CN113900147A - 沙丘鸣震压制方法及系统 - Google Patents

Abstract

本发明提供一种沙丘鸣震压制方法及系统。该沙丘鸣震压制方法包括：获取当前叠前地震数据；将当前叠前地震数据输入预先创建的沙丘鸣震最优识别网络中，得到当前沙丘鸣震数据；根据当前叠前地震数据和当前沙丘鸣震数据确定沙丘鸣震压制结果。本发明可以有效压制沙丘鸣震的干扰，提高压制效率和精度，降低压制成本。

Description

沙丘鸣震压制方法及系统

技术领域

本发明涉及地震数据去噪技术领域，具体地，涉及一种沙丘鸣震压制方法及系统。

背景技术

沙丘鸣震是由于地震波在沙层中多次反射所产生的一种层间多次波，它的存在使地震剖面的分辨率和信噪比降低，并干扰人们对有效波的认识。沙漠区由于地表沙丘起伏大、沙层松散，导致沙丘鸣震噪声非常发育且特征复杂，很难将其有效去除。工业上通常采用的沙丘鸣震压制方法有预测反褶积法、频率域滤波法、线性校正F-K法、拉冬变换法等。由于沙丘鸣震干扰的视周期是与沙丘的高低相关的,因此沙丘鸣震不像海水鸣震那样存在固定的预测步长，普通的预测反褶积达不到压制效果；由于沙丘鸣震的频率成分分布在有效信号的全频带上，且其在视速度上也没有固定的规律，采用频率域滤波法是无法压制的；线性校正F-K法压制沙丘鸣震存在沙丘鸣震不足，且无法有效抑制空间假频的问题；拉冬变换法虽然在一定程度上能压制沙丘鸣震，但该方法需要对道集做动校正预处理，且在拉冬域有效信息域沙丘鸣震无清晰分离界限，同时同线性校正F-K法一样存在着假频问题。

针对传统方法存在的缺陷，最近工业上采用多道拟合法提取鸣震特征，再用减法压制沙丘鸣震，且能较好抑制空间假频，但该方法计算复杂度较高，计算效率较低，不能满足海量数据高效处理的要求，因此，发展基于人工智能的智能化去噪技术对于提高数据处理效率、精度具有重要意义。深度学习是近几年发展起来的一种人工智能算法，目前已被广泛应用于地震去噪领域。智能去噪网络已经显示出巨大的优势和良好发展前景，尽管如此，尚未出现针对沙丘鸣震的智能去噪网络。

发明内容

本发明实施例的主要目的在于提供一种沙丘鸣震压制方法及系统，以有效压制沙丘鸣震的干扰，提高压制效率和精度，降低压制成本。

为了实现上述目的，本发明实施例提供一种沙丘鸣震压制方法，包括：

获取当前叠前地震数据；

将当前叠前地震数据输入预先创建的沙丘鸣震最优识别网络中，得到当前沙丘鸣震数据；

根据当前叠前地震数据和当前沙丘鸣震数据确定沙丘鸣震压制结果。

本发明实施例还提供一种沙丘鸣震压制系统，包括：

获取单元，用于获取当前叠前地震数据；

输入单元，用于将当前叠前地震数据输入预先创建的沙丘鸣震最优识别网络中，得到当前沙丘鸣震数据；

沙丘鸣震压制结果单元，用于根据当前叠前地震数据和当前沙丘鸣震数据确定沙丘鸣震压制结果。

本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序，处理器执行计算机程序时实现所述的沙丘鸣震压制方法的步骤。

本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现所述的沙丘鸣震压制方法的步骤。

本发明实施例的沙丘鸣震压制方法及系统将当前叠前地震数据输入预先创建的沙丘鸣震最优识别网络中，得到当前沙丘鸣震数据，并根据当前叠前地震数据和当前沙丘鸣震数据确定沙丘鸣震压制结果，可以有效压制沙丘鸣震的干扰，提高压制效率和精度，降低压制成本。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例中沙丘鸣震压制方法的流程图；

图2是本发明实施例中创建沙丘鸣震最优识别网络的流程图；

图3是本发明实施例中预处理后的当前叠前地震数据示意图；

图4是本发明实施例中反归一化后的当前沙丘鸣震数据示意图；

图5是本发明实施例中的沙丘鸣震压制结果示意图；

图6是本发明实施例中历史叠前地震数据的示意图；

图7是本发明实施例中预处理后的历史叠前地震数据示意图；

图8是本发明实施例中实际沙丘鸣震数据的示意图；

图9是本发明实施例中沙丘鸣震训练数据的示意图；

图10是本发明实施例中沙丘鸣震标签数据的示意图；

图11是本发明实施例中沙丘鸣震压制系统的结构框图；

图12是本发明实施例中计算机设备的结构框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本领域技术人员知道，本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。

鉴于现有技术存在适应性差、复杂度高、效率低，不能满足宽频宽方位时代海量沙漠区的叠前数据的高效处理等问题，本发明实施例提供一种沙丘鸣震压制方法，可以有效压制沙丘鸣震的干扰，提高压制效率和精度，降低压制成本。以下结合附图对本发明进行详细说明。

图1是本发明实施例中沙丘鸣震压制方法的流程图。如图1所示，沙丘鸣震压制方法包括：

S101：获取当前叠前地震数据。

其中，本发明中的数据均为二维数据，识别网络也为二维网络。

S102：将当前叠前地震数据输入预先创建的沙丘鸣震最优识别网络中，得到当前沙丘鸣震数据。

一实施例中，执行S102之前还包括：对当前叠前地震数据进行预处理和最大值归一化。S102包括：将经过预处理和最大值归一化的当前叠前地震数据输入预先创建的沙丘鸣震最优识别网络中，得到当前沙丘鸣震数据。

其中，将当前叠前地震数据与当前叠前地震数据中的最大值相除，可以得到最大值归一化后的当前叠前地震数据。最大值归一化后的当前叠前地震数据的数据范围在-1.0至1.0之间。预处理包括炮域面波压制和检波点道集抽选。

S103：根据当前叠前地震数据和当前沙丘鸣震数据确定沙丘鸣震压制结果。

具体实施时，S103包括：对当前沙丘鸣震数据进行反归一化，将预处理后的当前叠前地震数据(包含沙丘鸣震)与反归一化后的当前沙丘鸣震数据相减，得到沙丘鸣震压制结果。

其中，反归一化为将当前沙丘鸣震数据与最大值相乘。

图3是本发明实施例中预处理后的当前叠前地震数据示意图。图4是本发明实施例中反归一化后的当前沙丘鸣震数据示意图。图5是本发明实施例中的沙丘鸣震压制结果示意图。图3-图5中的横坐标为道号，纵坐标为时间，单位为s。如图5所示，图3中的沙丘鸣震被识别且无有效信息损失，除去了现有技术中的人工参与和复杂参数测试，去噪效率提高了20倍以上。

图1所示的沙丘鸣震压制方法的执行主体为计算机。由图1所示的流程可知，本发明实施例的沙丘鸣震压制方法将当前叠前地震数据输入预先创建的沙丘鸣震最优识别网络中，得到当前沙丘鸣震数据，并根据当前叠前地震数据和当前沙丘鸣震数据确定沙丘鸣震压制结果，可以有效压制沙丘鸣震的干扰，提高压制效率和精度，降低压制成本。

图2是本发明实施例中创建沙丘鸣震最优识别网络的流程图。如图2所示，预先创建沙丘鸣震最优识别网络的步骤包括：

执行如下迭代处理：

S201：将叠前地震训练数据输入沙丘鸣震识别网络中，得到沙丘鸣震训练数据。

一实施例中，执行S201之前，还包括：对历史叠前地震数据进行预处理，沿着时间方向和空间方向按照一定的采样点步长(如2个采样点步长或者5个采样点步长)截取历史叠前地震数据，得到叠前地震训练数据。叠前地震训练数据的大小为40×40。

S201包括：对叠前地震训练数据进行随机排序和最大值归一化，将多组经过随机排序和最大值归一化的叠前地震训练数据输入沙丘鸣震识别网络中，得到沙丘鸣震训练数据。具体实施时，可以将256组经过随机排序和最大值归一化后的叠前地震训练数据输入沙丘鸣震识别网络中。最大值归一化后的叠前地震训练数据的数据范围在-1.0至1.0之间。

S202：根据叠前地震训练数据对应的沙丘鸣震标签数据和沙丘鸣震训练数据确定目标函数。

一实施例中，执行S202之前，还包括：

对预处理后的历史叠前地震数据中的检波点道集进行多道拟合去噪处理，得到实际沙丘鸣震数据。

沿着时间方向和空间方向按照一定的采样点步长(如2个采样点步长或者5个采样点步长)截取历史叠前地震数据对应的实际沙丘鸣震数据，得到沙丘鸣震标签数据。沙丘鸣震标签数据的大小为40×40。

S202包括：对沙丘鸣震标签数据进行最大值归一化，将叠前地震训练数据对应的经过最大值归一化的沙丘鸣震标签数据和沙丘鸣震训练数据确定目标函数。

图6是本发明实施例中历史叠前地震数据的示意图。图7是本发明实施例中预处理后的历史叠前地震数据示意图。图8是本发明实施例中实际沙丘鸣震数据的示意图。如图6-图8所示，图6-图8中的横坐标为道号，纵坐标为时间，单位为s。如图6所示，强能量面波的影响使得有效信号和沙丘鸣震的特征都不清楚，需要做预处理。如图7所示，预处理后的历史叠前地震数据中的有效信号和沙丘鸣震的特征更为清楚。

图9是本发明实施例中沙丘鸣震训练数据的示意图。图10是本发明实施例中沙丘鸣震标签数据的示意图。如图9-图10所示，图9中共有48组沙丘鸣震训练数据，图10为与48组沙丘鸣震训练数据一一对应的48组沙丘鸣震标签数据。

S203：判断当前迭代次数是否达到预设迭代次数。

其中，预设迭代次数可以为20次。

S204：当当前迭代次数达到预设迭代次数时，将当前迭代中的沙丘鸣震识别网络作为沙丘鸣震最优识别网络。

S205：当当前迭代次数未达到预设迭代次数时，根据目标函数和预设的学习速率更新沙丘鸣震识别网络，继续执行迭代处理。

其中，可以根据目标函数和学习速率通过小批次随机梯度下降法更新沙丘鸣震识别网络。目标函数可以为均方误差目标函数，学习速率为0.001。

一实施例中，执行S201之前还包括搭建沙丘鸣震识别网络，包括：

1、搭建输入层，输入层为一个卷积层，卷积层的尺寸为3×3×1×nf(nf个卷积核为3×3的卷积滤波器，通道数为1)。其中，nf可以为80。

2、搭建中间层，中间层由若干个构建块组成，每个构建块由一个卷积层、一个批标准化层和一个修正线性单元层依次连接组成，卷积层的尺寸均为3×3×nc×nf(nf个卷积核为3×3的卷积滤波器，通道数为nc)。其中，nc可以为80。

3、搭建输出层，输出层为一个卷积层，卷积层的尺寸为3×3×nc×1(1个卷积核为3×3的卷积滤波器，通道数为nc)。

本发明实施例的具体流程如下：

1、对历史叠前地震数据进行预处理，沿着时间方向和空间方向按照一定的采样点步长截取历史叠前地震数据，得到叠前地震训练数据。

2、对叠前地震训练数据进行随机排序和最大值归一化。

3、将多组经过随机排序和最大值归一化的叠前地震训练数据输入沙丘鸣震识别网络中，得到沙丘鸣震训练数据。

4、对预处理后的历史叠前地震数据中的检波点道集进行多道拟合去噪处理，得到实际沙丘鸣震数据。

5、沿着时间方向和空间方向按照一定的采样点步长截取历史叠前地震数据对应的实际沙丘鸣震数据，得到沙丘鸣震标签数据。

6、对沙丘鸣震标签数据进行最大值归一化，将叠前地震训练数据对应的经过最大值归一化的沙丘鸣震标签数据和沙丘鸣震训练数据确定目标函数。

7、判断当前迭代次数是否达到预设迭代次数。当当前迭代次数达到预设迭代次数时，将当前迭代中的沙丘鸣震识别网络作为沙丘鸣震最优识别网络，否则根据目标函数和预设的学习速率更新沙丘鸣震识别网络，返回步骤3。

8、对当前叠前地震数据进行预处理和最大值归一化，将经过预处理和最大值归一化的当前叠前地震数据输入预先创建的沙丘鸣震最优识别网络中，得到当前沙丘鸣震数据。

9、对当前沙丘鸣震数据进行反归一化，将预处理后的当前叠前地震数据与反归一化后的当前沙丘鸣震数据相减，得到沙丘鸣震压制结果。

综上，本发明实施例的沙丘鸣震压制方法将当前叠前地震数据输入预先创建的沙丘鸣震最优识别网络中，得到当前沙丘鸣震数据，并根据当前叠前地震数据和当前沙丘鸣震数据确定沙丘鸣震压制结果，可以有效压制沙丘鸣震的干扰，提高压制效率和精度，降低压制成本。

基于同一发明构思，本发明实施例还提供了一种沙丘鸣震压制系统，由于该系统解决问题的原理与沙丘鸣震压制方法相似，因此该系统的实施可以参见方法的实施，重复之处不再赘述。

图11是本发明实施例中沙丘鸣震压制系统的结构框图。如图11所示，沙丘鸣震压制系统包括：

获取单元，用于获取当前叠前地震数据；

输入单元，用于将当前叠前地震数据输入预先创建的沙丘鸣震最优识别网络中，得到当前沙丘鸣震数据；

沙丘鸣震压制结果单元，用于根据当前叠前地震数据和当前沙丘鸣震数据确定沙丘鸣震压制结果。

在其中一种实施例中，还包括：

迭代单元，用于执行如下迭代处理：

将叠前地震训练数据输入沙丘鸣震识别网络中，得到沙丘鸣震训练数据；

根据叠前地震训练数据对应的沙丘鸣震标签数据和沙丘鸣震训练数据确定目标函数；

判断当前迭代次数是否达到预设迭代次数；

当当前迭代次数达到预设迭代次数时，将当前迭代中的沙丘鸣震识别网络作为沙丘鸣震最优识别网络，否则根据目标函数和预设的学习速率更新沙丘鸣震识别网络，继续执行迭代处理。

在其中一种实施例中，还包括：

第一截取单元，用于截取历史叠前地震数据得到叠前地震训练数据；

第二截取单元，用于截取历史叠前地震数据对应的实际沙丘鸣震数据，得到沙丘鸣震标签数据。

在其中一种实施例中，还包括：

去噪单元，用于对历史叠前地震数据中的检波点道集进行多道拟合去噪处理，得到实际沙丘鸣震数据。

综上，本发明实施例的沙丘鸣震压制系统将当前叠前地震数据输入预先创建的沙丘鸣震最优识别网络中，得到当前沙丘鸣震数据，并根据当前叠前地震数据和当前沙丘鸣震数据确定沙丘鸣震压制结果，可以有效压制沙丘鸣震的干扰，提高压制效率和精度，降低压制成本。

本发明实施例还提供能够实现上述实施例中的沙丘鸣震压制方法中全部步骤的一种计算机设备的具体实施方式。图12是本发明实施例中计算机设备的结构框图，参见图12，所述计算机设备具体包括如下内容：

处理器(processor)1201和存储器(memory)1202。

所述处理器1201用于调用所述存储器1202中的计算机程序，所述处理器执行所述计算机程序时实现上述实施例中的沙丘鸣震压制方法中的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：

获取当前叠前地震数据；

将当前叠前地震数据输入预先创建的沙丘鸣震最优识别网络中，得到当前沙丘鸣震数据；

根据当前叠前地震数据和当前沙丘鸣震数据确定沙丘鸣震压制结果。

综上，本发明实施例的计算机设备将当前叠前地震数据输入预先创建的沙丘鸣震最优识别网络中，得到当前沙丘鸣震数据，并根据当前叠前地震数据和当前沙丘鸣震数据确定沙丘鸣震压制结果，可以有效压制沙丘鸣震的干扰，提高压制效率和精度，降低压制成本。

本发明实施例还提供能够实现上述实施例中的沙丘鸣震压制方法中全部步骤的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的沙丘鸣震压制方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：

获取当前叠前地震数据；

将当前叠前地震数据输入预先创建的沙丘鸣震最优识别网络中，得到当前沙丘鸣震数据；

根据当前叠前地震数据和当前沙丘鸣震数据确定沙丘鸣震压制结果。

综上，本发明实施例的计算机可读存储介质将当前叠前地震数据输入预先创建的沙丘鸣震最优识别网络中，得到当前沙丘鸣震数据，并根据当前叠前地震数据和当前沙丘鸣震数据确定沙丘鸣震压制结果，可以有效压制沙丘鸣震的干扰，提高压制效率和精度，降低压制成本。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

本领域技术人员还可以了解到本发明实施例列出的各种说明性逻辑块(illustrative logical block)，单元，和步骤可以通过电子硬件、电脑软件，或两者的结合进行实现。为清楚展示硬件和软件的可替换性(interchangeability)，上述的各种说明性部件(illustrative components)，单元和步骤已经通用地描述了它们的功能。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个系统的设计要求。本领域技术人员可以对于每种特定的应用，可以使用各种方法实现所述的功能，但这种实现不应被理解为超出本发明实施例保护的范围。

本发明实施例中所描述的各种说明性的逻辑块，或单元，或装置都可以通过通用处理器，数字信号处理器，专用集成电路(ASIC)，现场可编程门阵列或其它可编程逻辑装置，离散门或晶体管逻辑，离散硬件部件，或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器，可选地，该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现，例如数字信号处理器和微处理器，多个微处理器，一个或多个微处理器联合一个数字信号处理器核，或任何其它类似的配置来实现。

本发明实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件模块、或者这两者的结合。软件模块可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地，存储媒介可以与处理器连接，以使得处理器可以从存储媒介中读取信息，并可以向存储媒介存写信息。可选地，存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中，ASIC可以设置于用户终端中。可选地，处理器和存储媒介也可以设置于用户终端中的不同的部件中。

在一个或多个示例性的设计中，本发明实施例所描述的上述功能可以在硬件、软件、固件或这三者的任意组合来实现。如果在软件中实现，这些功能可以存储与电脑可读的媒介上，或以一个或多个指令或代码形式传输于电脑可读的媒介上。电脑可读媒介包括电脑存储媒介和便于使得让电脑程序从一个地方转移到其它地方的通信媒介。存储媒介可以是任何通用或特殊电脑可以接入访问的可用媒体。例如，这样的电脑可读媒体可以包括但不限于RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁性存储装置，或其它任何可以用于承载或存储以指令或数据结构和其它可被通用或特殊电脑、或通用或特殊处理器读取形式的程序代码的媒介。此外，任何连接都可以被适当地定义为电脑可读媒介，例如，如果软件是从一个网站站点、服务器或其它远程资源通过一个同轴电缆、光纤电缆、双绞线、数字用户线(DSL)或以例如红外、无线和微波等无线方式传输的也被包含在所定义的电脑可读媒介中。所述的碟片(disk)和磁盘(disc)包括压缩磁盘、镭射盘、光盘、DVD、软盘和蓝光光盘，磁盘通常以磁性复制数据，而碟片通常以激光进行光学复制数据。上述的组合也可以包含在电脑可读媒介中。

Claims (10)

1.一种沙丘鸣震压制方法，其特征在于，包括：

获取当前叠前地震数据；

将所述当前叠前地震数据输入预先创建的沙丘鸣震最优识别网络中，得到当前沙丘鸣震数据；

根据所述当前叠前地震数据和所述当前沙丘鸣震数据确定沙丘鸣震压制结果。

2.根据权利要求1所述的沙丘鸣震压制方法，其特征在于，预先创建所述沙丘鸣震最优识别网络的步骤包括：

执行如下迭代处理：

将叠前地震训练数据输入沙丘鸣震识别网络中，得到沙丘鸣震训练数据；

根据所述叠前地震训练数据对应的沙丘鸣震标签数据和所述沙丘鸣震训练数据确定目标函数；

判断当前迭代次数是否达到预设迭代次数；

当所述当前迭代次数达到预设迭代次数时，将当前迭代中的沙丘鸣震识别网络作为所述沙丘鸣震最优识别网络，否则根据所述目标函数和预设的学习速率更新所述沙丘鸣震识别网络，继续执行所述迭代处理。

3.根据权利要求2所述的沙丘鸣震压制方法，其特征在于，还包括：

截取历史叠前地震数据得到所述叠前地震训练数据；

截取所述历史叠前地震数据对应的实际沙丘鸣震数据，得到所述沙丘鸣震标签数据。

4.根据权利要求3所述的沙丘鸣震压制方法，其特征在于，还包括：

对所述历史叠前地震数据中的检波点道集进行多道拟合去噪处理，得到所述实际沙丘鸣震数据。

5.一种沙丘鸣震压制系统，其特征在于，包括：

获取单元，用于获取当前叠前地震数据；

输入单元，用于将所述当前叠前地震数据输入预先创建的沙丘鸣震最优识别网络中，得到当前沙丘鸣震数据；

沙丘鸣震压制结果单元，用于根据所述当前叠前地震数据和所述当前沙丘鸣震数据确定沙丘鸣震压制结果。

6.根据权利要求5所述的沙丘鸣震压制系统，其特征在于，还包括：

迭代单元，用于执行如下迭代处理：

将叠前地震训练数据输入沙丘鸣震识别网络中，得到沙丘鸣震训练数据；

根据所述叠前地震训练数据对应的沙丘鸣震标签数据和所述沙丘鸣震训练数据确定目标函数；

判断当前迭代次数是否达到预设迭代次数；

当所述当前迭代次数达到预设迭代次数时，将当前迭代中的沙丘鸣震识别网络作为所述沙丘鸣震最优识别网络，否则根据所述目标函数和预设的学习速率更新所述沙丘鸣震识别网络，继续执行所述迭代处理。

7.根据权利要求6所述的沙丘鸣震压制系统，其特征在于，还包括：

第一截取单元，用于截取历史叠前地震数据得到所述叠前地震训练数据；

第二截取单元，用于截取所述历史叠前地震数据对应的实际沙丘鸣震数据，得到所述沙丘鸣震标签数据。

8.根据权利要求7所述的沙丘鸣震压制系统，其特征在于，还包括：

去噪单元，用于对所述历史叠前地震数据中的检波点道集进行多道拟合去噪处理，得到所述实际沙丘鸣震数据。

9.一种计算机设备，包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4任一项所述的沙丘鸣震压制方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4任一项所述的沙丘鸣震压制方法的步骤。

Images