CN102103217A - 用于衰减双传感器地震数据中的干扰噪声的方法 - Google Patents

Abstract

本发明涉及用于衰减双传感器地震数据中的干扰噪声的方法。通过交织来自地震数据中的水听器收集和地音探听器收集的迹线来构建超级收集，以使得与位于相同位置的水听器和地音探听器相关的迹线彼此相邻。从超级收集减去噪声衰减的超级收集以产生超级收集噪声模型，该噪声衰减的超级收集是通过向超级收集应用f-x域噪声识别和衰减过程而产生的。从水听器收集减去通过从超级收集噪声模型去除无噪声的地音探听器收集迹线而产生的水听器收集噪声模型，以产生干扰噪声衰减的地震数据。

Description

用于衰减双传感器地震数据中的干扰噪声的方法

对相关申请的交叉引用                              不适用

联邦政府发起的研究或开发                                  不适用

序列列表、表格或计算机列表                              不适用。

技术领域

本发明总体上涉及地球物理勘探的领域。更具体地，本发明涉及衰减来自海洋地震拖缆（streamer）数据的噪声的领域。

背景技术

在油气产业中，地球物理勘探通常用于帮助搜索和评估地表下地层（subsurface earth formation）。地球物理勘探技术获得地球的地表下结构的知识，这有益于找到和提取有价值的矿物资源，具体地是诸如石油和天然气的碳氢化合物沉积物。地球物理勘探的一种公知技术是地震勘测。在基于陆地的地震勘测中，地震信号在地球表面之上或在接近地球表面处产生，然后向下行进到地球的地表下中。在海洋地震勘测中，地震信号也可以向下行进通过覆盖于地球地表下的水体。地震能量源用于产生地震信号，该地震信号在传播到地球中后至少部分地被地表下地震反射层反射。这样的地震反射层通常是在具有不同的弹性属性（具体地是声波速度和岩石密度）的地层（subterranean formation）之间的界面，不同的弹性属性导致在这些界面处的声阻抗的不同。通过在地球表面或接近地球表面、在上覆的水体中或在钻孔的已知深度的地震传感器（也称为地震接收器）检测反射的地震能量。地震传感器从检测的地震能量产生通常为电或光的信号，所述信号被记录以用于进一步的处理。

表示地球的地表下的、在执行地震勘测中获得的结果产生的地震数据被处理以产生与在被勘测的区域中的地表下地层的属性和地质结构相关的信息。所处理的地震数据被处理以显示和分析这些地层的可能的碳氢化合物含量。地震数据处理的目标是从地震数据提取关于地层的尽可能多的信息，以便充分地对地质地表下进行成像。为了识别其中有可能找到石油聚集的地球的地表下中的位置，在收集、处理和解释地震数据中花费大量的资金。从记录的地震数据构建限定感兴趣的地下地层的反射层表面的过程提供了在深度或时间上的地球的图像。

产生地球的地表下的结构的图像，以便使得解释者能够选择具有石油聚集的最大可能性的位置。为了验证石油的存在，必须钻井。钻井以确定是否存在石油沉积物是极其昂贵和耗时的任务。因为这个原因，持续地需要改善地震数据的处理和显示，以便产生地球的地表下的结构的图像，这将改善解释者评定在地球的地表下中的特定位置存在石油聚集的可能性的能力，而不论所述解释是通过计算机还是人进行的。

用于在陆地地震勘测中产生地震信号的适当地震源可以包括爆炸物或震动器。海洋地震勘测通常使用水下的（submerged）地震源，该水下的地震源被船舶牵引并且周期地被激励以产生声波场。产生该波场的地震源可以有几种类型，包括少量爆炸装料（explosive charge）、电火花或电弧、海洋震动器和通常是枪。地震源枪可以是水枪、蒸汽枪和最通常是气枪。通常，海洋地震源不是由单个源元件构成，而是由空间上分布的源元件阵列构成。这种布置对于海洋地震源的当前最常见形式——气枪尤其如此。

适当类型的地震传感器通常包括：粒子速度传感器，具体地是在陆地勘测中；以及，水压传感器，具体地是在海洋勘测中。有时，取代粒子速度传感器或除此之外，使用粒子加速度传感器或压力梯度传感器。粒子速度传感器和水压传感器在本领域中分别通常被称为地音探听器和水听器。地震传感器可以被单独地部署，但是更通常地被部署成传感器阵列。另外，在海洋勘测中可以一起部署成对或以阵列对并置（collocate）的压力传感器和粒子速度传感器。

在典型的海洋地震勘测中，地震勘测船通常以大约5海里/小时（knot）在水面上行进，并且包含地震采集设备，诸如导航控制、地震源控制、地震传感器控制和记录设备。地震源控制设备使得由地震船在水体中牵引的地震源在选择的时间开动。地震拖缆——也称为地震电缆——是细长的电缆状结构，该结构被牵引地震源的地震勘测船或被另一个地震勘测船在水体中牵引。通常，在地震船后牵引多个地震拖缆。地震拖缆包含用于检测由地震源发起且从反射界面反射的反射波场的传感器。传统上，地震拖缆包含诸如水听器的压力传感器，但是已利用除了水听器之外还包含诸如地音探听器的水粒子速度传感器或诸如加速仪的粒子加速度传感器的地震拖缆。通常紧邻地部署沿着地震电缆成对或以阵列对并置的压力传感器和粒子运动传感器。

干扰噪声是地震数据集中越来越常见的问题。这对于被采集用于探测和生产环境这二者中的地震数据而言是成立的，但是在生产环境中尤其如此。干扰噪声具有许多来源，包括例如其他地震船和生产设备和装置。甚至以地震形式的自然环境可以是来源。这种来源的差别具有地震噪声特性的对应差别。这意味着专用于抑制地震数据集内的噪声的算法必须在它们对噪声的识别方面和在它们对基础信号的保护方面都高度适合。

因此，存在对有效识别干扰噪声以便去除的、用于从海洋双传感器地震数据中衰减干扰噪声的方法的需要。

发明内容

本发明是一种用于将在海洋双传感器拖缆中记录的地震数据转换为干扰噪声衰减的地震数据的方法。通过交织（interleave）来自地震数据中的水听器收集和地音探听器收集的迹线（trace）来构建超级收集（super-gather），以使得与位于相同位置的（co-located）水听器和地音探听器相关的迹线彼此相邻。从超级收集减去噪声衰减的超级收集以产生超级收集噪声模型，所述噪声衰减的超级收集是通过向超级收集应用f-x域噪声识别和衰减过程而产生的。从所述水听器收集减去通过从所述超级收集噪声模型去除无噪声的地音探听器收集迹线而产生的水听器收集噪声模型，以产生干扰噪声衰减的地震数据。

附图说明

通过参考下面的详细描述和附图，可以更容易地理解本发明及其优点，在附图中：

图1a、1b和1c是图示由水听器记录的、具有干扰噪声的数据的三个地震部分；

图2a、2b和2c是图示分别由与图1a、1b和1c中的水听器位于相同位置的地音探听器记录的数据的地震部分；

图3是图示用于从海洋地震双传感器拖缆数据去除干扰噪声的本发明的实施例的流程图；

图4是图示用于从海洋地震双传感器拖缆数据去除干扰噪声的本发明的其他实施例的流程图；

图5是图示在本发明中使用的噪声识别和衰减过程的实施例的流程图；

图6是图示由水听器记录的、具有干扰噪声的数据的地震部分；

图7是由与图6中的水听器位于相同位置的地音探听器记录的、具有干扰噪声的数据的地震部分；以及

图8是图示来自图6的、干扰噪声被本发明的方法衰减的水听器数据的地震部分。

虽然本发明将结合其优选实施例进行描述，但是要理解本发明不限于这些。相反，本发明意欲覆盖可以在由所附的权利要求限定的本发明的范围内包括的所有替代、修改和等同物。

具体实施方式

海洋地震干扰噪声包括在海洋地震勘测期间记录且源自至少下面两个原因的噪声。首先，干扰噪声可能由在地震勘测场所内的其他实体的机械操作引起。这些其他实体包括例如钻机（rig）、其他地震船和非地震船。这种噪声通常被称为一般术语“船舶噪声”。其次，干扰噪声可能由地震船牵引的地震源产生的地震能量引起，该地震能量已从表面绕射体反向散射并且在记录周期期间到达拖缆。这些表面绕射体将包括例如近处的钻机。这种噪声一般被称为“反向散射噪声”。

干扰噪声经常出现在双传感器地震数据上，其中在位于相同位置的不同传感器上具有不同特性。例如，干扰噪声经常在位于相同位置的水听器和地音探听器的记录上不同地出现。一般而言，干扰噪声一般以优选水平的方式行进通过水层。因此，干扰噪声对于全向水听器而言比对于垂直定向的地音探听器而言看似更强。在图1a、1b和1c和图2a、2b和2c中图示在检测的干扰噪声中的这种不同的示例。

图1a、1b和1c是图示由水听器记录的具有干扰噪声的数据的三个地震部分。示出了具有由全向压力传感器即水听器检测的强地震干扰噪声的三张典型照片。在图1a、1b和1c中的参考点10、11、12、13、14和15处指示这个强干扰噪声。

图2a、2b和2c是图示由分别与图1a、1b和1c中的水听器位于相同位置的地音探听器记录的数据的三个地震部分。图示了至多具有由垂直速度传感器即地音探听器检测的很弱地震干扰噪声的、与图1a、1b和1c中示出的相同三张照片。例如，在图2a中在与图1a中的10和11处的干扰噪声对应的区域处可见的干扰噪声很小。本发明利用在水听器和地音探听器记录的数据特性之间的这些不同来更有效地衰减地震干扰噪声。

图3是图示用于从海洋地震双传感器拖缆数据去除干扰噪声的本发明的实施例的流程图。

在块30，通过交织来自地震数据中的水听器收集和地音探听器收集的迹线来构建超级收集，以使得与位于相同位置的水听器和地音探听器相关的迹线彼此相邻。

在块31，通过向超级收集应用f-x域噪声识别和衰减过程而产生的噪声衰减的超级收集被从超级收集减去，以产生超级收集噪声模型。

在块32，通过从超级收集噪声模型去除无噪声的地音探听器收集而产生的水听器收集噪声模型被从水听器收集减去，以产生干扰噪声被衰减的地震数据。

图4是图示用于从海洋地震双传感器拖缆数据去除干扰噪声的本发明的其他实施例的流程图。图4图示上面在图3中呈现的实施例的更详细版本。

在块40，获得地震数据以衰减干扰噪声。该地震数据是使用被牵引的拖缆已采集的海洋双传感器地震数据。从在被牵引的拖缆上的、同时记录的并置压力传感器和粒子运动传感器采集双传感器地震数据。

在此将说明本发明，其中压力传感器是水听器而粒子运动传感器是垂直速度传感器具体地是地音探听器。因此，在这个示例性实施例中，地震数据集包括水听器数据和地音探听器数据。然而，本发明不限于这些传感器类型。例如，粒子运动传感器可以是粒子加速度传感器，具体地是加速仪。水听器和地音探听器将仅用于说明目的。

水听器和地音探听器不是分别机械地响应于来自具有相同振幅的信号的、通过（passing）地震波的压力和粒子速度的物理效应。在水听器和地音探听器之间的信号响应的不同是因为用于确定所检测的机械效应向电信号的转换的不同传感器的不同换能常数或听筒响应（phone response）。水听器和地音探听器也不以相同的效率物理地耦合到周围的介质。

如果水听器和地音探听器对地震信号的响应不匹配，则水听器和地音探听器被调整或滤波以补偿在它们对地震信号的响应的固有不同。这些响应不同和它们的校正滤波器在地震数据处理的领域中是公知的。这些响应不同包括但不限于在水听器和地音探听器之间关于它们的换能、听筒响应和耦合效率的不同。任何这样的滤波器可以被应用到水听器和地音探听器信号之一或两者，如本领域中公知的。

在块41，从在块40中获得的地震数据中的水听器数据选择水听器收集。类似地，在块42，从在块40中获得的地震数据中的地音探听器数据选择地音探听器收集。地音探听器收集被选择为对应于在块41中选择的水听器收集，因为这两个收集分别包含从并置的传感器同时记录的水听器和地音探听器迹线。

在块43，从在块41和42中分别选择的水听器收集和地音探听器收集构建超级收集。通过将来自水听器收集的迹线与来自地音探听器收集的迹线交织来构建超级收集，以使得在超级收集中与位于相同位置的水听器和地音探听器相关的迹线彼此相邻。

在块44，通过向交织的迹线的超级收集应用f-x域噪声识别和衰减过程来产生噪声衰减的超级收集。该过程识别有噪声的迹线分段，削剪（clip）受影响频率的振幅，应用迭代的f-x预测滤波，并且将迹线分段替换为它们的滤波版本。无噪声的迹线保持不变。地震干扰噪声应当看似在交织的收集上高度不相干并因此将通过该过程被具体识别以进行衰减，从而保证在保留信号的同时衰减干扰噪声。下面在参考图5中的流程图的讨论中更详细地描述该噪声衰减过程。

在块45，通过从来自块43的原始超级收集减去来自块44的噪声衰减的超级收集来产生超级收集噪声模型。超级收集噪声模型实质上包括（原则上）在原始水听器和地音探听器收集中包含的有噪声的迹线。在块46，通过从来自块45的超级收集噪声模型去除无噪声的地音探听器收集迹线来产生水听器收集噪声模型。这个过程基本上将当前超级收集噪声模型形式的超级收集分成当前水听器收集噪声模型形式的地音探听器收集和水听器收集。水听器收集噪声模型实质上包括（原则上）来自原始水听器收集的有噪声的迹线，即包含地震干扰噪声的那些迹线。

在块47，通过从来自块40的原始地音探听器收集减去来自块46的水听器收集噪声模型来产生干扰噪声衰减的地震数据。可以以任何适当的方式进行该减法。减法的方式包括但不限于直接减法、使用在用户限定的时间和空间窗口中的最小平方滤波器的自适应减法、基于L¹范数（norm）的自适应减法和基于模式识别的方法。

在自适应减法中，基于所选择的窗口长度和滤波器长度来设计一组滤波器。在此，所述滤波器与水听器收集噪声模型卷积，然后从水听器收集减去该卷积。当适当地确定滤波器时，在最小平方的意义上将使结果产生的噪声衰减的地震数据的总能量最小化。

在示例性实施例中，水听器收集和水听器收集噪声模型被分割为独立的窗口。所述窗口每个均可以具有用户指定的时间和空间窗口长度。在示例性实施例中，窗口在时间或空间方向上彼此重叠窗口长度的大约50%。因此，每次样品（除了迹线收集的顶边、底边、左手边和右手边之外）将被复制到四个窗口中。然后，在一些实施例中，在每个窗口中向从收集的中心向上和向下（在时间方向上）和向左和向右（即，在正x空间方向上）的样品应用余弦平方锥度（taper）。

在逐个窗口基础上进行最小平方滤波器确定，其中各窗口的结果是独立的。因此，重叠的部分被多次复制，多重滤波，并且最后相加在一起。在一个这样的实施例中，每个窗口的滤波器是使用Wiener-Levinson（维纳-雷文森）算法以传统方式计算的最小平方Wiener滤波器。最佳滤波器是可以随窗口而变化的时间卷积滤波器。当确定滤波器并且最小化在每个窗口中的能量时，则结果表示具有最小干扰噪声的地震数据。

图5是图示在本发明中使用的噪声识别和衰减过程的实施例的流程图。这是上面被应用到图4的块43的超级收集以产生图4的块44中的噪声衰减的超级收集的过程。这个过程包括有噪声的迹线分段的检测和在每次迭代中将那些分段替换为f-x滤波版本，同时无噪声的迹线分段被原样保留。

在块50，选择噪声频率范围以涵盖在来自图4的块43的超级收集中预期的干扰噪声的频率范围。

在块51，将超级收集划分为一系列重叠的空间时间窗口，其中在每个窗口中存在有限数量的迹线。在块52，选择来自块51的空间时间窗口之一。

在块53，将在块52中选择的空间时间窗口中的超级收集数据从时间空间域变换到频率空间域。在块54，选择在块52中选择的窗口中来自块53的变换的超级收集数据中的迹线之一。

在块55，对在块54中选择的迹线中的变换的超级收集数据检查干扰噪声。将在噪声频率范围内的迹线分段中的能量与在噪声频率范围之外的其余迹线分段的能量进行比较，以查看前者能量是否比后者能量高得多。如果在噪声频率范围中的迹线分段中的能量高得多，则该迹线分段被指定为有噪声。否则，将该迹线分段指定为无噪声。

在块56，在有噪声的迹线分段中的迹线分段振幅被削剪为平均值。仅在噪声频率范围中进行该削剪。在无噪声的迹线分段中的迹线分段振幅不变。

在块57，确定在所选择的窗口内是否剩余其他迹线。如果剩余迹线，则该过程返回到块54以选择另一个迹线。如果没有迹线剩余，则该过程继续到块58。

在块58，确定在超级收集内是否剩余其他窗口。如果剩余窗口，则该过程返回到块52以选择另一个窗口。如果不剩余窗口，则该过程继续到块59。

在块59，确定是否期望该过程的其他迭代。如果期望其他迭代，则该过程返回到块51，其中干扰噪声衰减的超级收集被再次f-x滤波。

这个过程是一种f-x预测误差滤波。在f-x预测滤波的第一迭代后，被分类为有噪声的迹线分段被替换为它们的滤波版本。在每个连续的迭代中，预测误差滤波器被重新计算并且将是更好的滤波器，因为噪声已被部分地衰减。而且，这些更好的预测误差滤波器将被应用到更干净的数据以预测噪声迹线，以使得结果将逐渐地改善。所需要的迭代的数量取决于数据，具体地是有噪声的迹线的数量，但是通常较小。

在一个实施例中，迭代的f-x预测误差滤波在每个迭代中使用独立的、无暂态的前向和反向预测滤波器，并且结果被平均。例外是：在每个窗口中的第一迹线，其中仅使用反向预测；以及，最后迹线，其中仅使用前向预测。在可选的实施例中，采用前向和反向预测误差的同时最小化。

在其他实施例中，以级联的方式向相同的收集或其他类型的收集应用迭代的f-x预测滤波，以进行其他噪声衰减。在一个示例性实施例中，首先向照片收集应用迭代的f-x预测滤波。剩余的噪声主要存在于被识别为无噪声迹线的迹线中。然后向接收器收集重新应用迭代的f-x预测滤波。

图6、7和8图示用于衰减双传感器地震数据中的干扰噪声的本发明的方法的有效性。图6是图示由水听器记录的、具有干扰噪声的数据的地震部分。在参考点60和61处指示干扰噪声。图7是图示由与图6中的水听器位于相同位置的地音探听器记录的、具有干扰噪声的数据的地震部分。再次，在图7中在与图6中的60和61处的干扰噪声对应的区域处可见的干扰噪声很小。图8是图示来自图6的、干扰噪声被本发明的方法衰减的水听器数据的地震部分。在与图6中的60和61处的干扰噪声对应的区域中的干扰噪声现在实质上被衰减。

仅为了说明的目的，本发明在上面已被描述为一种方法，但是也可以被实施为系统。优选地通过计算机（具体地是数字计算机）与其他传统数据处理设备一起来实施本发明的系统。在本领域中公知的这样的数据处理设备将包括计算机处理设备的任何适当组合或网络，包括但不限于硬件（处理器、暂时和永久存储装置以及任何其他适当的计算机处理设备）、软件（操作系统、应用程序、数学程序库以及任何其他适当的软件）、连接（电、光、无线或其他）和外围装置（输入和输出装置，诸如键盘、指示装置和扫描器；显示装置，诸如监控器和打印机；计算机可读存储介质，诸如磁带、盘和硬盘驱动器；以及任何其他适当的设备）。

在另一个实施例中，本发明可以被实施为上面描述的方法，具体而言使用可编程计算机来实施以执行所述方法。在另一个实施例中，本发明可以被实施为在计算机可读介质中存储的计算机程序，其中该程序具有可操作用于使得可编程计算机执行上面描述的方法的逻辑。在另一个实施例中，本发明可以被实施为计算机可读介质，其中在该介质上存储了计算机程序，使得该程序具有可操作用于使得可编程计算机执行上面描述的方法的逻辑。

应当理解：前面仅是本发明的具体实施例的详细描述，并且在不偏离本发明的范围的情况下，可以根据在此的本公开进行对所公开的实施例的多种改变、修改和替代。因此，前面描述不意味着限制本发明的范围。相反，仅通过所附的权利要求及其等同物来确定本发明的范围。

Claims (18)

1.一种用于将从海洋双传感器拖缆记录的地震数据转换为干扰噪声衰减的地震数据的方法，包括：

使用可编程计算机来执行以下操作：

― 通过交织来自地震数据中的水听器收集和地音探听器收集的迹线来构建超级收集，以使得与位于相同位置的水听器和地音探听器相关的迹线彼此相邻；

― 从超级收集减去噪声衰减的超级收集以产生超级收集噪声模型，所述噪声衰减的超级收集是通过向所述超级收集应用f-x域噪声识别和衰减过程而产生的；以及

― 从所述水听器收集减去通过从所述超级收集噪声模型去除无噪声的地音探听器收集迹线而产生的水听器收集噪声模型，以产生干扰噪声衰减的地震数据。

2.根据权利要求1所述的方法，其中所述构建超级收集包括：

― 获得从所述海洋双传感器拖缆记录的地震数据，其中所述地震数据包括水听器数据和地音探听器数据；以及

― 使用可编程计算机来执行以下操作：

―― 从在获得的地震数据中的水听器数据选择水听器收集；

―― 从在获得的地震数据中的地音探听器数据选择地音探听器收集；以及

―― 通过交织来自选择的水听器收集的迹线与来自选择的地音探听器收集的迹线来构建超级收集，使得与位于相同位置的水听器和地音探听器相关的迹线在所述超级收集中彼此相邻。

3.根据权利要求2所述的方法，其中所述减去噪声衰减的超级收集包括：

通过向所述超级收集应用f-x域噪声识别和衰减过程来产生噪声衰减的超级收集；以及

通过从所述超级收集减去所述噪声衰减的超级收集来产生超级收集噪声模型。

4.根据权利要求3所述的方法，其中所述减去水听器收集噪声模型包括：

通过从超级收集噪声模型去除无噪声的地音探听器收集迹线来产生水听器收集噪声模型；以及

通过从水听器收集减去所述水听器收集噪声模型来产生干扰噪声衰减的地震数据。

5.根据权利要求1所述的方法，其中所述f-x域噪声识别和衰减过程包括：

― 选择噪声频率范围以涵盖在所述超级收集中预期的干扰噪声；

― 将超级收集划分为一系列重叠的空间时间窗口，其中在每个窗口中存在有限数量的迹线；

― 对每个窗口执行以下操作：

―― 将空间时间窗口中的超级收集数据从时间空间域变换到频率空间域；

―― 对在所述窗口中的变换的超级收集数据中的每个迹线执行以下操作：

――― 如果在所述迹线中在所述噪声频率范围中的迹线分段中的能量比该迹线的其余部分高得多，则将所述迹线分段指定为有噪声；

――― 将有噪声的迹线分段中的迹线分段振幅削剪为平均值。

6.根据权利要求5所述的方法，其中迭代地执行所述f-x域噪声识别和衰减过程。

7.根据权利要求1所述的方法，其中通过从包括直接减法、自适应减法和模式识别方法的组中选择的方法进行所述从所述水听器收集减去水听器收集噪声模型。

8.根据权利要求7所述的方法，其中所述自适应减法使用在用户限定的时间和空间窗口中的最小平方滤波器。

9.根据权利要求7所述的方法，其中所述自适应减法基于L¹范数。

10.一种计算机可读介质，在其上存储计算机程序，所述程序具有能够操作以使得可编程计算机执行包括以下步骤的逻辑：

通过交织来自地震数据中的水听器收集和地音探听器收集的迹线来构建超级收集，以使得与位于相同位置的水听器和地音探听器相关的迹线彼此相邻；

从超级收集减去噪声衰减的超级收集以产生超级收集噪声模型，所述噪声衰减的超级收集是通过向所述超级收集应用f-x域噪声识别和衰减过程而产生的；以及

从所述水听器收集减去通过从超级收集噪声模型去除无噪声的地音探听器收集迹线而产生的水听器收集噪声模型，以产生干扰噪声衰减的地震数据。

11.根据权利要求10所述的介质，其中所述构建超级收集包括：

选择地震数据以进行干扰噪声的衰减，其中所述地震数据包括水听器数据和地音探听器数据；

从在选择的地震数据中的水听器数据选择水听器收集；

从在选择的地震数据中的地音探听器数据选择地音探听器收集；以及

通过交织来自水听器收集的迹线与来自地音探听器收集的迹线来构建超级收集，以使得与位于相同位置的水听器和地音探听器相关的迹线在所述超级收集中彼此相邻。

12.根据权利要求10所述的介质，其中所述减去噪声衰减的超级收集包括：

通过向超级收集应用f-x域噪声识别和衰减过程来产生噪声衰减的超级收集；以及

通过从所述超级收集减去所述噪声衰减的超级收集来产生超级收集噪声模型。

13.根据权利要求10所述的介质，其中所述减去水听器收集噪声模型包括：

通过从所述超级收集噪声模型去除无噪声的地音探听器收集迹线来产生水听器收集噪声模型；以及

通过从水听器收集减去水听器收集噪声模型来产生干扰噪声衰减的地震数据。

14.根据权利要求10所述的介质，其中所述f-x域噪声识别和衰减过程包括：

― 选择噪声频率范围以涵盖在所述超级收集中预期的干扰噪声；

― 将超级收集划分为一系列重叠的空间时间窗口，其中在每个窗口中存在有限数量的迹线；

― 对每个窗口执行以下操作：

―― 将在空间时间窗口中的超级收集数据从时间空间域变换到频率空间域；

―― 对在所述窗口中的变换的超级收集数据中的每个迹线执行以下操作：

――― 如果在所述迹线中在所述噪声频率范围中的迹线分段中的能量比该迹线的其余部分高得多，则将所述迹线分段指定为有噪声；

――― 将有噪声的迹线分段中的迹线分段振幅削剪为平均值。

15.根据权利要求14所述的介质，其中迭代地执行所述f-x域噪声识别和衰减过程。

16.根据权利要求10所述的介质，其中通过从包括直接减法、自适应减法和模式识别方法的组中选择的方法进行所述从所述水听器收集减去水听器收集噪声模型。

17.根据权利要求16所述的介质，其中所述自适应减法使用在用户限定的时间和空间窗口中的最小平方滤波器。

18.根据权利要求16所述的介质，其中所述自适应减法基于L¹范数。

Images