纹理属性及模式识别在沉积相研究中的应用

岳喜伟，余海涛

（中国石油新疆油田分公司勘探开发研究院，新疆乌鲁木齐830000）

目前，利用地震属性辅助预测沉积相常用的方法包括传统均方根振幅法［1］、地震波波形聚类法［2-5］、平面地震相［6］、多属性融合［7-9］、基于机器学习等［10-11］。 纹理属性是近几年逐渐开始应用的一种属性，王霞［12］利用纹理属性预测潜山裂缝发育带，胡英［13］利用纹理属性与波形聚类相结合划分地震相，雷英成［14］利用倾角扫描结合纹理属性检测断层，此外纹理属性在火山岩储层预测［15］及河道砂分布预测［16］中也取得了较好效果。由于纹理属性可以用来描述储层沉积环境的变化，因此本文利用该属性结合模式识别，对沉积相分布特征进行预测，取得了较好的效果。

1 纹理属性原理

纹理属性是利用图像识别处理技术来评价地震数据能量的变化［12］，从而描述特殊岩性体的分布、储层沉积环境、构造变化特点等。纹理属性可应用于模式识别、聚类分析等，从不同侧面对特殊岩性体、沉积环境的变化进行综合分析。GeoEast软件提供14种纹理属性的计算方法，其中熵、均匀度、能量、对比度、相关性是比较常用的纹理属性。

1.1 相关性（Correlation）

计算灰度伴随矩阵中元素之间的特定线性关系出现的频率,如果矩阵中元素的某一种固定排列方式越多，该值会越大，高相关性意味着高的线性关系。计算公式如下：

灰度共生矩阵Pd（i，j）的值表示在纹理基元体中，其中一个像素的灰度值为i，无量纲；另一个像素的灰度值为j，无量纲，并且相邻距离为d，m，沿着指定方向的这样两个像素出现的概率，%。下文中公式具有同样的含义。

μi，μj（无量纲）表示图像灰度共生矩阵中元素在行方向和列方向的相关程度的度量；σi，σj（无量纲）表示图像灰度共生矩阵中行方向和列方向的灰度差值［17］。

1.2 均匀度（Homogeneity）

反映矩阵中元素聚集于主对角线附近的程度。当矩阵中较大的数值都集中在主对角线的附近时，此数值会趋大。均匀度是最常用的用于测量图像对比度的一种特征值。图像的对比度越小，均匀度越高。计算公式如下：

1.3 能量（Energy）

能量又称角二阶矩，用来衡量纹理的一致性或均匀性。当纹理均一或一致时，灰度伴随矩阵元素就会集中在某些区域，数值变大，反之元素分散，数值变小。当灰度伴随矩阵中的各元素数值相等时能量最低，其值与熵大致相反，但并不呈线性关系。计算公式如下：

1.4 对比度（Contrast）

衡量图像中像素之间的差异性的程度，它反映灰度伴随矩阵元素在主对角线上的集中情形，当对比大的数值都集中在主对角线附近时，其数值越小，即对比度较差，像素灰度值的差异较小。该值与均匀度大致相反。计算公式如下：

1.5 熵（Entropy）

熵用来衡量图像纹理的复杂程度或矩阵中元素排列的混乱程度，在一幅图像中，纹理越随机，则纹理越复杂，其矩阵中各元素越相等，熵的数值愈大。如果图像灰度伴随矩阵的熵值很高，则影像很均匀，意味着类似的灰度伴随矩阵形状安排没有特殊的纹理。计算公式如下：

2 应用效果

准噶尔盆地中拐凸起二叠系上乌尔禾组二段是重要的油气层，主体部位已发现多个油藏，向斜坡区方向还有多个剩余出油气井点，仍具有一定勘探潜力，但勘探程度相对较低，因此需要对目的层沉积相分布特征进行进一步刻画，以明确低勘探程度区有利储层展布范围及有利砂体发育区。在对目的层沉积相研究中，发现利用常规均方根振幅属性法及波形聚类法刻画时，效果不理想，反映沉积相分布规律不明显。

以JL2 井区连片三维数据为基础，利用二叠系上乌尔禾组二段底层位向上开30 ms 时窗，提取了常用的六种纹理属性。通过与前人依据勘探程度较高地区已钻井分析所绘制平面沉积相图进行对比，认为纹理相关性属性（图1）、纹理熵属性（图2）及纹理均匀度属性与沉积相图（图3）的对应关系较好，能够反映斜坡区勘探程度较低地区沉积相分布特征。

图1 纹理-相关性属性

图2 纹理-熵属性

图3 上乌尔禾组二段沉积相平面分布

纹理属性图（图1）显示沉积相分布及变化响应特征明显，扇三角洲平原亚相与前缘亚相分界明显，平原亚相主要位于工区的西北部，分布在KE007-JL29-JL7-JL27 井一线以西，往东变为前缘亚相，前缘亚相范围广阔。另外，从属性平面图中可以看出上乌尔禾组二段主要发育三支主水流，水流方向从北西至南东，西侧发育有小支流，物源主要来自于北西方向，前期研究认为顺着物源方向储层物性逐渐变好，因此往斜坡区方向应该仍发育有前缘亚相优质储层。与沉积相图及已钻井结果对比分析，从纹理属性图中可以看出，前缘亚相中水下分流河道微相发育（图1），主要沿着JL041-KE79-JL2-J213-J204 以 及KE303-JL35-JL49 方 向，一 般来说水下分流河道微相砂体较发育，且储层物性相对较好，油气成藏概率较大，因此在J204 井以南及沿JL35-JL49 方向，是下一步油藏扩边及低勘探区扩展的有利目标区，新增有利区面积80 km2。

由于利用无监督模式识别技术研究沉积相展布特征相对比较成熟，因此本文接着利用GeoEast软件中无监督模式识别技术对上乌尔禾组二段进行了分析（图4），然后将预测结果与纹理属性平面图对比，两者预测沉积相平面分布特征类似，扇三角洲平原亚相及前缘亚相分界明显，分布范围基本一致，表明利用纹理属性研究沉积相的平面分布特征具有一定可行性。

图4 无监督模式识别属性预测结果

此外，从纹理属性剖面上可以看出（图5），上乌尔禾组二段扇三角洲前缘亚相砂体特征清晰，呈透镜体状，与新钻井JL50 及JL54 井标定结果匹配较好，砂体对应位置GR 曲线为低值，RT 曲线为高值（蓝色GR曲线，红色RT曲线）。

JL50 井上乌尔禾组二段中部以砂砾岩为主，下部以中—细砂岩为主（图6a），平均孔隙度14.1%，平均渗透率4.24×10-3μm2，物性较好，且试油为低产油层；JL54 井乌尔禾组二段储层主要为砂砾岩、细砂岩等，呈现砂包泥的特征（图6b），取心为油浸级、荧光级显示，平均孔隙度11.7%，试油获得高产工业油流。新钻井上乌尔禾组二段都反映扇三角洲前缘亚相特征，证明沉积相预测结果准确，利用纹理属性来预测沉积相及剖面砂体特征具有较好的可行性。

图5 纹理属性剖面

3 结论

（1）纹理属性中的纹理熵属性、纹理均匀度属性及纹理相关性属性对不同的沉积相类型有较好的响应，但在其他工区及地区应用过程中应该提取多种类别的纹理属性，并结合工区已钻井实际情况，来优选最能反映工区沉积相平面特征的纹理属性类别。

（2）单一属性具有一定局限性，因此可将纹理属性同其他地震属性（如模式识别、波形聚类等）或单井相、地震相相结合，以便在沉积相预测中取得最佳效果。