Description:

"Ослабление влияния системы наблюдений в 3D наземных съемках: Suppression of acquisition footprint in 3D land surveys. Некати Гулунай, Нил Бенджамин и Маг Мэгсэн из CGG обсуждают влияние геометрии системы наблюдений, которое проявляется в большинстве 3D наземных съемок, и надежный метод для ослабления этого влияния. Влияние геометрии системы наблюдений 3D наземных съемок проявляет себя в виде полос на временных срезах суммарного куба данных с инлайновым и кросслайновым периодами, которые совпадают с интервалами между источниками и интервалами между приемниками в системе наблюдений. Hill и др. (1999) дают детальное описание и исследование влияния системы наблюдений. ДМО-кубы также демонстрируют такие артефакты. Schleicher и др. (1989) и Ронен (1994) объясняют артефакты ДМО как проявление неоднородностей в диаграмме кратности. Эти артефакты на суммарных кубах (или ДМО-кубах) иногда описываются как "штриховка" или "дребезг", и они препятствуют точной интерпретации. Это явление подобно периодическим артефактам, которые наблюдаются вдоль направления инлайна 2D профилей, вследствие того что распределение удалений в пределах ОГТ имеет периодичность пропорциональную отношению интервала между источниками и интервала между приемниками. В 2D съемках геометрия источников и приемников и полевые расстановки могут быть объединены по правилу "суммарная расстановка" (Ansty, 1986; Morse и др., 1989) для ослабления таких артефактов. Хорошо известно что такие артефакты в 2D могут быть ослаблены неоднозначным способом интерполяции трасс, поскольку источником проблемы является крутопадающая составляющая (содержание зеркальных частот), появившаяся вследствие использования редкой геометрии системы наблюдения. В 3D наземных съемках из-за больших интервалов линий источников и приемников и поиска малых расстановок источников и приемников невозможно применение правила "суммарной расстановки". Любая многоканальная процедура, является ли это суммированием, ДМО или миграцией, чувствительна к таким артефактам. Поскольку интерполяция является трудной или дорогостоящей, требуется другой способ для ослабления таких артефактов. Первые известные нам изданные исследования, связанные с проблемами влияния системы наблюдений на 3D кубы и детерминированными способами их решения, были сделаны Meunier и др. (1992) и Baixas и др. (1993). Вскоре Gulunay и др. (1994) предложили адаптивный к данным метод режекторной фильтрации в частотноволновочисловой области, который работал хорошо в основном для плоских волн. Gulunay (1999, 2000) позже дополнил метод для наклонных волн, заметив что формы артефактов являются частотно-инвариантными но их положение меняется с частотой и повторяет наклон каждой преобладающей волны. Работа в частотной области не единственный способ: Drummond и др. (2000) предложили использовать временные срезы и детерминистическую режекторную фильтрацию этих срезов в области волнового числа. Однако, поскольку их основной метод фильтрации временных срезов не был адаптивен к данным и диаграммы шумов могли меняться со временем, они также предложили использование адаптивного подавления помех. Зависящая от геометрии детерминистическая фильтрация временных срезов 3D кубов для подавления влияния системы наблюдения была позже предложена Soubaras (2002). Karagul и др. (2004) показали интересные результаты на наборе данных со сложным строением, используя метод Soubaras. Самой последней является предложенная Al-Bannagi и др. (2004) фильтрация временных срезов с разложением по сингулярным числам матрицы (SVD), где ослабление влияния системы наблюдений и случайное подавление шума выполняются на одном шаге путем выбора определенных сингулярных чисел. Изучая предшествующие публикации, можно естественно задаться вопросом, каковы за и против работы с временными или частотными срезами, поскольку они необязательно одинаковые даже когда все частоты отфильтрованы в методе частотной области. Можно также задаться вопросом могут ли адаптивные к данным методы, как метод Gulunay (1999, 2000), работать со сложными волновыми картинами или должны мы проектировать детерминированные фильтры для каждого отдельного случая. Оставив первый вопрос на будущие исследования, Gulunay и др. (2005) разработали метод режекторной фильтрации частотных срезов по волновым числам, названный FKF3D, с обширным пользовательским средством управления и небольшими требованиями к контролю качества, и проверили его на различных массивах данных, полученных на Ближнем Востоке. В данной статье мы приводим введение в основные принципы метода и некоторые результаты, полученные для ближневосточных полевых данных. Пространственно-периодические помехи формируют пики в области волнового числа. Может быть использована простая модель для иллюстрации принципов метода FKF3D. Периодически повторяющийся цуг волн-помех проявляется в области волнового числа в виде пиков, наложенных на спектр сигнала. Эти помехи могут быть ослаблены простым масштабированием пиков в этой области. Давайте также построим модель помехи n с 50 дискретами, используя импульс, состоящий из 5 дискретов (-2, -1, 0, +1, +2), который повторяем 10 раз. Спектр волновых чисел сигнала S показан на рисунке 2. Как было замечено вследствие пространственной вариации в сигнале нет нулевых сигнальных компонентов для всех волновых чисел. Спектр волновых чисел помехи N показан на рисунке 3. FT ( combN(x) ) = comb1 N(k), где нижние индексы N и 1 N показывают периодичность соответственно для x и k. В этом примере, поскольку периодичность 1/5 в области волновых чисел то в этой области будет пять пиков. Однако хотя мы замечаем что спектр шумов на рисунке 3 включает пики величина этих пиков не постоянна и один пик отсутствует. Причина этого в том что свертка получена в области волновых чисел. Спектр шумов N может быть интерпретирован как дискретизированная версия широкого спектра сформированного коротким импульсом помех (-2, -1, 0, +1, +2) с этой гребенчатой функцией. Причина отсутствия пика (который должен быть на k_0) заключается в том что периодический импульс в пространстве не содержит постоянной составляющей. Спектр волновых чисел сигнала плюс помехи показан на рисунке 4. Этот пример показывает, что уменьшение значений пиков с собственными значениями (например, 0.1) обеспечит надежное восстановление составляющих сигнала. Анализ для простоты приведен только для одной пространственной размерности. Его можно легко расширить на два пространственных измерения. Когда данные являются ровными они показывают ту же диаграмму влияния системы наблюдений на всех частотах и эти диаграммы сосредоточены в нулевом волновом числе. Суммируя отклики данных поперек частот можно получить" Ключевые слова: break, должный, показанный, acquisition, срез, сдвинуть двойной, полевой расстановка, помеха, временной, мс, вследствие, метод, частота, kx-ky, замечать, разница, seg, февраль, хороший, артефакт, применение фильтр, конфигурация съемка, локальный максимум, наземный, дать геометрия, данный, адаптивный, использовать, влияние система, рисунок, спектр, eage, инлайна, максимум, americas, вход, частотный, рисунок показанный, зигзаг вход, гребенчатый функция, гребенчатый, спектр сигнал, пространственный, инлайн, система, двойной, тройной, приемник, область, кросслайн, красный, geophysics, раздеть, куб, режекторный, двойной зигзаг, область волновой, суммарный, рисунок заметить, получить, kx-ky спектр, acquisition footprint, кривая, предложить, полевой, наземный сейсморазведка, сейсморазведка, волна, показать, сигнал, приёмник, модель, расстановка, спектр волновой, частотный срез, масштабный, пик, значение, известный, специальный, диаграмма, временной срез, footprint, синий, малый, задаться вопрос, источник, периодичность, kx-ky область, ослабление, вход разница, февраль специальный, сдвинуть, дб, волновой, кросснлайн, влияние, специальный раздеть, точка, пространство, заметить, геометрия, зигзаг, показывать, раздеть наземный, наблюдение, спектральный пик, фильтр, break февраль, находиться, функция, система наблюдение, локальный, съёмка, кросслайна, следствие, рисунок показать, gulunay, соответственно, окно, спектр шум, annual, интервал, дать, контроль качество, коэффициент, трудный, фильтрация