CN1516814A - 处理数据的方法 - Google Patents

Abstract

本发明提供了一种处理数据序列的方法，这些数据序列是同时在空间上相互分离的位置上得到的。确定了表示数据序列或者所选择的数据序列的离散度量度的序列(步骤12)。还从该(所选择的)数据序列中确定公共信号数据序列(步骤12)。数据序列的离散度量度最好是经过归一化的，例如相对于公共信号数据序列的绝对值进行归一化。离散度量度是对原始得到的数据序列中的噪声对信号的比率的量度。可以用它来控制其他对数据序列执行的处理步骤(步骤11，13，18)中的参数。可选地或者附带地，离散度量度可以被输出(步骤16)，例如用于观察者的监控。该方法可以应用在使用单一传感器地震数据采集系统对所采集的地震数据的处理过程中。

Description

处理数据的方法

本发明涉及一种处理数据的方法，特别是使用单个地震传感器对采集获得的地震数据进行处理的方法。

地震数据采集的常规方法在图1中示意性的显示。在这种常规的方法中，通过包含多个传感器2，2’的阵列1采集地震数据。图1中的传感器2，2’被排列为一个线性阵列，但是，可以替换地，它们例如也可以排列在一个二维的矩阵中。在图1所示的传感器的线性阵列1中，每个传感器与相邻的传感器之间以基本固定的间距隔开。虽然在地震采集系统的常规实施例中，传感器之间的距离是可以是大不相同的，但是在本实施例中，从一个传感器的中心到相邻的传感器的中心的距离大约为3.125m。

典型的地震传感器的阵列包含了大量的传感器。对于阵列中的传感器来讲，与附近的传感器“硬连接”(hard-wired)成为一组是通常的做法，其中一组中的每个传感器从地球表面下需要成像(image)的目标接收到基本相同的信号分量。组成分组的目的是，把从每个传感器接收到的模拟信号电结合成为一个单个的信号，从而增强信噪比。这个单个的信号表示了对采集信号的估计(estimate)，该信号对组中的所有传感器来讲是共用的，所以通常被称为“公共信号”(common signal)。

组的长度(就是一个传感器组的长度)是这样选择的：通常需要通过模拟合并来抑制的相干噪声的空间波长处于传感器之间的间距的两倍和组的长度之间。假设来自不同传感器的随机噪声是不相干的，所以随机噪声可以通过合并过程衰减。在测量的过程中，组长度和传感器的间隔多半是固定的。将传感器硬连接成组的操作要在对发送到记录系统的组合输出信号进行数字化之后完成。

在图1所示的例子中，传感器硬连接成组，其中每一组包含9个相邻的传感器。因此每个组的范围有大约25m。在图1的阵列中，相邻的组之间相互“重叠”，正如传感器2’既是第j组最右侧的传感器，也是第k组最左侧的传感器。其他的重叠量可应用在不同的采集系统中，其目的就是保证由地下目标反射的地震波场可以在空间上充分取样，这样就可以捕捉要成像的目标的空间变化，并且保证没有空间混叠(spatially-alised)能量的泄漏。这通常将导致组长度是组间隔的两倍(50％的重叠)，但是，重叠的原理可以简单的由图1中一个传感器的重叠完全显示出来。

在每个组中，通过预先确定的方式合并各个传感器的输出，并且将每个组的合并输出信号用于进一步的信号处理。这样，图1中所示的地震数据信号采集系统的输出由一系列合并输出组成，其中每一个组具有一个合并输出。图1显示了第j组的合并输出，为 S^j，以及第k组的合并输出，为 S^k。合并每个组中各个传感器的输出的常规方法通常是对一个集合(ensemble)求平均的过程，这样就产生了各个传感器输出的加权平均，它表示了信号对于该组中所有传感器的公共信号的估计值。

单一传感器地震(SSS)在地震数据的采集中是一个新的概念，并且在Schlumberger的Q系统中得以体现，该系统在J.Martin等人所著的文章“海上地点接收机通过使用拖拽的电子流对地震信号的采集(Acquisition of marine point receiver seismic data with atowed streamer)”中描述，该文章发表于地质勘探协会(theSociety of Exploration Geophysicists)的第60届国际年会，卡尔加里(Calgary)(2000)，扩展文摘号(Expanded Abstract)为ACQ3.3，该系统也在G.Baeten等人所著的文章“在陆地地震中对接收机点测量的采集和处理(Acquisition and processing of pointreceiver measurements in land seismic)”中描述，该文章发表于地址勘探协会的第60届国际年会，卡尔加里(Calgary)(2000)，扩展文摘号为ACQ3.4，以及该系统还在G.Baeten等人所著的文章“在陆地地震中对源点测量的采集和处理(Acquisition andprocessing 0f point source measurements in land seismic)”中描述，该文章发表于地址勘探协会的第60届国际年会，卡尔加里(Calgary)(2000)，扩展文摘号为ACQ3.5。SSS数据采集与常规的地震数据采集的区别在于，它的每个传感器的输出都可以用于信号的处理过程。在SSS数据信号的采集过程中，地震波场由传感器采样，每个传感器都产生一个独立的数字输出信号。每个传感器的数字输出信号也可以用于进一步的信号处理操作。SSS数据采集可以用在地面上的传感器，海面上或者海面附近的传感器，还可以应用在水柱(water column)内，钻孔内或者海床(sea bed)上，或者埋在海床里。传感器可以是一个或者是多个传感器部件，它们对压力、位移、速度、加速度或压力梯度或者它们的组合进行采样。

本发明提供了一种处理数据的方法，该方法包括以下步骤：从在第一个传感器处对与不确定性相关联的信号进行采样而获得的第一个数据序列，以及在第二个传感器处对与不确定性相关联的基本相同的信号进行采样而获得的第二个数据序列中，确定一个表示第一与第二数据序列之间的离散度的量度的序列，由此提供一个对信号的原始不确定性的估计，其中第二个传感器在空间上与第一个传感器分离。

已经建议使用在相邻的传感器中得到的量度来估计波阵面的空间导数(derivative)。通过这种方法估计得到的空间导数将包括传感器的空间间距，然而本发明离散度的量度将保持地震信号的原始维度(例如，如果使用标准差作为离散度的量度)，或者作为地震信号原始维度的平方(例如，如果使用方差作为离散度的量度)，或者它将是无量纲的(dimensionless)(用于经过归一化的离散度量度)。

图1显示了通常类型的常规数据采集的方法，该方法仅仅提供了由一组内的传感器记录的公共信号的估计，该估计在图1中显示为所有传感器所记录信号的平均值。相反，本发明可以提供由一组内的传感器所记录的信号的离散度量度。本发明可以在为了去除噪声而进行的信号处理之前或者之后，提供该信号的离散度量度。这个离散度量度可以用来(i)引导并估计噪声衰减过程的性能，和/或(ii)作为地震信号不确定性的指示器，特别是作为地震信号中噪声内容的指示器。这种方法可以被应用到随后的处理过程中，用以产生地震结果，如地表下的影像、地震图像的特性或者根据地震数据的幅度反过来估计大地的参数，以及对这些地震结果的可信度的估计。在传感器采样的时候，信号中原始的不确定性的认识使得这些处理步骤是可控的，因此经过处理的数据的不确定性将会降低。

这里要求第一和第二传感器彼此要足够地接近，这样位于第一传感器处的地震波阵面才能够和位于第二传感器处的地震波阵面基本相同(典型的，两个传感器之间的距离应该至少是25m)。假设情况是这样的，第一和第二传感器彼此之间的距离足够近，这样它们基本上可以对同一个地震信号进行采样，并且在这两个传感器位置得到的信号之间的差别主要来自于本地噪声。因此，离散度量度提供了对传感器处得到的信号中噪声的估计。将离散度量度与绝对门限进行比较也许是有用的。例如，在地震测量系统中，接收机处的噪声水平可以在没有地震源的时候测量得到，借此来确定数据采集是否可以继续进行。

但是，在很多应用中，考虑信噪比要比考虑绝对噪声水平更加有用。因此，在一个优选实施例中，该方法进一步包含确定表示第一和第二数据序列中的公共信号的数据序列的步骤。这就使信噪比的确定成为可能。

如上面所述，假设第一和第二传感器彼此之间的距离足够近，以致它们基本上可以对同一个地震信号进行采样，在这两个传感器处获得的信号之间的差别将主要来自本地噪声。将这些传感器分组可以同时降低随机噪声和具有一定空间波长的相干噪声，相干噪声的波长在传感器之间距离的两倍和组长度之间。这一相干噪声包括在电子流中离散度的慢波，在水中离散度的直接从地震源离散度到接收机的地震能量，以及波感应(wave-induced)噪声。由于可以通过传感器分组的方法抑制噪声，公共信号序列与每个单一的数据序列相比具有更高的信噪比。

本发明与图1所示的常规采集系统相比较的另一个优点在于，本发明允许对一个组内离散度的估计(以及公共信号的估计，如果该信号已经确定)可以在序列处理的任何时间进行，同时仍然保持对数字的单一传感器轨迹(trace)的完全访问。在常规的分组中，通过合并模拟信号对公共信号进行估计的过程不可挽回地阻止了对单一信号的访问。

虽然产生一个信号的离散度量度是已知的，但是至今都不能将它应用到地震数据中。正如上面所述的，将传感器硬连接成组的常规方法将阻止对单一信号的访问。另外，直到Schlumberger Q系统的出现，地震采集系统并没有采集带宽可以将它实现。

采用数据阵列的原因是可以用它来衰减不需要的噪声，包括相干的和不相干的噪声。衰减噪声所要求的采样间隔比简单对信号进行采样所需的间隔要小。本发明需要对信号进行过采样，同时通过SSS采集系统访问各个信号，作为计算这个信号中的可信度量度的手段。

确定公共信号数据序列的步骤可以包括：为第一数据序列中的每一个值确定一个表示共同性(commonality)的值，即表示第一数据序列中的值与第二数据序列中与之相对应的值之间的共同性。可以使用任何适合的共同性量度，例如，使用第一数据序列中的值和第二数据序列中与之相对应的值的算数平均值作为量度。

在一个优选实施例中，表示离散度量度的序列通过公共信号数据序列的绝对值来进行归一化。当公共数据序列的绝对值瞬时为零的时候，最好采取适当的措施来预防零除法。

离散度量度序列例如可以是第一数据序列中的值与第二数据序列中与之相关的值的标准差序列。可替换的，也可以采用其他离散度量度。

本发明还提供了处理数据的设备。这一设备可以包含一个可编程的数据处理器。

本发明进一步提供了存储介质，它包含了前面定义的设备中数据处理器所应用的程序。

其他本发明的优选特性将在从属权利要求中说明。

现在就来描述本发明的优选实施例，描述将通过参考在附图中示例来进行，其中：

图1是常规的地震数据采集方法的原理图；

图2是适用本发明的一个实施例的处理方法的单一传感器地震数据采集系统的原理图；

图3是依据本发明另一个实施例的数据处理方法的原理图；

图4是图2和图3所示的实施例的数据处理方法的流程图；以及

图5是用于数据处理的设备的原理框图。

本发明的原理通常可以通过参考包含两个传感器的地震数据采集系统的简单配置来理解。在这个例子中，为了说明的方便，假设每个传感器测量一个地震信号的单一的地震参数S，并产生一个输出，这一输出是参数S值的序列。这样，第一个传感器采样地震信号并且输出如下的序列：S₁(t₀)，S₁(t₀+δt)，S₁(t₀+2δt)……，并且第二个传感器采样地震信号并且输出如下的序列：S₂(t₀)，S₂(t₀+δt)，S₂(t₀+2δt)……。但是，需要说明的是，本发明也可以应用在如下文所述的多部件传感器中。

在这些序列中，t₀是第一个采样操作的时间，而δt是连续采样操作的间隔时间。在该例中，同样是为了描述方便，假设信号是同时在第一和第二传感器被采样的，但是本发明并没有要求第一和第二传感器要同时采样。如下面描述的，假设轨迹被正确采样(例如，数字化的轨迹是没有经过混叠的(unaliased))，并且为每个轨迹提供一个共用的参考时间(例如GPS时间)，这样，可以通过预处理轨迹来补偿轨迹之间已知的时延。这样，即使第一个传感器的采样操作与第二个传感器的采样操作不是同时进行的，也可以应用本发明的方法，而仅仅需要保证用于分析的地震事件已经在两个轨迹的整个记录窗口中捕捉到就可以了。

根据本发明，对一个表示第一传感器采集的信号与第二传感器采集的信号之间的离散度的序列进行估计。这一序列将会是如下的形式：Θ(t₀)，Θ(t₀+δt)，Θ(t₀+2δt)……，其中Θ(t)是第一传感器在时间t采集的信号与第二传感器在时间t采集的信号之间的离散度量度。例如，Θ(t)可以是S₁(t)和S₂(t)的标准差，当然也可以采用其他的量度。

在本发明的一个优选实施例中，还对表示第一传感器采集的信号与第二传感器采集的信号之间的公共信号序列进行估计。这个序列将会是如下的形式：C(t₀)，C(t₀+δt)，C(t₀+2δt)……，其中C(t)是第一传感器在时间t采集的信号与第二传感器在时间t采集的信号之间的公共信号的量度。例如，C(t)可以是S₁(t)和S₂(t)的算术平均值，虽然也可以应用其他的量度。

假设第一和第二传感器彼此之间的距离足够近，使得它们基本上可以对同一个地震信号采样，第一传感器采集的数据S₁和第二传感器采集的数据S₂之间的差别主要归因于本地噪声。这些差别将在公共信号序列中得到消除或者减小，这样，公共信号序列C和各个单独的数据序列相比将具有较大的信噪比。

离散度的量度将被归一化(normalize)，例如，它允许在不同的测量中采集的地震数据之间进行比较，或者允许信号幅度随时间自然衰落，这一衰落将随着由地震源产生的地震能量的变化而发生。离散度的量度将相对于公共信号数据序列的绝对值进行归一化，在这种情况下，经过归一化的离散度量度将会是

Θ(t)/|C(t)|。

如上所述，最好采取一种方法来防止在单独的采样中的零除法。对此可以应用任何适合的过程。例如，公共信号的绝对值可以在一个短时间窗口内求平均，或者给C(t)加入一个很小的常数ε，这样保证分母始终不是零。下文对本发明的描述中将假设已经使用了这样的方法，而不妨碍一般性。

由于将传感器输出硬连接成组的过程破坏了对各个传感器输出的访问，现有技术中的处理方法不能够提供由不同传感器采集的信号的离散度量度。

实际的地震测量一定会包含多于2个的传感器。但是，如前面所述的，本发明的原理可以应用到由包含多于两个传感器的地震测量系统所采集的数据的处理过程中。例如，可以选择两个或者更多的数据序列，它们中的每一个都是由不同的传感器采集得到的，并且首先对表示所选择的数据序列中的公共信号序列进行估计，其次可以对所选择的数据序列的离散度(和/或归一化的离散度)进行估计。

可以通过将各个传感器输出的数据序列分成两个或者更多的集合来选择数据序列，而且从中选择一个集合。传感器输出的分组是在数据处理过程中定义的抽象的分组，并且如果希望的话，可以改变这一分组。

现在将要参考图2和4详细介绍本发明的一个实施例。

图2显示了在本发明两个实施例中都适用的地震传感器阵列。如现有技术所描述的图1的传感器阵列，图2的阵列1包含多个地震传感器2。在图2中，地震传感器2排列在线性阵列1中，在本实施例中，相邻传感器中心之间的距离大约是3.125m，但是本发明并不限于使用线性的传感器阵列，也不限于这一传感器之间特定的距离。

图2的阵列1的传感器2是单一传感器地震(SSS)传感器。适合的传感器的一个例子是在Schlumberger生产的Q海上量测系统中所使用的，当然本发明并没有局限在海上地震的采集。在图2的传感器阵列中，传感器2没有硬连接成组。相反的，传感器是抽象分组的，或者分成集合，其目的就是处理由传感器阵列采集获得的数据，来增强地震信号的信噪比。这就是说，可以限定传感器相对于集合的位置，或者在数据处理的过程中重新定义，而不是像常规的采集系统中那样，将传感器硬连接成组。一个集合中的所有单个传感器的输出一起经过预处理。在图2中，定义了阵列中的两个传感器集合，其中每个集合包含九个相邻的传感器，但是本发明并不限于这种特定的传感器分组。

图4显示了本发明第一个实施例的处理方法的原理性步骤的流程图。在这个实施例中，既对离散度量度进行估计又对公共信号进行估计。

在图4中的步骤10，数据是由图2中传感器阵列1中的传感器2采集的。为了简单描述，假设每个传感器2测量单一物理参数S，例如，这个参数可以是压力，或者诸如弹性波场的分量，如位移(displacement)、速度、加速度、压力梯度或者是任何这些参数的结合。每个传感器2在预先设定的采样间隔δt内提供了一个数字输出，就是就m个传感器的输出，它是一个具有如下形式的数据序列：

S_m(t_1m)，S_m(t_1m+δt)，S_m(t_1m与2δt)，等。    (1)

或者用公式表示为，

S_m＝{S_m(t_q)}，t_1m≤t_qm≤t_Nm                  (2)

在这一序列中，S_m是由第m个传感器测量的参数S的值的序列，t_1m是生成由第m个传感器测量的参数S的第一个量度值S_m(t_1m)的时间，而δt是在连续的测量之间的时间间隔。任意的，离散的时间t_qm的范围是从第一个采样的时间t_1m到第N次采样的时间t_Nm，时间的间隔为δt。相似的，第n个传感器的输出是如下的形式：

S_n(t_1n)，S_n(t_1n+δt),S_n(t_1n+2δt)，等。      (3)

用公式表示为，

S_n＝{S_n(t_q)}，t_1n≤ t_qn≤t_Nn                 (4)

在这一序列中，S_n是由第n个传感器测量的参数S的值的序列，t_1n是由第n个传感器测量的参数S的第一个测量值S_n(t_1n)的采样时间。假设第n个传感器的测量和第m个传感器的测量基本上是在同一时间完成的。就是说，假设不妨碍一般性，对于所有的传感器来说，t_1m＝t_1n＝t₁，t_Nm＝t_Nm＝t_N，以及t_qm＝t_qn＝t_q。(如上所述，可以通过对轨迹进行预处理的方法来补偿不同轨迹之间的已知的时延。)

需要指出的是，本发明可以应用到先前采集的SSS地震数据中。在这种情况下，要省略步骤10，并且要提供预先存在的地震数据，例如从存储器中恢复这些数据。

在图4的步骤11中，定义了抽象分组以及传感器输出的重叠。这就是说，各个传感器的输出被分配到图2所示的抽象分组或者集合中，出于处理的目的，设计这些分组或者集合来提高信噪比。所选择的集合的长度要足够短，在集合中的所有传感器将对基本上相同的地震信号进行采样，同时要选择传感器距离来对短波长的相关噪声进行采样，而没有混叠。这样，数据处理过程的设计就是要在集合中增强公共信号，同时使随机噪声以及短波噪声最小。由于集合的大小和重叠在数据的处理过程中已经定义，而没有像现有技术所描述的那样，使用硬连接传感器输出的方式，因此，如果必要或者希望的话，可以在数据处理的过程中重新定义这些维度。

从这点来看，对每个传感器采集得到的数据序列也可以执行初步的处理。例如，传感器幅度和相位的校准纠正可以和从地震参考数据中分离的已知位置的静态时移、以及其他确定性的纠错一起应用到数据中。

在步骤12，对集合中每个传感器在每个基本相同的时间内采样所记录的幅度的离散度的原始量度进行了估计。这一量度例如可以是标准差、方差，在集合内的最大和最小幅度之间的采样差，或者是离散度的其他统计量度。

在步骤12，对集合中每个传感器在每个基本相同的时间内采样所记录的幅度的共同性的量度进行了估计。这一量度例如可以是每个传感器在每个基本相同的时间点上采样所记录的幅度的算术平均值，当然也可以应用其他的量度。

离散度的量度最好是经过归一化的，例如相对于集合中公共信号绝对值的估计进行归一化。例如，如果使用均值作为集合中公共信号的估计，离散度的估计可以相对于这个均值的绝对值进行归一化，当然也可以使用其他的归一化因子。在这个实施例中，将标准差作为离散度的量度，并且它要根据均值的绝对值进行归一化。

从第j个集合的传感器采集的平均值序列由 S^j给出，其中

S^j＝<S_i ^j>                     (5)

或者用公式来表示，

${\stackrel{\&OverBar;}{S}}^j=\left\{{\stackrel{\&OverBar;}{S}}^j\left(t_q\right)\right\}=\left\{\frac{1}{P}\underset{i=1}{\overset{P}{\mathrm{\&Sigma;}}}{S_i}^j\left(t_q\right)\right\},t_1\&le;t_q\&le;t_N------\left(6\right)$

其中等式5中的尖括号表示对P个序列S_i ^j的期望操作符，该序列包含来自第j个集合中的P个传感器的输出。在等式6中，在确定均值时，为每个序列S_i ^j提供相等的加权，但是在均值的计算过程中可以替代地采用不统一的加权。在任意的采样时间t_q，传感器值的集合{S^j(t_q)}，1≤i≤P，将在等式6中求平均，并且对集合求平均的过程对于t₀所有的值重复进行，其中t_q的范围是t₁≤t_q≤t。例如，如果第j个集合仅包含两个序列S_m和S_n，该集合平均序列的前两项应为：

S^j(t₁)＝[S_m(t₁)+S_n(t₁)]/2

S^j(t₁+δt)＝[S_m(t₁+δt)+S_n(t₁+δt)]/2    (7)

…

求平均的过程对于在每个前后连续的离散时间采样中得到的传感器输出进行重复，并且通过这种方法建立了数据序列 S^j，该数据序列表示第j个集合的平均传感器输出。这一序列 S^j可以作为第j个集合中传感器公共信号的初始估计。类似的，因为所有的集合形成了接收传感器阵列，所以该过程同时或者先后地重复。需要说明的是，这一组平均序列(具有适当加权的)与常规的模拟分组系统的数据输出等价，其中传感器被硬连接到相同的传感器配置上。

类似的，第j个集合的采样标准差序列σ^j由下式给出

σ^j＝〈(S_i ^j- S^j)²〉^1/2

或者用公式来表示，

${\mathrm{\&sigma;}}^j=\left\{{\mathrm{\&sigma;}}^j\left(t_q\right)\right\}=\sqrt{\frac{1}{P}\underset{i=1}{\overset{P}{\mathrm{\&Sigma;}}}({S_i}^j\left(t_q\right)-{{\stackrel{\&OverBar;}{S}}_i}^j\left(t_q\right){)}^2\}},t_1\&le;t_q\&le;t_N--------\left(9\right)$

其中，在计算均值的过程中，在每个时间采样点t_q上，为第j个集合的传感器的输出值计算采样标准差。计算这些估计值的能力对于SSS采样是一致的，因为访问过采样波场的能力要在形成分组之前，并在估计该集合内的公共信号之后仍保持各个轨迹。

不妨碍一般性，我们可以定义一个序列，该序列包含离散度在幅度上进行归一化的估计NES^j，其中在时间采样点t_q上的序列值NES^j(t_q)被定义为离散度量度的归一化值的序列。在这个实施例中，NES^j是集合标准差与集合均值的相应绝对值之间的比率的序列。就是，

NES^j＝σ^j/| S^j|＝{σ^j(t_q)/| S^j(t_q)|}，t₁≤t_q≤t_N      (10)

序列NES^j可以被看作第j个集合中本地噪声与信号的比率的优先量度，它可以假设为这样的模型：噪声包括随机噪声和相干噪声，噪声的波长要比集合的孔径(aperture)短。那么本地信号将包括长波长相干噪声，如多路反射，它将在随后的处理步骤中衰减。

如果希望的话，一个或者多个归一化离散度量度的序列、离散度量度、以及公共信号可以由操作器显示输出。那么，在本实施例中，每个集合中传感器输出的一个或者多个归一化离散度量度的序列NES^j、均值 S^j、以及标准差σ^j，在步骤12已经确定之后，它们可以作为可视轨迹而输出。例如，如果在数据采集的时候，希望操作器监控这一序列则可以这样做。附带地或者可选地，可以存储一个或者多个序列用于后面的操作，例如在下面将要描述的步骤15中，使用任何的方便的存储装置，例如磁带、磁盘或者计算机内存。

这样，本发明在由图4的步骤11和12表示的最宽泛的形式中，允许在分组前的阶段对原始地震数据的不确定性进行估计。现在就将讨论这种不确定性的应用。

在本发明的一种优选实施例中，在图4中的步骤13，为每个集合准备一个进一步改进的公共信号的估计，这个估计是通过将数据进行预处理进而衰减集合中的随机噪声以及短波长噪声来实现的。可以将很小的相对时间偏移应用到数据轨迹中，来补偿信号的非同步到达，因此经过波束引导(beam-steer)将集合引到到来的地震的震前波的预计到来的方向上。例如，可以根据集合中心到地震源的偏移来确定这些时间偏移。或者，可以选择时间偏移以在已选择的时间窗口内使归一化离散度的估计值最小。噪声的衰减以及公共信号的估计可以由自适应的(adaptive)噪声和串扰衰减技术来完成，如在英国专利No 2 309 082，和美国专利5,971,095或者英国专利GB 2 337591中描述的技术，但是并不限于这些技术。

接下来，在图4的步骤14，可以重新计算公共信号的序列、离散度的量度，以及，如果希望的话，重新计算经过归一化的离散度量度，并且可以由操作器显示输出。这样，在这一实施例中，一个或者多个包含离散度量度σ^j的序列，或者经过归一化的离散度的估计NES^j也被重新计算，重新计算组成传感器阵列的每个集合的离散度量度以及公共信号序列。这可以通过使用和步骤12所述相同的过程来完成，除了那些还应用了已经具有可选的波束引导以及噪声去除过程的数据序列。虽然步骤14被重复，并且对于组成传感器阵列的所有集合同时执行，但是仍要将第j个集合作为一个例子考虑。如果在步骤13执行的预处理是有效的，重新计算的序列的值NES’^j(t_q)应该小于在噪声衰减之前序列NES^j(t_q)中相对应的值。

在图4的步骤15中，将初始的以及修改的经过归一化的离散度的估计NES’^j(t_q)，NES^j(t_q)进行比较。如果在采样的有效范围内NES’^j(t_q)＞NES^j(t_q)，那么处理步骤13将会增加第j个集合内经过归一化的离散度。可以使用这一条件作为质量控制警告，并且将检查在步骤13的处理中使用的原始数据或者参数。

如果在采样的有效范围内NES’^j(t_q)≈NES^j(t_q)，并且σ’^j≈σ^j≠0(其中σ’^j是重新计算的标准差)，处理步骤13将会相对变得无效。在这种情况下，将会重复步骤11，并且数据将会被重新阵列到具有不同维度或者重叠的集合中。附带地或者可选地，在步骤23，将为了剩余的时间偏移、增益或者相位偏移而纠正数据。附带地或者可选地，处理步骤13的参数也将会变化，并且数据将会被重新处理。根据已经调整的参数，这一反馈环可以自动进行，这样就可以通过使离散度的归一化估计最小化来优化参数值。

如果在采样的有效范围内NES’^j(t_q)＜NES^j(t_q)，并且σ^j(t_q)≠0，这表示在步骤13的预处理过程中，已经减少了在一个集合中的数据的离散度。相对于相同传感器配置的常规分组而言，噪声对信号比率的改善量化了自适应噪声或者串扰衰减的好处，或者是在步骤13中应用的其他的处理算法的好处。经验将会确定预计的改善的水平，但是如在海上地震中的膨胀噪声的特定噪声类型的情况下，可以得到10-30dB的改善，或者更多。

如果希望的话，经过重新计算的一个或者多个离散度量度的序列，经过归一化的离散度量度，以及公共信号可以由操作器显示输出。这样，在本实施例中，在每个集合的传感器输出中的重新计算的归一化离散度量度的序列NES’^j，均值 S^j，以及标准差σ’^j中的一个或者多个在步骤16中输出。如果例如希望操作器可以在图4的步骤13中处理数据的过程中检测均值输出和/或离散度量度，这是可以实现的。可选地，仅仅在NES^j变化的特定条件下所对应的数据需要在操作者干预的时候显示。

在图2中，为了解释的方便，第j个集合和第k个集合的传感器输出的均值，以及相对应的第j个集合和第k个集合中传感器输出的归一化离散度的估计以轨迹的形式显示。应该理解，它们不必作为可视的轨迹来输出。如下面所述的，无论它们是否作为可视轨迹输出，序列都将作为其他形式输出，以电子形式或者存储在内存中，用于进一步的处理步骤。

对于许多处理应用而言，存储如上所述的集合中单个的传感器的轨迹对于噪声的衰减似乎并不是必须的步骤，因此，这样在地震的测量的特定场景中，考虑用序列 S′^j的集合来表示整个被传感器阵列记录的空间采样的波场，并为每个集合在传感器的离散度上分配一个这样的序列。这样就减少了为了以后进一步处理需要存储的轨迹数。它和常规采集的数据之间的差别在于在集合中短波长和随机噪声不仅具有优化的、量化的衰减，而且在每个集合序列 S′^j的每个时间采样的特征在于归一化离散度的估计NES’^j的相应时间采样。序列NES’^j的值表示对数据中的不确定性的预先估计。这些值可以进一步与地震测量中来自其他传感器离散度和/或其他场景(shot)的集合轨迹相结合，其中由于前面提到的不确定性，结合的方法应用到已知的数据结合的技术以及不确定性的跟踪(tracking)。对于不确定性的预先估计进行访问的好处在于结合轨迹的方式可以被优化，用来使不确定性的整体影响最小，并且地震数据处理的最终结果的特征在于对不确定性进行更精确的估计。

普通的数据处理流程在图4的步骤17到22中显示，而且它显示了怎样在接下来的对已获得的数据的处理中使用本发明提供的离散度量度。在步骤17中，适合它所涉及的处理步骤的不同集合和不同场景的轨迹集 S′^j从步骤16或者另外的处理步骤被输入，同时输入的还有相应的离散度估计集NES’^j。在适配的过程中或者数据反演过程中形成了一个模型，并且希望以优化的方式使该模型适合于数据，该方法是通过估计过程或者反演参数来实现的，这些参数从已测量的轨迹 S^j中，根据一些量度(metric)，导出了具有最小差的已建模的轨迹。通常这个差是在目标函数中进行估计的，并且希望这个差最小，以定义最优的处理或者参数的反演(inversion)。为了防止将模型过度适配于数据中的噪声，并且理解相对不同数据的可靠性，希望数据的不确定性进行预先估计。通常这些都是猜测的，或者相反，都是简单省略了的，而将所有数据看作具有相等的可靠性。由本发明提供的单个传感器采集以及离散度的量度允许每个数据值具有由归一化离散度的估计给出的相关联的不确定性。这些估计将用在计算目标功能的过程中，通过使用一种方法加权的输入数据，这种方法是通过给予那些具有最小的归一化离散度值的数据以最大的置信度来完成的。这种适配处理或者反演方案在步骤18中重复执行，并且得到的加权目标函数在步骤19中重新计算。在步骤20中，估计目标函数的变化以满足一个结束检测(end-test)标准。如果该标准没有满足，就要在步骤22更新过程参数或者反演模型的参数，通常通过计算一组数据变化对参数变化的灵敏度来实现，而循环将重新进入步骤18。这一结束检测标准可以通过不对目标函数进行进一步优化来满足，或者通过将模型数据适配于预先的记录数据的不确定性来满足，或者通过二者的结合来满足。从这一点来看，图4的步骤21，已处理的或者经过反演的数据、处理或者反演模型的参数、数据最终的不确定性以及参数一起被输出。

对于其他的处理应用，例如特定的非线性或者数据适配的过程，希望保持单个传感器的数据轨迹，其中集合在图4的步骤16结束时定义，同时也定义了与它们相关的公共信号的估计以及序列 S^j和NES’^j中的已经归一化的离散度。然后可以通过和图2中以及图4中的步骤12到15所显示的方法相类似的方法来处理数据，只是由步骤16输出的估计成为新的处理步骤的输入估计。遵循下面的新的数据处理步骤(图3)，可以用从NES’^j到NES”^j的变化优化数据的处理，并且将新的预先不确定性的估计传递到进一步的处理步骤或者最终结果中。由于保持了单个的传感器的轨迹，原理上在处理序列中任意方便的点上将数据分组都是可能的，这种分组将通过使用公共信号的估计来表示在每一组中已经优化的信号，通过这样做，可以减小计算和存储的要求。

对于线性的、确定性的数据处理操作，序列NES’^j集标志了在所估计的信号轨迹 S′^j中的不确定性，该序列足以在处理操作结束时确定不确定性。这包括涉及了组成多路轨迹的操作，如求和(summations)或者堆栈(stacking)，其中该不确定性可以通过对进入堆栈的时间采样进行适当的加权来合并，加权是通过对离散度进行归一化估计，或者是它的偏差，例如方差，来进行的。

在上面所述的实施例中，使用标准差与均值的绝对值的比值作为一组中每个单独的传感器的输出的离散度量度，大约是这组的平均传感器输出。但是，本发明并不限于使用这一量度作为离散度的量度，而可以使用任何其他方便的量度。例如，在很多应用中，最好使用方差(它是标准差的平方)作为离散度的量度，因为在多路轨迹结合中使用方差是很简单的。在线性的处理操作中，包括那些涉及多路轨迹的操作，在处理步骤中采用方差相对直截了当。

除了经过归一化的标准差和方差，原理上也可以使用其他统计量来度量一个集合中传感器输出的离散度，例如，使用每个传感器输出和均值之间的绝对差的平均值，或者最大传感器输出和最小传感器输出之间的差的幅度。由于地震轨迹并不是时间静态的序列，因此希望对离散度的量度进行归一化，并且在本实施例中我们选择使用临时的集合均值的绝对值来表示，但是本发明并不限于选择这样的归一化过程，也不限于选择该集合中公共信号的估计。使用量度也是适合的，其中量度是在序列中开窗的部分中估计得到的，正如和临时的值相反的那样。

可以确定本发明传感器输出的离散度的一种量度，因为对噪声场均值进行充分采样是必要的，这样传感器阵列就必须对地震波场进行过采样。

地震测量总是受到噪声的影响，如环境噪声，或者自噪声(就是由地震传感器检测到的由地震测量系统产生的不希望的声学噪声)。影响地震测量系统的噪声通常是相干的，并且相对于采集系统来讲通常是本地的。在传感器处的噪声通常具有明显的波长，该波长要比由地球内部散射产生的地震信号的波长要短。因此，地震传感器阵列的各个传感器是相互隔开的，这样它们就可以足够精确地采样噪声波场，因此允许噪声波场，而不会让噪声的能量不适当地进入信号带宽内。在常规的地震阵列中将传感器硬连接成组，并将一个组内的各个传感器的输出信号进行平均的目的是在信号被处理之前减少其中的噪声。但是，在常规系统的情况下，这一预先确定的传感器划分对于减小噪声并不是最理想的，并且通常降低了已采集的地震信号的质量。

SSS数据采集系统提供了对由每个单独的传感器采集的数据的访问，并且这可以对信号的处理进行优化，以使干扰最小，同时提高了所采集信号的质量，并且从信号中去除了大部分的本地噪声。

在SSS数据采集系统的情况下，在抽象分组中的传感器的间隔由环境噪声和自噪声期望的衰减来确定，这些噪声通常具有较短的波长或者相干的波长。由于这些传感器并没有硬连接成组，所以每一组中的传感器的数目可在数据处理步骤中确定。

在SSS数据采集系统中，组间距通过提供对地球内部散射的地震能量在空间上进行充分采样的需要来确定。(组的长度通常将是组间距的两倍，由于采样原理证明了波场应该在每个波长上进行两个或者更多点的抽样。)因此在组间距内的传感器对地震场进行过采样，并且根据本发明，使用对地震波场的过采样来确定一组中单个传感器输出的离散度量度，它大约是在这组中传感器输出的均值。

显示对地震波场过采样的例子就是菲涅耳(Fresnel)区域半径，它定义了地震反射器的大小，该反射器是主反射的幅度的主要来源(“主”反射就是指从地震源到地震传感器的一条路径上的地震能量，它仅仅包含单一的反射)。菲涅耳区域半径定义了地震反射器的大小，该反射器是主反射的幅度的主要来源。在多数的过载模型中，和图2中25m的组长度相比，对于处于两路(two-way)时间是1s的50Hz的信号分量来说这一半径大于100m。

可以通过考虑另外的情况来获得另外的显示，该情况就是数据可以通过以730m的水平距离隔开的一个地震源和一个传感器阵列来采集，并且其中的地震能量被埋在地球表面下深度为1km反射器反射。在这种采集几何关系中，在出射角是20°的时候，跨过长度为25m的传感器集合的出射角的变化大约为0.6°。跨过传感器集合的路径长度的变化大约为9m。这就导致了在海底测量中穿越集合的到达时间的时延将增加6ms，为了保留信号的带宽，这将需要射束操纵传感器的输出。这样的射束操纵可以补偿穿过集合波阵面的倾角，或者是一阶导数。在这里使用的模型中，假设整个集合的波场的高阶导数，如曲率，是小的，并且可以假设它们是噪声而将其忽略，而不会反过来影响随后的对公共信号的估计，也不会影响其离散度的量度。如上面提到的，应该对这样的高阶导数进行估计，并且在原理上用它来改进(refine)本发明公共信号的估计。但是，在这里描述的实施例中，为了解释的简便，这些高阶的导数被当作噪声处理。但是振幅对偏移(AVO)的影响以及几何离散度对这些角度和路径长度的变化来讲是无关紧要的。因此，大约是平均传感器输出，传感器集合的传感器输出的变化的估计可以从SSS传感器的输出中直接获得。

本发明的第二个实施例在图3中显示。该实施例特别适合应用在希望使用非线性操作处理地震数据的时候。

在使用非线性操作的数据处理过程中不确定性的跟踪通常不像使用线性操作那样直接。因此，和图2的实施例相对比，省略了分配公共信号估计 S′^j的步骤，该估计表示了每个集合的输出信号。在图3所示的实施例中，所有由单个传感器生成的数据序列将进入进一步的处理模块，如集合。图3所示的椭圆显示了第j个集合和第k个集合所包含的数据序列。这些序列包含每个集合中的公共信号的估计以及数据的离散度，这些序列可以在数据处理的过程中在任何期望的时刻获得，或者在数据经过非线性处理模块的处理之前或者之后获得。

在本发明的另一个实施例中，可以使用一组中传感器输出的离散度量度为数据的预处理选择参数，这样做的目的是在每一个集合中减小噪声对信号的比率。这就是说，在图4中的模块11和/或13中的预处理步骤的参数是根据步骤12和14的对归一化离散度量度的变化进行计算得到的。该步骤在图4中通过步骤23显示——在传感器的输出被抽象分组之前。因此，在本发明的这个实施例中，预处理步骤11和13的参数的选择是基于由传感器输出的数据序列的经过归一化的离散度量度(或者离散度的其他量度)来进行的。在这个实施例中，在步骤11，将传感器输出的数据序列的测试采样抽象分组成各个集合，在步骤13对其进行预处理，并且在步骤12和14，再对经过归一化的离散度量度进行计算。根据在步骤15所看到的离散度的改善程度，预处理步骤11和13的参数可以是手动或者自动变化的，并且重新计算了归一化的离散度量度；改变预处理步骤11和13参数的步骤将一直重复，直到归一化的离散度的量度被最小化，该量度将被用来表示在预处理信号中噪声对信号的比率。这一实施例的原理在图4的步骤23中显示。

在本发明另外的实施例中，经过预处理最小化噪声之后，由集合中传感器输出的归一化的离散度量度序列NES’^j，被用来控制由图4中步骤17，18，19，20及22执行的后续自适应处理/反演步骤的参数，这些参数将作用于表示每个集合中信号的最佳估计的序列 S′^j。例如，对一个集合中传感器输出的离散度的适当的量度，它使用每个集合中公共信号的估计进行归一化，它将在预处理之后为每个集合提供一个信噪比的估计。

在本发明另外的实施例中，使用传感器输出的适当的归一化量度来选择图4中预处理步骤11和13以及处理步骤18的参数。

在本发明另外的实施例中，在步骤15中显示了输出的输出信号的标准差或者其他经过归一化的离散度的量度，并且在采集的过程中连续对其进行监控。如果标准差或者其他经过归一化的离散度量度表明到传感器输出的噪声超过预先设定的水平，则要改变操作器使之进行纠正操作。在这一实施例中，最好对标准差或者其他经过归一化的离散度量度进行实时的计算，这样操作器就可以尽可能快地改变其操作。另外，如果希望减小所需的处理功率，标准差或者其他归一化的离散度量度可以仅在所选择的由传感器产生的数据部分进行计算。

在对上面所述的实施例的描述中，假设传感器测量了单个的参数。但是，本发明可以被应用到具有多个传感器部件的实施例中，如上所述，可以通过处理所有的或者部分的传感器的输出分量，或者它们的结合来进行。

在上面的描述中，假设传感器阵列1的传感器2产生了数字输出。但是，原理上本发明可以通过使用输出模拟信号的传感器来实现，通过对传感器的输出进行适当的采样，这样每个传感器的输出可以存储在适合的介质中，以便在以后的处理中使用或者重复使用。

根据本发明的一个方法可以通过使用经过适当编程的数据处理器来实现，例如集成了由Schlumberger开发的单一传感器地震采集系统的处理器。

在上面所述的实施例的描述中，假设由每个传感器进行的测量和其他传感器进行的相应测量是基本同步进行的，即t_qm＝t_qn。实际上，对数字化来说没有“开始”：所有的信道被连续地采样，并且要根据地震源活动的时间以及所希望的记录长度“砍断”得到数据流。原理上，由一个传感器进行的测量并不需要与另外的传感器进行的测量完全同步。但是，如果在连续的信道中相同概念上的采样操作之间具有累进的时延，就需要在进一步的数据处理之前对时延进行纠正。

假设采样率对于模拟信号——包括噪声的带宽来讲是足够的，这些信号和噪声经过采样(模拟信号的最高频率由反混叠(anti-alias)滤波器限定在采样频率的一半)，那么得到的数字信号可以内插到共同的采样时间内，即使在轨迹1的第一个采样时间与轨迹2的第一个采样时间存在延时。这在假设轨迹1的第一个采样时间和轨迹2的第一个采样时间之间的延时小于或者等于采样间隔的时候是正确的。因此，如果每个轨迹中的采样不是同时获得的，最好在处理之前，将它们内插到共同的时间参考内。

前面描述的本发明参考了SSS地震数据的处理。但是，本发明并不限于处理地震数据。原理上，本发明可以被应用到由任何单一传感器采集系统采集的数据的处理过程中，这一系统允许对各个传感器信号进行访问，并且需要衰减本地短波长噪声，这导致了感应单元形成阵列，并对信号进行过采样。例如，本发明除了可以处理地震数据以外，也可以应用到处理声音、超声波或者电磁数据中。

图5是设备24的原理框图，该设备能够执行根据本发明的方法。

设备24包含一个可编程的数据处理器25，以及程序存储器26，例如，它可以是只读存储器(ROM)的形式，存储用于控制数据处理器25的程序，处理器通过本发明的方法处理地震数据。该设备进一步包含非易失性读/写存储器27，用于存储例如在电源供电缺乏的时候需要保留的数据。数据处理器的“工作(working)”存储器或者“便笺本(scratch pad)”存储器由随机访问存储器RAM28提供。本发明还提供了输入设备29，例如用于接收用户的命令和数据。还提供了一个或多个输出设备30，例如用于显示与处理相关的信息以及处理的结果。输出设备例如可以是打印机、可视显示单元或者输出存储器。

用于处理的数据可以通过输入设备29输入，或者可以通过可选的机读数据存储器31提供。

处理的结果可以通过输出设备30输出，或者被存储起来。

操作该系统以及执行上文中所述方法的程序存储在程序存储器26中，它可以体现为一个半导体存储器，例如已知的ROM类型。但是，程序也可以很好地存储在其他适合的存储介质中，例如磁性数据载体26a(如“软盘”)，或者CD-ROM 26b。

Claims (30)

1.一种处理数据的方法，它包括的步骤有：

从第一数据序列以及第二数据序列中确定表示第一和第二数据序列的离散度量度的序列，从而提供对信号中原始不确定性的估计，其中第一数据序列是通过在第一传感器处对与不确定性相关联的信号进行采样获得的，第二数据序列是通过在第二传感器处对与前面信号基本相同的、并与不确定性相关联的信号进行采样获得的，并且第一和第二传感器在空间上相互分离。

2.如权利要求1的方法，进一步包括确定表示第一和第二数据序列中的公共信号的数据序列的步骤。

3.如权利要求2的方法，其中确定公共信号数字序列的步骤包括为第一数字序列中的每个值确定一个表示第一数据序列中的值与第二数据序列中的相应值之间的共同性的值。

4.如权利要求1，2或3的方法，其中确定表示离散度量度的序列的步骤包括为第一数字序列中的每个值确定一个第一数字序列中的值与第二数据序列中的相应的值之间的离散度量度。

5.如前面任一权利要求所述的方法，其中表示离散度量度的序列相对于公共信号数据序列的绝对值进行归一化。

6.如权利要求5所述的方法，其中确定表示离散度量度的序列的步骤包括为第一数据序列中的每个值确定一个第一数据序列中的值与第二数据序列中的相对应的值之间的离散度量度，它将除以公共信号数字序列中相应值的绝对值。

7.如权利要求1所述的方法，所包括的步骤有：

a)从多个数据序列中选择两个或者更多的数据序列，其中每个序列在各个的传感器处通过对信号采样得到，每个传感器在空间上与其它的传感器分离；以及

b)确定表示所选数据序列的离散度量度的序列。

8.如权利要求7的方法，进一步包括的步骤有：

c)从所选择的数据序列中确定表示所选数据序列的公共信号的数据序列。

9.如权利要求8的方法，其中确定公共信号数字序列的步骤包括为第一个所选择的数据序列中的每个值确定一个表示第一个数据序列中的值与其他所选数据序列中的相应值之间的共同性的值。

10.如权利要求7，8或9的方法，其中确定表示离散度量度的序列的步骤包括为第一个所选择的数据序列中的每个值确定一个第一个数据序列中的值与该数据序列中或者其他所选数据序列中相应的值之间的离散度量度。

11.如权利要求6至10中任一项的方法，其中表示离散度量度的序列相对于公共信号数据序列的绝对值进行归一化。

12.如权利要求11的方法，其中确定离散度量度的步骤包括为第一个所选择的数据序列中的每个值确定一个第一数据序列中的值与该数据序列中或者其他所选数据序列中相应的值之间的离散度量度，该量度相对于相应的公共信号数据序列的绝对值进行归一化。

13.如权利要求8至12中的任一项的方法，其中步骤(a)包括将数据序列分组为两个或者更多的集合，并从数据序列的集合中选择一个集合。

14.如权利要求13的方法，进一步包括从数据序列的集合中选择另一个集合的步骤，并对另外所选择的这个数据序列的集合重复步骤(b)。

15.如前面任一权利要求中所述的方法，进一步包括输出表示离散度量度的序列的步骤。

16.如权利要求2或8或者任一直接或者间接引用了权利要求2或8的从属权利要求的方法，进一步包括输出公共信号数据序列的步骤。

17.如权利要求15或16的方法，其中公共信号数据序列和/或表示离散度量度的序列作为各自的轨迹被输出。

18.如前面任一权利要求中所述的方法，其中离散度的量度由每个数据序列中相应值的标准差构成。

19.如权利要求1至17中任一项的方法，其中离散度的量度由每个数据序列中相应值的方差构成。

20.如前面任一权利要求中所述的方法，进一步包括处理公共信号数据序列的步骤。

21.如权利要求20的方法，进一步包括根据离散度量度控制处理公共信号数据序列的步骤。

22.如前面任一权利要求中所述的方法，进一步包括在执行确定表示离散度量度的序列的步骤之前对这一数据序列进行预处理的步骤。

23.如权利要求22的方法，进一步包括根据所确定的离散度的量度控制一个或多个预处理步骤的参数的步骤，并重复该预处理的步骤。

24.如权利要求22或23的方法，当权利要求22或23引用了权利要求7或者引用了权利要求7的任一从属权利要求的时候，其中预处理步骤要在选择步骤之前执行。

25.如前面任一权利要求中所述的方法，其中每个数据序列都是一个地震数据序列。

26.如前面任一权利要求中所述的方法，进一步包括采集每个数据序列的步骤。

27.如权利要求25的方法，进一步包括使用单一传感器地震数据采集系统来采集每个地震数据的步骤。

28.用于处理数据的设备，该设备包括：

用于从第一数据序列以及第二数据序列中确定表示第一和第二数据序列的离散度量度的序列的装置，从而提供对信号中原始不确定性的估计，其中第一数据序列是通过在第一传感器处对与不确定性相关联的信号进行采样获得的，第二数据序列是通过在第二传感器处前面信号基本相同的、并与不确定性相关联的信号进行采样获得的，并且第一和第二传感器在空间上相互分离。

29.如权利要求28的设备，还包括可编程的数据处理器。

30.存储有用于如权利要求29所述的设备中的数据处理器的程序的存储介质。

Images