平行的參考同相軸代表了地質(zhì)層面或沉積單元，控制著地震反射同相軸的反射能量。圖6是物理模型正演模擬三維數(shù)據(jù)體中一條地震剖面，圖中的彩色層位線是根據(jù)4個(gè)控制層劃分的地層切片。常規(guī)的基于地震沉積學(xué)原理的地層切片均方根振幅屬性在沉積相劃分時(shí)可以有效提高地震數(shù)據(jù)的橫向分辨率，但是由于均方根振幅屬性沒有綜合考慮地震波形中頻率和相位信息的影響，因此，其劃分地震相的精度是有限的，且容易受噪聲的影響。相比而言，采用無監(jiān)督機(jī)器學(xué)習(xí)地震波形凝聚層次聚類方法，由于利用波形信息進(jìn)行聚類分析，綜合考慮了振幅、頻率、相位信息，能有效克服單純基于均方根振幅屬性劃分地震相的缺點(diǎn)，提高劃相的精度。

機(jī)器學(xué)習(xí)算法一般需要假設(shè)輸入數(shù)據(jù)是正態(tài)分布的(即滿足具有零均值和單位方差的高斯分布)，因此需要對輸入數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化，使其滿足正態(tài)分布。在實(shí)際資料處理中，首先基于地震沉積學(xué)原理制作地層切片，沿地層切片在一定時(shí)間窗范圍內(nèi)提取波形；然后，采用機(jī)器學(xué)習(xí)算法包Scikit-learn中的StandardScalar函數(shù)對輸入的地震波形數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化；最后，通過波形特征向量凝聚層次聚類將不同的波形分為不同的類簇。圖7是沿圖6中黃色箭頭所指的地層切片提取的200個(gè)波形曲線，其波形維度為31。

圖6 物理模型偏移剖面及基于地震沉積學(xué)原理解釋的層位Fig.6 Physical model migration profile and horizon interpretation based on seismic sedimentology principle

圖7 凝聚層次聚類輸入的200個(gè)波形曲線Fig.7 200 waveform curves inputted by AHC

圖8a是第一層“蛇形”砂體平面形態(tài)，并將砂巖頂?shù)庄B置顯示，其中黃色部分是砂巖底的范圍，白色部分是砂巖的頂。在實(shí)際制作中，由于模型誤差和環(huán)氧樹脂中添加滑石粉的過程中無法保證能夠混合均勻，因此會產(chǎn)生速度的變化。圖8b是沿地層切片提取的均方根振幅屬性，可以較好地描述砂體的展布和形態(tài)，但無法分辨出砂體頂?shù)?。圖8c是波形凝聚層次聚類結(jié)果，聚類類別參數(shù)K為7, 波形向量31維。圖8d是波形凝聚層次聚類結(jié)果，聚類類別參數(shù)K為7, 波形向量37維。波形凝聚層次聚類分析結(jié)果表明，本方法能夠很好地描述砂體的空間展布及頂?shù)走吔绲姆秶?，波形的維度會明顯影響分類的結(jié)果，因此，確定合理的聚類分析波形維度關(guān)鍵參數(shù)，可獲得較好的聚類結(jié)果。

物理模型中其他四層砂泥巖的空間展布及形態(tài)如圖9所示，其中圖9a是第二層“腸狀及指狀”砂體平面形態(tài)；圖9b是第三層“腸狀”砂體和“橢圓形”泥巖平面形態(tài)展布；圖9c是第四層“啞鈴狀”砂體和“指狀”泥巖平面形態(tài)展布；圖9d是第五層“菱形”砂體和“點(diǎn)狀”泥巖平面形態(tài)展布。圖10是沿地層提取的均方根振幅屬性切片：圖10a“腸狀”砂體和“指狀”砂體的平面展布清晰可見，但指狀砂體正下方的大片薄砂體無法準(zhǔn)確描述；圖10b“腸狀”砂體和“橢圓形”泥巖的空間展布形態(tài)可以清楚地劃分；圖10c“啞鈴狀”砂體和“指狀”泥巖刻劃的比較清楚，只是在“啞鈴狀”砂體的正上方，有一部分藍(lán)色的振幅屬性，模糊了“啞鈴狀”砂體的邊界；圖10d大一點(diǎn)的點(diǎn)狀泥巖可以清楚地刻劃出來，三個(gè)菱形砂體比較清晰地顯現(xiàn)，但下方的邊界不清晰，正下方的“點(diǎn)狀”泥巖未顯現(xiàn)，菱形砂巖上方偏南的“點(diǎn)狀”泥巖也未顯現(xiàn)。

a—第一層“蛇形”砂體平面形態(tài);b—沿地層切片提取的均方根振幅屬性;c—波形凝聚層次聚類結(jié)果(K=7，波形向量31維);d—波形凝聚層次聚類結(jié)果(K=7，波形向量37維)a—the plane shape of the first layer of "serpentine" sand body;b—RMS amplitude attributes extracted along stratum slices;c—waveform AHC(K=7,waveform vector 31 dimensions);d-waveform AHC(K=7,waveform vector 37 dimensions)圖8 物理模型第一層砂體平面形態(tài)、均方根振幅屬性及波形凝聚層次聚類結(jié)果Fig.8 Sand body planar morphology,RMS amplitude attributes and waveform AHC in the first layer of physical model

a—“腸狀及指狀”砂體平面形態(tài);b—“腸狀”砂體和“橢圓形”泥巖平面形態(tài);c—“啞鈴狀”砂體和“指狀”泥巖平面形態(tài)展布;d—“菱形”砂體和“點(diǎn)狀”泥巖平面形態(tài)展布a—planar morphology of "intestinal and finger" sand bodies;b—planar distribution of "intestinal" sand body and "elliptical" mudstone;c—horizontal morphological distribution of dumbbell sand body and finger mudstone;d—plane morphological distribution of "rhombic" sand body and "point" mudstone圖9 物理模型第二至第五層砂、泥巖空間展布及形態(tài)Fig.9 Spatial distribution and shape of sand and mudstone in the second to fifth layers of physical model

圖11a是第二層基于波形凝聚層次聚類結(jié)果(K=7，波形向量13維)的“腸狀及指狀”砂體,圖中“腸狀”和“指狀”砂體的平面展布也清晰可見；指狀砂體正下方大片薄砂體也有所反映；圖11b是第三層基于波形凝聚層次聚類分析結(jié)果(K=7，波形向量13維)的“腸狀”砂體和“橢圓形”泥巖。從聚類分析圖上看，“腸狀”砂體和“橢圓形”泥巖平面形態(tài)展布特征比均方根振幅屬性更加精細(xì)。遺憾的是,無論均方根振幅屬性還是聚類分析屬性，都無法區(qū)分“腸狀”砂巖和“橢圓形”泥巖的巖性。圖11c是第四層基于波形凝聚層次聚類分析結(jié)果(K=7，波形向量21維)的“啞鈴狀”砂體和“指狀”泥巖，“啞鈴狀”砂體和“指狀”泥巖邊界都能清晰刻劃，同樣的問題是這兩種方法都不能有效區(qū)分砂巖和泥巖。圖11d是第五層基于波形凝聚層次聚類分析結(jié)果(K=7，波形向量21維)的“菱形”砂體和“點(diǎn)狀”泥巖,從圖中可以看出，三個(gè)菱形砂巖的邊界可以清晰地刻劃，右邊的邊界也能刻劃的比較清楚，正下方 “點(diǎn)狀”泥巖也清晰可見，但是菱形砂巖上方偏右的“點(diǎn)狀”泥巖同樣也沒有顯示。從上述分析可以看到盡管模型的層非常薄，但通過地層切片得到的地震相具有非常高的縱橫向分辨率。但由于模型在澆鑄過程中并不能保證砂體均勻成型，所以，砂體的背景介質(zhì)并不是均勻的，因此，除了砂體，在其他部位也存在相帶變化?；诰礁穹鶎傩缘卣鹣鄤澐种?，相帶變化的邊界并不是特別清晰，沒能顯示出某些局部相帶變化。與基于均方根振幅屬性地層切片得到的地震相相比，波形凝聚層次聚類的方法在地震相描述方面更為詳細(xì)，地震相帶的變化劃分更精確，因此，基于地震沉積學(xué)原理再結(jié)合本文提出的無監(jiān)督機(jī)器學(xué)習(xí)的波形凝聚層次聚類方法，可進(jìn)一步提高地震相劃分的精度。

a—均方根振幅屬性“腸狀”砂體和“指狀”砂體的平面展布;b—均方根振幅屬性“腸狀”砂體和“橢圓形”泥巖的平面展布;c—均方根振幅屬性“啞鈴狀”砂體和“指狀”泥巖的平面展布;d—均方根振幅屬性“菱形”砂體和“點(diǎn)狀”泥巖的平面展布a—RMS amplitude attribute plane distribution of "intestinal" sand body and "finger" sand body;b—RMS amplitude attribute plane distribution of "intestinal" sand body and "elliptical" mudstone;c—RMS amplitude attribute "dumbbell" sandbody and "finger" mudstone plane distribution;d—RMS amplitude attribute "rhombic" sand body and "point" mudstone plane distribution圖10 各層地層切片均方根振幅屬性地震相劃分Fig.10 Seismic facies division of RMS amplitude attribute of stratum slices

a—AHC屬性“腸狀”砂體和“指狀”砂體的平面展布;b—AHC屬性“腸狀”砂體和“橢圓形”泥巖的平面展布;c—AHC“啞鈴狀”砂體和“指狀”泥巖的平面展布;d-AHC屬性“菱形”砂體和“點(diǎn)狀”泥巖的平面展布a—AHC attribute plane distribution of "intestinal" sand body and "finger" sand body;b—AHC attribute plane distribution of "intestinal" sand body and "elliptical" mudstone;c—AHC attribute "dumbbell" sandbody and "finger" mudstone plane distribution;d—AHC attribute "rhombic" sand body and "point" mudstone plane distribution圖11 各層凝聚層次聚類地震相分布Fig.11 Seismic facies division of AHC attribute of stratum slices

3 基于AHC的儲層類別劃分海洋地震數(shù)據(jù)應(yīng)用實(shí)例分析

實(shí)際數(shù)據(jù)來自中國海洋石油總公司(CNOOC)位于南海西部的湛江分公司瓊東南盆地深水區(qū)。目標(biāo)儲層是具有強(qiáng)反射特征的砂巖儲層，在地震剖面上顯示為亮點(diǎn)反射。研究過程中，首先利用解釋的特征反射格架層，T50、T60、T70、T100為基礎(chǔ)，利用地震沉積學(xué)原理，細(xì)分成相應(yīng)的地層切片。圖12是目標(biāo)區(qū)基于地震沉積學(xué)原理解釋的層位，圖13是目標(biāo)層T70等T0圖，從圖中可以看出構(gòu)造高、低部位的空間展布。圖14是疊前時(shí)間偏移地震數(shù)據(jù)沿目標(biāo)層T70的均方根(RMS)振幅屬性地層切片。從圖中可見在構(gòu)造高部位和斜坡帶都有強(qiáng)的振幅分布，其中A部位是已經(jīng)鉆井證實(shí)的具有高含氣飽和度的砂巖儲層。在實(shí)際生產(chǎn)中基于均方根振幅屬性，后續(xù)又確定了B、C這兩個(gè)和A部位具有相同均方根屬性特征的目標(biāo)，都表現(xiàn)為較強(qiáng)的均方根振幅屬性異常。由于強(qiáng)反射能量的特征差異影響因素較多，因此單憑均方根屬性特征劃分儲層類型還是有一定風(fēng)險(xiǎn)的。在圖14所示的均方根振幅屬性圖中，除了A、B、C三個(gè)區(qū)域表現(xiàn)為強(qiáng)振幅屬性外，在相鄰區(qū)域還有D、E、F等多個(gè)強(qiáng)振幅區(qū)域，這就為甄別有效儲層造成了困難。為了更直接地劃分不同反射特征的儲層類別差異，采用本文提出的波形凝聚層次聚類分析方法，對沿T70地層切片提取的波形進(jìn)行聚類分析(聚類類別參數(shù)K=7，波形向量21維)。

圖12 目標(biāo)區(qū)基于地震沉積學(xué)原理層位解釋Fig.12 Horizon interpretation based on seismic sedimentology principle in target area

圖13 T70層等T0圖Fig.13 T70 layer isotropic T0 graph

圖14 沿T70提取的疊前時(shí)間偏移數(shù)據(jù)體地層切片均方根振幅屬性Fig.14 RMS amplitude attribute of stratigraphic slices extracted along T70 from prestack time migration data

圖15是疊前時(shí)間偏移體目標(biāo)層地震數(shù)據(jù)波形凝聚層次聚類屬性，該聚類分析的結(jié)果將A、B、C三個(gè)區(qū)塊分為三種不同的類型，A、B兩區(qū)域的類別更相近，因?yàn)橐呀?jīng)通過實(shí)鉆確定了A區(qū)域是含氣砂巖油氣藏，因此，可以判定B區(qū)域?qū)⑹窍乱徊介_展鉆探的有利目標(biāo)區(qū)。而C區(qū)域類別則是完全不同于A區(qū)域的類別，因此不能確定是下一步鉆井的有利目標(biāo)。此外，其他的強(qiáng)振幅區(qū)域，如圖15所示的D、E、F區(qū)，通過聚類分析劃分為不同的類型，而這些區(qū)域所劃分的類型和A區(qū)域也不同， 且處于構(gòu)造的低部位，因此，可以初步判定不是下一步鉆探的有利目標(biāo)。本方法有效地解決了利用均方根屬性無法解決的儲層類別差異問題，但要想進(jìn)一步確定儲層特征，還需要其他的技術(shù)方法輔助來開展分析研究。

圖15 沿T70地層切片從疊前時(shí)間偏移數(shù)據(jù)體提取地震波形獲得的凝聚層次聚類屬性Fig.15 AHC attributes obtained by extracting seismic waveforms from prestack time migration data along T70 stratigraphic slices

4 結(jié)論

基于凝聚層次聚類的波形聚類地震相劃分的優(yōu)點(diǎn)在于：

1)具有更好的抗噪性；

2)物理模型試驗(yàn)表明，在合理選擇參考等時(shí)面的情況下，基于地震沉積學(xué)原理結(jié)合本文引入的波形特征向量凝聚層次聚類分析技術(shù)可顯著提高地層切片的橫向分辨率；

3)與均方根振幅屬性比較，凝聚層次聚類屬性可提高地震相劃分的可靠性，增強(qiáng)地震相類別劃分的精度；

4)具有較高的橫向分辨率，是儲層相變分析和沉積相研究的有效輔助工具。

實(shí)際應(yīng)用中，需要注意以下幾點(diǎn)：

1)參考等時(shí)面的解釋和地層切片的劃分至關(guān)重要，將直接影響聚類分析結(jié)果的精度和可靠性；

2)用來聚類分析的波形向量維度是和儲層的厚薄有關(guān)，需要針對儲層的特征，沿地層切片選擇時(shí)窗，合理選擇波形樣點(diǎn)數(shù)；

3)聚類類別數(shù)的設(shè)定也對最終聚類結(jié)果有一定的影響，需要結(jié)合實(shí)際情況進(jìn)行測試分析。