کاربرد تجزیه مقدار منفرد در تضعیف نوفه تصادفی در داده‌های مصنوعی و واقعی لرزه‌ای

حضور انواع نوفه از جمله نوفه تصادفی در داده لرزه‌ای همواره مشکلاتی را در استفاده از داده لرزه‌ای بوجود می‌آورد، لذا این نوع از نوفه‌ها باید در مراحل پردازشی تضعیف گردند. روش تجزیه مقدار منفرد بر اساس جبر خطی و بر پایه همدوسی داده بنا شده است که می‌تواند پدیده‌های همدوس افقی را در تصاویر مشخصه ابتدایی شناسایی نماید. برای تضعیف نوفه تصادفی در داده نقطه عمقی مشترک پس از تحلیل سرعت و انجام تصحیحات دینامیک و پیش از برانبارش، تجزیه مقدار منفرد روی داده اعمال می‌گردد. بازتاب‌های افقی شده در تصاویر مشخصه ابتدایی شناسایی شده و بازسازی می‌گردند و سایر تصاویر مشخصه که حاوی نوفه تصادفی هستند برابر صفر قرار گرفته و در نتیجه نوفه تصادفی تضعیف خواهد شد. از آنجایی که تجزیه مقدار منفرد می‌تواند پدیده‌های افقی را به خوبی شناسایی نماید، بنابراین اگر تصحیحات استاتیک و یا دینامیک به خوبی روی داده‌ها اعمال نشده باشند و در داده نقطه عمقی مشترک بازتاب‌ها به‌جای افقی بودن دارای اعوجاج باشند، تجزیه مقدار منفرد، نمی‌تواند آنها را به خوبی از نوفه شناسایی نماید. در این مقاله مراحل مذکور روی یک داده نقطه عمقی مشترک مصنوعی با سطوح مختلفی از نسبت سیگنال به نوفه و یک داده واقعی مربوط به یکی از میادین هیدروکربوری ایران واقع در خشکی اعمال شده است. بر اساس نتایج، فیلتر تجزیه مقدار منفرد به خوبی می‌تواند ضمن حفظ بازتاب‌ها تا حد زیادی نوفه تصادفی را تضعیف نماید. این مسئله در داده مصنوعی حتی با سطح نوفه زیاد یعنی (نسبت سیگنال به نوفه یک) نیز به خوبی قابل مشاهده است

Application of Singular Value Decomposition for Random Noise Attenuation in Synthetic and Real Seismic Data

The presence of many types of noises such as random noise in the seismic data cause some problems; so, they must be attenuated in the processing steps. Singular value decomposition (SVD) is a coherency and linear algebra based filter, which can detect horizontal events in the first eigenimages. For random noise attenuation, after geometry assigning, in common depth point (CDP) gather, after velocity analysis and dynamic corrections and before stacking data, SVD is applied to data. The aligned reflectors are detected at first eigenimages, then they are reconstructed; hence another eigenimage, which contains random noise, is zeroed and the random noise will be attenuated. Because the SVD can detect the horizontal event, if static and dynamic corrections are not applied to data correctly and in the common depth point gather, the reflectors have fluctuations and SVD cannot separate between reflectors and random noise viable. In this paper, these steps are applied to a synthetic common depth point gather with various ratios of signal to noise and to a real common depth point gather from one of the Iranian land hydrocarbon field. According to the results, singular value decomposition can attenuate the random noise and preserves the reflectors considrably. Furthermore, this subject is shown in the synthetic data with high noise level (SNR=1).