Acoustic least-squares reverse time migration (LSRTM) can retrieve the improved reflection images. However, the most existing acoustic LSRTM approaches generally ignore the density variation of the subsurface. The multi-parameter acoustic LSRTM approach in the presence of a density parameter can overcome this weakness. However, different model parameterizations in such an acoustic LSRTM approach can lead to different migration artifacts and influence the rate of convergence. In this paper, we mainly investigate and analyze the reflectivity images of different model parameterizations in the multi-parameter acoustic LSRTM approach, in which the velocity–density parameterization can provide reliable reflection images. According to Green’s representation theory, we derive the gradients of the objective function with regard to the multi-parameter reflectivity images in detail, in which both the migration image of density in the velocity–density model parameterization and the migration image of impedance in the impedance–velocity model parameterization are free from the low-frequency artifacts. Through numerical examples using the layered and fault models, we have proved that the multi-parameter acoustic LSRTM approach with the velocity–density model parameterization can provide the migration images with higher resolution and improved amplitudes. Meanwhile, a correlation-based objective function is less sensitive to amplitude errors than the conventional waveform-matching objective function in the multi-parameter acoustic LSRTM approach.

声学最小二乘逆时偏移（LSRTM）可以检索改进的反射图像。但是，大多数现有的声学LSRTM方法通常会忽略地下的密度变化。在存在密度参数的情况下，多参数声学LSRTM方法可以克服此缺点。但是，在这种声学LSRTM方法中，不同的模型参数化会导致不同的迁移伪像并影响收敛速度。在本文中，我们主要研究和分析多参数声学LSRTM方法中不同模型参数化的反射率图像，其中速度-密度参数化可以提供可靠的反射图像。根据格林的表征理论，我们详细推导了关于多参数反射率图像的目标函数的梯度，其中速度-密度模型参数化中的密度迁移图和阻抗-速度模型参数化中的阻抗迁移图都是自由的来自低频伪像。通过使用分层模型和断层模型的数值示例，我们证明了采用速度-密度模型参数化的多参数声学LSRTM方法可以为偏移图像提供更高的分辨率和幅度。同时，在多参数声学LSRTM方法中，基于相关性的目标函数对幅度误差的敏感性不如常规波形匹配目标函数。其中速度-密度模型参数化中的密度迁移图和阻抗-速度模型参数化中的阻抗迁移图都没有低频伪影。通过使用分层模型和断层模型的数值示例，我们证明了采用速度-密度模型参数化的多参数声学LSRTM方法可以为偏移图像提供更高的分辨率和幅度。同时，在多参数声学LSRTM方法中，基于相关性的目标函数对幅度误差的敏感性不如常规波形匹配目标函数。其中速度-密度模型参数化中的密度迁移图和阻抗-速度模型参数化中的阻抗迁移图都没有低频伪影。通过使用分层模型和断层模型的数值示例，我们证明了采用速度-密度模型参数化的多参数声学LSRTM方法可以为偏移图像提供更高的分辨率和幅度。同时，在多参数声学LSRTM方法中，基于相关性的目标函数对幅度误差的敏感性不如常规波形匹配目标函数。通过使用分层模型和断层模型的数值示例，我们证明了采用速度-密度模型参数化的多参数声学LSRTM方法可以为偏移图像提供更高的分辨率和幅度。同时，在多参数声学LSRTM方法中，基于相关性的目标函数对幅度误差的敏感性不如常规波形匹配目标函数。通过使用分层模型和断层模型的数值示例，我们证明了采用速度-密度模型参数化的多参数声学LSRTM方法可以为偏移图像提供更高的分辨率和幅度。同时，在多参数声学LSRTM方法中，基于相关性的目标函数对幅度误差的敏感性不如传统的波形匹配目标函数。