基于显式垂直比例因子的显式分形插值地震数据重建

在前人工作的基础上对分形插值方法作了详细的探讨,给出了分形插值函数的显式表达方式.在量纲分析的基础上给出了垂直比例因子的局部显式表达式,旨在提高地震道插值重建的精度及突出局部信息,并从单道地震图的角度分析其在地震道插值重建中的应用效果.研究了垂直比例因子的变化对分形插值精度的影响.数值实验表明,随着垂直比例因子的增大,分形垂直的误差逐渐增大,二者之间呈显出指数增长的趋势.该法克服了随机分形插值方法必须进行多步迭代的弱点,提高了计算效率.通过对理论地震道插值重建的分析,说明了本文分形插值方法的高精度和高效率.本文提出的显式分形插值方法既能够突出地震道数据的局部信息,又较好地保持了地震道数据的总体变化趋势.     

地震道重建和重采样的分形插值方法研究

为了对地震数据进行高保真重建,本文给出了分形插值函数的一种替代形式,即利用某一函数的逐段积分表达形式构建相应的分形插值函数,这种形式在以往的地震数据处理文献中未曾提及.这类分形插值函数在分形和线性插值之间建立了一种简单的关系.实际上,利用这种简单关系,许多分形插值函数问题可以简化为一种简单的向量/矩阵表示.此外,利用这种替代形式,借助于压缩因子的显式表达,我们可以进行高精度的地震数据重建.本文借助于这种分形插值函数的替代形式,发展了一种新的地震数据重建和重采样的方法.为了检验本文方法的有效性,我们采用济阳凹陷10个在一条线上的地震台站的数据对该方法进行了检验,实际地震图重建结果表明了本文提出方法的有效性.     

显式分形插值在有限元叠前逆时偏移成像中的应用

以分形理论为基础,借助于压缩映射原理和不动点理论及实变函数理论,给出了分形插值函数的显式表达形式,同时给出了垂直比例因子的局部显式表达式.利用该显式分形插值方法对稀疏采样的地震记录进行了插值加密处理,并对原始记录和分形插值重建记录进行了叠前逆时偏移处理.数值重建实验表明,显式分形插值重建的剖面与原始地震剖面非常类似,单道地震记录则表明显式分形插值重建的地震道是原始地震道的良好近似,缺失道的振幅和相位都得到了很好的估计.叠前偏移结果则表明,分形插值叠前偏移剖面是原始记录偏移剖面的良好近似,二者的分辨率几乎一样.     

地震数据重建方法综述

地震勘探的目的是为了获得地下构造的精确成像.由于人为因素和环境原因,地震数据在空间方向上往往是不规则采样或缺失采样的,这可能会在数据处理时产生假象,最终导致错误的解释.因此经常需要在空间方向对缺失的地震数据进行重建.重建问题可以看作是一个反演问题,即从不完整的地震数据中重建出完整的地震波场.本文重点研究了国内外比较成熟的地震数据重建方法,如基于滤波的重建方法、基于波场延拓算子的重建方法、基于变换域的重建方法以及相干倾角插值等方法,分析了这些方法的优缺点,以及目前地震数据重建所面临的挑战.     

地震数据Bregman整形迭代插值方法

人工地震方法由于受到野外观测系统和经济因素等的限制,采集的数据在空间方向总是不规则分布.但是,许多地震数据处理技术的应用（如：多次波衰减,偏移和时移地震）都基于空间规则分布条件下的地震数据体.因此,数据插值技术是地震数据处理流程中关键环节之一.失败的插值方法往往会引入虚假信息,给后续处理环节带来严重的影响.迭代插值方法是目前广泛应用的地震数据重建思路,但是常规的迭代插值方法往往很难保证插值精度,并且迭代收敛速度较慢,尤其存在随机噪声的情况下,插值地震道与原始地震道之间存在较大的信噪比差异.因此开发快速的、有效的迭代数据插值方法具有重要的工业价值.本文将地震数据插值归纳为数学基追踪问题,在压缩感知理论框架下,提出新的非线性Bregman整形迭代算法来求解约束最小化问题,同时在迭代过程中提出两种匹配的迭代控制准则,通过有效的稀疏变换对缺失数据进行重建.通过理论模型和实际数据测试本文方法,并且与常规迭代插值算法进行比较,结果表明Bregman整形迭代插值方法能够更加有效地恢复含有随机噪声的缺失地震信息.

     

分形插值对共炮集记录叠前逆时偏移的影响

利用分形插值方法对稀疏采样的地震记录进行了插值加密处理,并对原始记录和分形插值重建记录进行了叠前逆时偏移处理．数值实验表明,分形插值重建的地震图是原始地震图的良好近似,而分形插值叠前偏移剖面是原始记录偏移剖面的良好近似,二者的分辨率几乎一样．利用分形插值重建技术可以在节约经济成本的情况下,得到地下结构的高精度成像结果．      

不规则地震道数据规则化重建方法研究

不规则地震数据会对地震多道处理技术的正确运行产生不良影响,降低地震资料处理质量.本文依据不规则地震数据的表现特征将其划分为四种类型并针对第三类不规则地震道数据采用抗泄露Fourier变换方法进行规则化重建.不规则采样数据会破坏Fourier基函数的正交性并产生频谱泄漏现象.抗泄露Fourier变换方法通过递归相减来压制...     

最小加权范数插值与调制升频结合的地震数据重建研究

提出一种新的反假频地震数据重建的两步算法,将最小加权范数插值(MWNI)方法与调制升频方法有效地结合起来.首先利用MWNI方法构建数据谱的低频部分,为了提高计算效率,在低频重建算法中,引入了预条件共轭梯度法求解反问题方程,并使用了与频率有关的变波数带宽技术;然后,基于重建的低频数据,采用调制升频方法重构数据的高频部分.调制升频方法灵活,简便,能有效地从低频资料中恢复出高频成分,克服了以往AR模型预测高频走不远的限制,当数据存在严重的空间假频时,亦能获得较好的重建效果.该两步算法不仅可用于规则地震数据的内插重建,也可用于含空道地震数据的重建.理论模型和实际地震数据重建试验表明,该方法效率高,精度高,反假频能力强,重建剖面波形连续、自然,与正确完整的地震剖面相似程度高,具有良好的实用价值和应用前景.     

饱和砂土地震液化判别的分形插值模型

借鉴分形基本理论,提出了基于分形插值模型的饱和砂土地震液化判别方法.该方法首先选取影响饱和砂土地震液化判别的7个主要因素,根据分类标准,采用在每级标准中随机内插的方法,得到40个标准样本,用于构建饱和砂土地震液化判别的分形插值模型;其次根据最大似然分类原则确定每个饱和砂土地震液化判别指标的评价分维数;然后利用加权求和法计算样本的综合评价值,并根据样本综合评价值与经验等级之间的关系建立分形插值评价模型;最后,进行了实例分析结果表明:该模型的评价结果合理、客观,计算得到的每个样本具体得分值,即使对属于同一级的样本也可以给出其地震液化程度的顺序,为饱和砂土地震液化评价工作提供了一种新的研究方法与思路.     

连续缺失地震数据的高阶流式预测滤波插值方法

由于观测系统实施以及经济因素的限制,采集到的勘探地震数据在空间方向上总是不规则分布的,并且往往会出现数据的大范围连续缺失情况.许多后续地震数据处理方法（例如：多次波压制和波动方程偏移等）都需要空间上规则分布的数据.插值技术是一种解决地震数据缺失问题的有效手段,但是传统的数据插值方法在进行连续缺失数据重建时往往会出现失效的情况,尤其在处理非平稳地震同相轴时精度不高,并且大多数的方法需要迭代计算,在处理高维大规模数据时效率较低.针对连续缺失地震数据的快速插值问题,本文提出了一种非迭代的时空域高阶流式预测滤波插值方法,通过使用高阶限制条件来提高连续缺失数据的滤波器估计精度,提高局部约束条件的稳定性,改善低阶流式计算由于滤波器系数无法连续更新所造成的插值失效情况.同时,空间非因果滤波器和蛇形插值路径的设计方案可以有效减小大范围连续缺失数据和数据边界对于预测滤波器的计算误差,本方法能够有效处理包括近炮检距缺失情况在内的连续缺失数据插值重建.通过与工业标准傅里叶凸集投影（POCS）方法进行比较,理论模型和实际数据处理结果表明,本文提出的高阶流式预测滤波插值方法对高维连续缺失地震数据有较好的重建效果,在插值精度和计算效率两个方面有更好的平衡性.

     

Seismic data interpolation using frequency‐domain complex nonstationary autoregression

We have developed a novel method for missing seismic data interpolation using f‐x‐domain regularised nonstationary autoregression. f‐x regularised nonstationary autoregression interpolation can deal with the events that have space‐varying dips. We assume that the coefficients of f‐x regularised nonstationary autoregression are smoothly varying along the space axis. This method includes two steps: the estimation of the coefficients and the interpolation of missing traces using estimated coefficients. We estimate the f‐x regularised nonstationary autoregression coefficients for the completed data using weighted nonstationary autoregression equations with smoothing constraints. For regularly missing data, similar to Spitz f‐x interpolation, we use autoregression coefficients estimated from low‐frequency components without aliasing to obtain autoregression coefficients of high‐frequency components with aliasing. For irregularly missing or gapped data, we use known traces to establish nonstationary autoregression equations with regularisation to estimate the f‐x autoregression coefficients of the complete data. We implement the algorithm by iterated scheme using a frequency‐domain conjugate gradient method with shaping regularisation. The proposed method improves the calculation efficiency by applying shaping regularisation and implementation in the frequency domain. The applicability and effectiveness of the proposed method are examined by synthetic and field data examples.     

A new approach for high fidelity seismic data recovery by fractal interpolation

Recovering accurate data is important for both earthquake and exploration seismology studies, when data are sparsely sampled or partially missing. We present a method that allows for precise and accurate recovery of seismic data using a localized fractal recovery method. This method requires that the data are selfsimilar on local and global spatial scales. We present examples that show that the intrinsic structure associated with seismic data can be easily and accurately recovered by using this approach. This result, in turn, indicates that seismic data are indeed self-similar on local and global scales. This method is applicable not only for seismic studies, but also for any field studies that require accurate recovery of data from sparsely sampled datasets with partially missing data. Our ability to recover the missing data with high fidelity and accuracy will qualitatively improve the images of seismic tomography.     

基于Shearlet变换和广义全变分正则化的地震数据重建

压缩感知技术通常利用地震信号在某一变换域内的稀疏性质,将随机缺失的地震数据重建问题转化为L1正则化问题.本文首先通过Shearlet变换获得地震信号的稀疏性质,再将广义全变分（TGV）约束引入L1正则化模型,构建了基于Shearlet变换的双正则化模型用于重建地下介质的图像.与传统L1正则化方法相比,基于Shearlet变换的双正则化方法不仅考虑了信号的稀疏性,同时兼顾了地下介质结构的复杂性,可以较好的重建地下结构体的图像.最后采用交替方向乘子法（ADMM）求解所建模型,每个子问题均可得到显式解.数值实验对比了基于小波变换、Shearlet变换的L1正则化方法和TGV正则化方法,结果表明基于Shearlet变换的双正则化方法对于随机采样50%数据的情况具有较好的重建结果,同时对于有限范围的连续缺失数据的重建亦具有一定的有效性.

     

A fast joint seismic data reconstruction by sparsity‐promoting inversion

Seismic field data are often irregularly or coarsely sampled in space due to acquisition limits. However, complete and regular data need to be acquired in most conventional seismic processing and imaging algorithms. We have developed a fast joint curvelet‐domain seismic data reconstruction method by sparsity‐promoting inversion based on compressive sensing. We have made an attempt to seek a sparse representation of incomplete seismic data by curvelet coefficients and solve sparsity‐promoting problems through an iterative thresholding process to reconstruct the missing data. In conventional iterative thresholding algorithms, the updated reconstruction result of each iteration is obtained by adding the gradient to the previous result and thresholding it. The algorithm is stable and accurate but always requires sufficient iterations. The linearised Bregman method can accelerate the convergence by replacing the previous result with that before thresholding, thus promoting the effective coefficients added to the result. The method is faster than conventional one, but it can cause artefacts near the missing traces while reconstructing small‐amplitude coefficients because some coefficients in the unthresholded results wrongly represent the residual of the data. The key process in the joint curvelet‐domain reconstruction method is that we use both the previous results of the conventional method and the linearised Bregman method to stabilise the reconstruction quality and accelerate the recovery for a while. The acceleration rate is controlled through weighting to adjust the contribution of the acceleration term and the stable term. A fierce acceleration could be performed for the recovery of comparatively small gaps, whereas a mild acceleration is more appropriate when the incomplete data has a large gap of high‐amplitude events. Finally, we carry out a fast and stable recovery using the trade‐off algorithm. Synthetic and field data tests verified that the joint curvelet‐domain reconstruction method can effectively and quickly reconstruct seismic data with missing traces.     

基于Shearlet变换和广义全变分正则化的地震数据重建

压缩感知技术通常利用地震信号在某一变换域内的稀疏性质,将随机缺失的地震数据重建问题转化为L1正则化问题.本文首先通过Shearlet变换获得地震信号的稀疏性质,再将广义全变分（TGV）约束引入L1正则化模型,构建了基于Shearlet变换的双正则化模型用于重建地下介质的图像.与传统L1正则化方法相比,基于Shearlet变换的双正则化方法不仅考虑了信号的稀疏性,同时兼顾了地下介质结构的复杂性,可以较好的重建地下结构体的图像.最后采用交替方向乘子法（ADMM）求解所建模型,每个子问题均可得到显式解.数值实验对比了基于小波变换、Shearlet变换的L1正则化方法和TGV正则化方法,结果表明基于Shearlet变换的双正则化方法对于随机采样50%数据的情况具有较好的重建结果,同时对于有限范围的连续缺失数据的重建亦具有一定的有效性.