1.一种基于DualGAN的地震资料高分辨率处理方法，其特征在于，包括以下步骤：

步骤一：数据准备；DualGAN 网络要求的数据输入为两个定义域，“宽频重构”是：低频的井旁地震道与高频基于测井信息的合成地震记录，对声波测井曲线、密度测井曲线进行环境校正，声波测井曲线涉及到多口井数据作为模型输入，做多井一致性处理；密度测井曲线也需要完成标准化处理，在目标井 360度范围内，提取过井地震数据作为学习样本；

步骤二：数据预处理；对测井曲线进行曲线环境校正，分角度提取多道井旁地震道，增加模型训练的标签数，开展地震道集优化处理；

步骤三：标签提取；在目标井360度范围内，提取过井地震数据作为学习样本，增加学习样本数，将提取各地震道通过空间位置加权后，得到对应井的井旁低频地震道数据，沿井轨迹提取真实井旁地震信号，分别提取 5道地震数据；一口井 25组标签，沿 6个方向，每个方向 5道数据，合成的地震记录应分为不同频段信号作为网络输入；

步骤四：网络搭建，通过多层的特征变换组合，将样本数据的原始特征映射到一个全新的特征空间中，通过增加模型结构的深度、数据增强、选择激活函数 ReLU 函数以及 Dropout策略，利用多层隐层节点，在此基础上构建的适合于地震数据特征高分辨率回归的卷积神经网络模型，最终获得能够满足地震数据特征高分辨率的深度神经网络模型；

步骤五：模拟训练，基于上述的“宽频重构”的原理，用 GAN 生成对抗网络的方式来构建训练模型，GAN包括一个生成器和一个判别器，生成器通过“添加噪声”的方式来实现域之间的转换，判别器用来评判生成器的好坏，生成器是用来重构宽频地震信号，采用了 DualGAN的思路‑双向生成对抗网络即两个生成器、两个判别器；

设原始的井旁地震道数据为S，其经过生成器G1生成的宽频重构的结果为W，基于测井信息的真实合成地震记录为A，G1 对应的判别器为D1，所有的宽频数据经过生成器G2 生成的低通滤波结果为L，G2 对应的判别器为D2；

基于DualGAN双向生成对抗网络的地震信号宽频重构的直接目的就是利用测井信息提高地震资料分辨率，故应用模型时关注点为模型输入的地震数据经过生成器G1输出后分辨率是否得到提高，采取双向生成对抗；

在地震剖面上观察 DualGAN 模型训练的效果，生成器G1 输出数据反射层层位更加清晰，分层更加细致，小断点进行识别，而生成器G2输出数据与模型输入数据，原始地震剖面相比时深关系一致，层位对应的反射特征一致。

2.根据权利要求1所述的一种基于DualGAN的地震资料高分辨率处理方法，其特征在于，所述步骤二中，步骤为：步骤S1：多井一致性处理，同一区域内不同井位受地理位置、施工条件因素影响，不同井的声波时差测井曲线是不齐，对该区域的多井声波时差测井曲线做一致性处理；

步骤S2：曲线标准化：同一区域测井系列数据繁多且系统误差变化大，各井同类测井数据具有统一刻度，对测井曲线进行标准化处理。

3.根据权利要求1所述的一种基于DualGAN的地震资料高分辨率处理方法，其特征在于，所述步骤四中；步骤为：步骤S41：DualGAN网络结构中一共有四个网络，两个生成器，两个判别器，在图像风格转换领域中用卷积神经网络作为生成器与判别器使用；

DualGAN的网络结构选择使用卷积神经网络，生成器采用一种 U型卷积神经网络结构即U‑Net，除了输入层和输出层之外，U‑Net 还包括收缩路径、扩张路径以及两条路径之间的跳跃连接结构，在收缩路径中，每个下采样通道包含两个卷积层，在一个卷积层中，输入数据x与卷积核权重参数 进行卷积，之后经过批归一化处理，将批归一化处理结果通过非线性整流单元激活函数，最后将结果输入到下一个卷积层中，整个操作由公式表示为：                      （1）

其中b 表示卷积核中的偏移项，BN代表批归一化操作， 表示 ReLU 激活函数，

                          （2）

步骤S42：下采样操作是下采样通道中的最后一个操作，下采样操作通过池化层完成，池化层将特征图维度缩小为原来的一半，在每次下采样之后，卷积核的数量变为原来的两倍，收缩路径中一共包含四个下采样通道，加上输入层，共同组成编码结构，将高维数据转化为低维数据，对输入数据进行特征提取，扩张路径与收缩路径对称，在扩张路径中，共包含四个上采样通道，上采样通道同样包含两层卷积层，每层卷积层后添加批归一化层以及 ReLU 激活函数，上采样操作通过上采样层完成；

步骤S43：收缩路径、扩张路径以及跳跃连接三个结构相互联接组成 U‑Net，以 DualGAN 中的一个方向的生成器GA为例，U‑Net 将一组原始地震道数据作为输入样本，对应的合成地震记录作为输出数据进行训练；

步骤S44：鉴别器DA是一个包含一系列卷积层、批归一化层和 ReLU 激活函数的卷积神经网络，鉴别器的主要功能是判别输入数据来自真实样本标签或者为生成器输出数据，鉴别器期望预测结果用公式表示为：D(u, v) = 1                                （3）

D(u, G(u, z)) = 0                             （4）其中u 为生成器 的输入数据，v为 网络的参考，即标签数据， G(u, z) 为 的生成器输出的样本数据，步骤S45：判别器的网络结构为：输入层，包含一个卷积层，卷积核数量为 64，卷积核大小为33，步长为 1，在卷积层之后添加 ReLU 激活函数；三个卷积块：一个包含 64 个卷积核的卷积层，一个批归一化层，一个 ReLU 激活函数；输出层，由一个包含一个33卷积核的卷积层以及后接 ReLU 激活函数组成。