NO814321L

NO814321L - PROCEDURES FOR SEISMIC INVESTIGATIONS

Info

Publication number: NO814321L
Application number: NO814321A
Authority: NO
Inventors: Aaron Jo Davis
Original assignee: Mobil Oil Corp
Priority date: 1980-12-31
Filing date: 1981-12-17
Publication date: 1982-07-01
Also published as: DE3149771A1; GB2090408A; CA1173145A; FR2497357A1; GB2090408B; FR2497357B1

Abstract

En kompressjonsmetode for seismiske data omfatter sampling av hver enkelt seismisk trase, behandling av et fastsatt antall sampler for å generere en forutsagt sampel, kvantisering av differansen mellom den neste sampel og den forutsagte verdi av sampelen, og lagring og/eller overføring av kvantumtallet slik at mengden av informasjon som behøver lagres og/eller overfres, er begrenset. I en foretrukket utfrelsesform blir det brukt en differensiell pulskodemodulasjons-metode med lineær forutsigelse for å tilveiebringe den forutsagte verdi, mens en adaptiv kvantiseringsmetode blir brukt til å kvantisere feilverdien som skal overføres, noe som gir ytterligere forbedringer i nyaktigheten. En tilbakekoplingssløyfe kan anvendes i dekompressjonsoperasjonen for å begrense kvantiseringsstøyen og ytterligere forbedre naturtroheten av representasjonen av de dekomprimerte signaler.A compression method for seismic data includes sampling each seismic trace, processing a fixed number of samples to generate a predicted sample, quantizing the difference between the next sample and the predicted value of the sample, and storing and / or transmitting the quantity number so that the amount of information that needs to be stored and / or transferred is limited. In a preferred embodiment, a differential pulse code modulation method with linear prediction is used to provide the predicted value, while an adaptive quantization method is used to quantize the error value to be transmitted, which provides further improvements in accuracy. A feedback loop can be used in the decompression operation to limit the quantization noise and further improve the fidelity of the representation of the decompressed signals.

Description

Den foreliggende oppfinnelse angår en fremgangsmåte ved seismiske undersøkelser, og mer spesielt en fremgangsmåte til komprimering av store mengder digitale data som er et resultat av seismiske undersøkelser, slik at de kan over- The present invention relates to a method for seismic surveys, and more particularly a method for compressing large amounts of digital data that are the result of seismic surveys, so that they can be transferred

føres og/eller lagres mer effektivt.are carried and/or stored more efficiently.

Det har i mange år vært vanlig å utføre seismiske under-søkelser for å finne olje, gass og andre mineraler, ved å generere en akustisk bølge ved jordens eller havets overflate. It has been common for many years to carry out seismic surveys to find oil, gas and other minerals, by generating an acoustic wave at the surface of the earth or sea.

Denne bølgen forplanter seg nedover inn i jorden og blir reflektert oppover fra underjordiske berglag mot jordens eller havets overflate hvor returbølgen kan detekteres. Utgangen fra detektorene er vanligvis analoge elektriske signaler som blir omformet til digital form og registrert. De registrerte signalene kan så analyseres og brukes til å gi et bilde av den underjordiske strukturen som kan tolkes av geofysikere når de leter etter olje, gass og andre verdifulle mineraler. This wave propagates downward into the earth and is reflected upwards from underground rock layers towards the surface of the earth or sea where the return wave can be detected. The output from the detectors is usually analogue electrical signals which are transformed into digital form and recorded. The recorded signals can then be analyzed and used to provide a picture of the underground structure that can be interpreted by geophysicists when looking for oil, gas and other valuable minerals.

Innenfor dette felt av seismiske undersøkelser er det ønskelig å frembringe stadig bedre bilder som igjen krever registrering av flere digitale data. På det nåværende tidspunkt omfatter et vanlig undersøkelsessystem ombord i et skip registrering av samplinger fra 208 slepte geofoner, som hver blir samplet hvert 4 msek. med en nøyaktighet på 16 biter. Registrering av disse data foregår ved en slik hastighet at Within this field of seismic surveys, it is desirable to produce increasingly better images, which in turn require the recording of more digital data. At present, a typical survey system on board a ship involves recording samples from 208 towed geophones, each of which is sampled every 4 msec. with an accuracy of 16 bits. Registration of this data takes place at such a speed that

en hel rull med magnetbånd blir fylt med slike data i løpet av omkring 10 minutter. Det ville derfor være klart ønskelig å. redusere den datamengde som skal lagres, hvis dette kunne skje uten tap av nøyaktighet. an entire roll of magnetic tape is filled with such data in about 10 minutes. It would therefore be clearly desirable to reduce the amount of data to be stored, if this could be done without loss of accuracy.

En ytterligere drivkraft for utvikling av metoder for datakompressjon, er at det ofte er ønskelig at dataene blir over-ført fra et hav-gående undersøkelsesfartøyt til en datamaskin på en hjemmebase for analyse, mens det hav-gående fartøyet fremdeles er i undersøkelsesområdet. Hvis dataene er av spesiell interesse, eller hvis de av en eller annen grunn ikke ble skikkelig registrert, noe som krever en ny undersøkelse, kan skipet på denne måten vende tilbake til undersøkelses-området uten å måtte tilbakelegge store avstander. Å over-føre fullstendig digitale representasjoner av de registrerte seismiske data som nevnt ovenfor, er imidlertid så kostbart at det ikke lar seg gjøre ved bruk av de nåværende overførings-anordninger, og denne situasjonen vil sannsynligvis ikke bedre seg. Dette er derfor et område der kompressjon av seismiske data kan være nyttig. A further driving force for the development of methods for data compression is that it is often desirable for the data to be transferred from an ocean-going survey vessel to a computer at a home base for analysis, while the ocean-going vessel is still in the survey area. If the data is of particular interest, or if for some reason it was not properly recorded, which requires a new survey, the ship can in this way return to the survey area without having to travel great distances. However, transferring fully digital representations of the recorded seismic data as mentioned above is so expensive that it cannot be done using the current transfer devices, and this situation is unlikely to improve. This is therefore an area where compression of seismic data can be useful.

Hvis datakompressjonsteknikker skal være nyttige, kan man selvsagt ikke tillate at signalet forvrenges for meget ved dekompressjon. To spesielle faktorer er her av betydning, If data compression techniques are to be useful, one cannot of course allow the signal to be distorted too much by decompression. Two particular factors are important here,

for det første RMS-differansen (rot-nyi-ddel-kvadrat-differansen) mellom helords-trasén og den samme trase etter kompressjon og dekompressjon, og for det andre differanse-trasens korrelasjon med en trase med helords-nøyaktighet. RMS-feilen beskriver kvantitativt hvor meget forvrengning som er til stede i de komprimerte og dekomprimerte trasene. Korrelasjonen indikerer om feilene som er gjort, vil bli stablet (det vil si om feilene vil bli redusert ved anvendelse av tidligere kjent teknikk for å redusere tilfeldig støy i seismiske registreringer ved summering) og, hvis de ikke vil det, hva forvrengningsmønstre vil være. first, the RMS difference (root-new-division-squared-difference) between the whole-word trace and the same trace after compression and decompression, and second, the correlation of the difference trace with a trace with whole-word accuracy. The RMS error quantitatively describes how much distortion is present in the compressed and decompressed tracks. The correlation indicates whether the errors made will be stacked (that is, whether the errors will be reduced by applying previously known techniques to reduce random noise in seismic records by summation) and, if they will not, what the distortion patterns will be.

Tidligere kjente teknikker for datakompressjon i seismiske systemer har ikke gitt gode nok resultater. Disse teknikkene befinner seg i to hoved-kategorier. En klasse medfører frekvensområde-teknikk, slik som best vist i "Seismic Data Compression Methods" av L.C. Woods i Geophysics, .30, nr. 4 (1974) sidene 499-525, og den andre medfører tidsområde-teknikk. Forsterkningsbit-kvantisering har vært brukt, det vil si karak-terisering av det fullstendige ordet ved hjelp av den eksponenten til potensen av 2 som ligger nærmest sampelen, slik at bare eksponenten behøver overføres. Dette kan selvsagt med-føre feil som er lik halve differansen mellom påfølgende potenser av 2. Feilene er dessuten korrelert med signalets amplitude, slik at den sannsynlige feilen stiger med signalets amplitude. To varianter av differensiel puls-kodemodulasjon (DPCM) er også blitt forsøkt, kjent som enkel DPCM og DPCM med løpende sum. Disse teknikkene bygger vanligvis på det faktum at forskjellen mellom påfølgende sampler er mindre enn samplene selv. DPCM-metoden med løpende sum resulterer i ganske høy RMS-støy, selv om den er meget rask. Enkel DPCM har mindre forvrengning men krever et langt lavgrense-filter for å eliminere forplantningsfeil. Selv om DPCM-teknikker er nyttige, er det følgelig et behov på det seismiske område for forbedringer av de anvendte teknikker. Previously known techniques for data compression in seismic systems have not given good enough results. These techniques fall into two main categories. One class involves frequency domain techniques, as best shown in "Seismic Data Compression Methods" by L.C. Woods in Geophysics, .30, No. 4 (1974) pages 499-525, and the other involves the time domain technique. Gain-bit quantization has been used, that is, characterizing the complete word using the exponent to the power of 2 which is closest to the sample, so that only the exponent needs to be transmitted. This can of course lead to errors that are equal to half the difference between successive powers of 2. The errors are also correlated with the amplitude of the signal, so that the probable error rises with the amplitude of the signal. Two variants of differential pulse-code modulation (DPCM) have also been attempted, known as simple DPCM and running-sum DPCM. These techniques usually rely on the fact that the difference between consecutive samples is smaller than the samples themselves. The running-sum DPCM method results in fairly high RMS noise, even though it is very fast. Simple DPCM has less distortion but requires a long low-pass filter to eliminate propagation errors. Consequently, although DPCM techniques are useful, there is a need in the seismic field for improvements in the techniques used.

Anvendelse av DPCM-teknikker og tallekoding er generelt diskutert av N.S. Jayant i "Digital Coding of Speech Waveforms: Application of DPCM techniques and numerical coding is generally discussed by N.S. Jayant in "Digital Coding of Speech Waveforms:

PCM, DPCM and DM Quantizers", Proceedings of the IEEE, 62, nr.PCM, DPCM and DM Quantizers", Proceedings of the IEEE, 62, no.

5 (mai 1964), men i forbindelse med koding av tallbølgeformer og ikke koding av seismiske data. 5 (May 1964), but in connection with the coding of digital waveforms and not the coding of seismic data.

Man vil forstå at seismiske data har en hovedsakelig reperterende karakter, det vil si at de medfører en sinus-formet bølge konvolvert med en reflektivitets-rekke. Regist-reringenes bølgenatur kan derfor utnyttes ved datakompressjon og man trenger ikke gå utfra at dataene er tilfeldige. Det er dette faktum som blir utnyttet ved den differensielle pulskodemodulasjons-teknikk som er nevnt ovenfor. Differensiell pulskodemodulasjons-teknikk har tre fordeler i forhold til forsterkningsbit-koding eller fortegnsbit-koding der bare et fortegn blir overført som indikerer om en gitt sampel er positiv eller negativ. For det første er feilene mange ganger mindre enn de som opptrer ved kvantisering av den fullstendige bølge-formen til et fast antall binære forsterkningsbiter. For det andre er feilene meget mindre korrelert enn ved forsterkningsbit-koding eller fortegnsbit-koding, slik at det er mindre sannsynlig at feilene vil bli fremhevet når seismisk databehandling blir utført på disse. For det tredje er differensiell pulskodemodulasjon mindre følsom for lavfrekvent støy enn forsterkningsbit- og fortegnsbit-koding og er derfor meget bedre egnet for f-k-filtrering, en velkjent metode til å redusere støy som er vanlig anvendt ved seismisk databehandling. Det er derfor ønskelig å bruke en eller annen form for differensiell pulskodemodulasjon, men som nevnt ovenfor gir hverken enkel DPCM-teknikk eller DPCM-teknikk med løpende sum resultater It will be understood that seismic data has a mainly reverberant character, that is to say that it entails a sinusoidal wave convolved with a reflectivity series. The wave nature of the recordings can therefore be used for data compression and one need not assume that the data is random. It is this fact that is exploited by the differential pulse code modulation technique mentioned above. Differential pulse code modulation technique has three advantages over gain bit coding or sign bit coding where only a sign is transmitted indicating whether a given sample is positive or negative. First, the errors are many times smaller than those that occur when quantizing the complete waveform into a fixed number of binary gain bits. Second, the errors are much less correlated than with gain bit coding or sign bit coding, so it is less likely that the errors will be highlighted when seismic data processing is performed on them. Third, differential pulse code modulation is less sensitive to low-frequency noise than gain-bit and sign-bit coding and is therefore much better suited for f-k filtering, a well-known noise reduction method commonly used in seismic data processing. It is therefore desirable to use some form of differential pulse code modulation, but as mentioned above neither simple DPCM technique nor DPCM technique with running sum results

med tilstrekkelig lav forvrengning til at de kan brukes.with sufficiently low distortion that they can be used.

Den foreliggende oppfinnelse søker å frembringe en fremgangsmåte ved seismiske undersøkelser der data kan registreres på et sted i undersøkelsesområde og overføres til en hjemmebase for behandling som er økonomisk når det gjelder overføringstid, men som ikke gir avkall på nøyaktighet. På denne måten kan resultatene av behandlingen sendes tilbake til undersøkelses-stedet mens undersøkelsene pågår, slik at hvis det er nødvendig å undersøke området på nytt, eller hvis et område viser seg å være av slik spesiell interesse at det indikerer ytterligere undersøkelser, kan den riktige avgjørelse fattes mens under-søkelseslaget fremdeles er i nærheten av det interessante om- The present invention seeks to provide a method for seismic surveys in which data can be recorded at a location in the survey area and transmitted to a home base for processing that is economical in terms of transmission time but does not compromise accuracy. In this way, the results of the treatment can be sent back to the survey site while the surveys are in progress, so that if it is necessary to survey the area again, or if an area turns out to be of such special interest as to indicate further surveys, the correct decision is made while the research team is still in the vicinity of the interesting

råde uansett om det er et mannskap på land eller ombord påadvise regardless of whether there is a crew on land or on board

et skip. Ifølge oppfinnelsen blir dette oppnådd ved hjelp av en forbedret fremgangsmåte til differensiell pulskode-modulas jons-koding for kompressjon av seismiske data. a ship. According to the invention, this is achieved by means of an improved method for differential pulse code modulation ion coding for compression of seismic data.

Den foreliggende oppfinnelse tilveiebringer derfor en fremgangsmåte ved seismiske undersøkelser der akustisk energi blir sendt gjennom en underjordisk struktur,•energi som reflekteres fra en underjordisk grenseflate og sendes oppover til overflaten blir detektert, elektriske datautgangssignaler blir generert som respons på den detekterte energi og datasignalene blir komprimert for lagring og/eller overføring, idet data-komprimeringen omfatter følgende trinn: The present invention therefore provides a method for seismic surveys in which acoustic energy is transmitted through an underground structure, energy reflected from an underground interface and transmitted upward to the surface is detected, electrical data output signals are generated in response to the detected energy, and the data signals are compressed for storage and/or transmission, as the data compression includes the following steps:

sampling av signalene ved en fast hyppighet,sampling the signals at a fixed frequency,

suksessiv analysering av en flerhet av utgangssampler i samsvar med en forutsigelsesoperator for å gi en forutsagt verdi for den neste inngangssampel, successively analyzing a plurality of output samples in accordance with a prediction operator to provide a predicted value for the next input sample;

sammenligning av den neste inngangssampel med den tilsvarende forutsagte verdi for å gi en forutsigelses-feilverdi, comparing the next input sample with the corresponding predicted value to give a prediction error value,

kvantisering av forutsigelses-feilverdien for å gi et kvantetall, og quantizing the prediction error value to give a quantization number, and

lagring og/eller overføring av kvantetallet,storage and/or transmission of the quantum number,

idet datakompressjonen er slik at ved inversering av operatoren for dekompressjon av de lagrede kvantetall, kan det anvendes tilbakekopling på den inverterte operatoren for å bringe støy i de kvantiserte samplene til å passere ufiltrert. the data compression being such that when inverting the operator for decompression of the stored quantum numbers, feedback can be applied to the inverted operator to cause noise in the quantized samples to pass unfiltered.

Den foreliggende oppfinnelse overvinner derfor ulempeneThe present invention therefore overcomes the disadvantages

ved de kjente systemer som er beskrevet ovenfor, ved å bruke en seismisk datakompressjons-metode som anvender en differensiell pulskodemodulasjon med lineær forutsigelse ved å utnytte de seismiske datas konvolverte beskaffenhet. Ved denne fremgangsmåten blir et gitt antall sampler kvantisert og analysert for å gi en forutsagt neste sampel. Differansen mellom den virkelige neste sampel og den forutsagte neste sampel blir så kodet og overført. Den kvantiserte sampel blir så den siste av de foregående sampler som brukes til å forutsi den neste virkelige sampel. Denne teknikken er referert til som en bølgeform-koding med lineær forutsigelse. Den blir brukt i forbindelse med en adaptiv kvantiseringsmetode der differansen mellom de forutsagte og de virkelige sampler blir sammenlignet med et forutbestemt antall "rammer" eller "vinduer" i hvilke signal- by the known systems described above, using a seismic data compression method that uses a differential pulse code modulation with linear prediction by exploiting the convoluted nature of the seismic data. In this method, a given number of samples is quantized and analyzed to give a predicted next sample. The difference between the actual next sample and the predicted next sample is then encoded and transmitted. The quantized sample then becomes the last of the previous samples used to predict the next real sample. This technique is referred to as a linear prediction waveform encoding. It is used in conjunction with an adaptive quantization method where the difference between the predicted and the actual samples is compared to a predetermined number of "frames" or "windows" in which the signal

verdien kan forventes å falle. Vinduene blir utvidet eller trukket sammen i samsvar med resultatene av denne sammen-ligningen. På denne måten resulterer kodemetoden med lineær forutsigelse og adaptiv kvantisering med uniforme intervall i den minste RMS-feil samt den mest tilfeldige korrelasjon av feil med data, sammenlignet med en kvantiseringsteknikk som tilpasser seg selv til signalet, noe som resulterer i korrelasjon av feilene med signalet. Den lineære forut-sigelsesmetoden tillater også konstruksjon av et dataformat med fast lengde. Kodemetoden med lineær forutsigelse er dessuten ikke så følsom for overføringsfeil siden forutsigelsesfeilen er fordelt over lengden av operatoren, det vil si over de forutgående sampler sammenlignet med neste sampel. Puls-kodemodulas jons-metoden med lineær forutsigelse ifølge oppfinnelsen er avhengig av signalets, båndbredde (det vil si at jo større båndbredde, jo større forutsigelsesfeil, og derfor jo større kvantiseringsfeil). Desimering av dataene, for eksempel ved å ta annenhver sampel, reduserer datavolumet med en faktor på 2, men øker kvantiseringsfeilen. Heldigvis har seismiske data en forholdsvis konstant periodisk lav-pass-komponent og kan derfor godt komprimeres ved å bruke lineær forutsigelse siden det er den sinus-formede beskaffenheten til den seismiske bølgen som tillater den forutsagte verdien å være forholdsvis nær den virkelige verdien, noe som tillater et forholdsvis lite differansesignal som skal kodes og over-føres, med minimal feil. the value can be expected to fall. The windows are expanded or contracted according to the results of this comparison. In this way, the coding method with linear prediction and uniform interval adaptive quantization results in the smallest RMS error as well as the most random correlation of errors with data, compared to a quantization technique that adapts itself to the signal, resulting in correlation of the errors with the signal . The linear prediction method also allows the construction of a fixed-length data format. The coding method with linear prediction is also not so sensitive to transmission errors since the prediction error is distributed over the length of the operator, i.e. over the previous samples compared to the next sample. The pulse-code modulation method with linear prediction according to the invention is dependent on the signal's bandwidth (that is, the larger the bandwidth, the larger the prediction error, and therefore the larger the quantization error). Decimating the data, for example by taking every second sample, reduces the data volume by a factor of 2, but increases the quantization error. Fortunately, seismic data has a relatively constant periodic low-pass component and can therefore be well compressed using linear prediction since it is the sinusoidal nature of the seismic wave that allows the predicted value to be relatively close to the true value, which allows a relatively small difference signal to be coded and transmitted, with minimal error.

Selv om selve de kodede feilsignalene i mange tilfeller er av interesse uten dekoding og dekompressjon ved mottagelse av det overførte kodede signal, kan den inverse operasjon utføres for å gi en utgangsbølgeform som er hovedsakelig maken til den som ble kodet. Det kan anvendes tilbakekopling under de-kompress jonen for å filtrere støy og dermed forbedre signal/- støy-forhoIdet. Although in many cases the coded error signals themselves are of interest without decoding and decompression upon reception of the transmitted coded signal, the inverse operation can be performed to provide an output waveform that is essentially the same as the coded one. Feedback can be used during the de-compress ion to filter noise and thus improve the signal/noise ratio.

Fremgangsmåten ifølge oppfinnelsen er nedenfor beskrevet mer detaljert ved hjelp av et eksempel under henvisning til de vedføyde tegninger, der: Figur 1 representerer en skisse over et seismisk under-søkelsessystem ifølge oppfinnelsen; Figur 2 viser en grafisk sammenligning mellom helords-koding av seismiske signaler og fire betraktede kompressjons kode-metoder; Figur 3 representerer differansen mellom helords-koding og de fire kompressjonskode-metodene som er vist på figur 2; Figur 4 representerer de fem registreringene på figur 2 etter f-k- og spiss-dekonvolverings-behandling; Figur 5 representerer differansene mellom det hele ordet og de fire andre kode-teknikkene som betraktes etter f-k-og spiss-dekonvolverings-behandling;'Figur 6 viser registreringene på figur 4 etter vanlige flytte- og stable-operasjoner; Figur 7 viser differansen mellom den vanlige flytte-korrigerte og stablede helords seismiske sampel og de fire kodede registreringene; Figur 8 viser et skjematisk flytskjema over en adaptiv kvantiseringsprosess som brukes i fremgangsmåten ifølge.oppfinnelsen; Figur 9 viser billedmessig hvordan den adaptive kvantiseringsmetoden på figur 8 virker; Figur 10 viser inverterbarheten til den dekonvolvering som brukes i fremgangsmåten ifølge oppfinnelsen; Figur 11 viser på hvilken måte den lineære forutsigelses-kode-operator kan brukes til å redusere feil; Figur 12 viser hvordan tilbakekopling kan anvendes på det totale system som er-vist på figur 10; Figur 13 viser et oppsummerende flytskjema over kompressjons-teknikken som brukes ifølge oppfinnelsen; Figur 14 viser et oppsummerende flytskjema over de-kompress jonsteknikken som brukes ifølge oppfinnelsen; Figur 15 viser en fremvisning av aktuelle seismiske data ved bruk av helords-koding; Figur 16 viser de samme data som er blitt kodet med to biter pr. ord og dekompremert ved bruk av fremgangsmåten ifølge oppfinnelsen; Figur 17 viser et detaljert flytskjema over operator-konstruksjons-rutinen; Figur 18 viser et detaljert flytskjema over koderutinen; Figur 19 viser en forstørrelse av den kvantiserte del av koderutinen som er vist på figur,18; og Figurene 20a og 20b viser detaljerte flytskjema som skisserer den dekompressjon og dekoding som utføres på en The method according to the invention is described below in more detail by means of an example with reference to the attached drawings, where: Figure 1 represents a sketch of a seismic investigation system according to the invention; Figure 2 shows a graphical comparison between whole-word coding of seismic signals and four considered compression coding methods; Figure 3 represents the difference between whole word coding and the four compression coding methods shown in Figure 2; Figure 4 represents the five registrations on Figure 2 after f-k and tip-deconvolution processing; Figure 5 represents the differences between the whole word and the four other coding techniques considered after f-k and spike deconvolution processing; Figure 6 shows the records of Figure 4 after normal move and stack operations; Figure 7 shows the difference between the usual displacement-corrected and stacked whole-word seismic sample and the four coded records; Figure 8 shows a schematic flow chart of an adaptive quantization process used in the method according to the invention; Figure 9 shows pictorially how the adaptive quantization method in Figure 8 works; Figure 10 shows the invertibility of the deconvolution used in the method according to the invention; Figure 11 shows how the linear prediction code operator can be used to reduce errors; Figure 12 shows how feedback can be applied to the overall system shown in Figure 10; Figure 13 shows a summary flow chart of the compression technique used according to the invention; Figure 14 shows a summary flow chart of the decompression technique used according to the invention; Figure 15 shows a display of current seismic data using whole word coding; Figure 16 shows the same data that has been coded with two bits per word and decompressed using the method according to the invention; Figure 17 shows a detailed flowchart of the operator construction routine; Figure 18 shows a detailed flowchart of the code routine; Figure 19 shows an enlargement of the quantized part of the code routine shown in Figure 18; and Figures 20a and 20b show detailed flowcharts outlining the decompression and decoding performed on a

komprimert datastrøm etter overføring eller lagring.compressed data stream after transmission or storage.

Figur 1 viser generelt hvordan et marint seismisk under-søkelsessystem i henhold til oppfinnelsen er anordnet (selv om man må huske at oppfinnelsen like godt kan anvendes på landbaserte operasjoner). Et undersøkelsesfartøy 10 har på-montert en flerhet av kilder 12 for akustisk energi, slik som luftkanoner som blir styrt til å utsende en akustisk bølge 14 nedover i havet. Bølgen passerer gjennom havbunnen og det første laget 16 under bunnen og blir reflektert fra et lavere lag 18 oppover for å nå en flerhet av hydrofoner 20 som slepes bak fartøyet. Utgangssignalene fra hydrofonene 20 blir ved hjelp av en kabel 22 ført til konvensjonelt behandlingsutstyr ombord på undersøkelsesfartøyet 10, slik som forsterkere 24 Figure 1 generally shows how a marine seismic survey system according to the invention is arranged (although it must be remembered that the invention can just as well be applied to land-based operations). A research vessel 10 has mounted a plurality of sources 12 for acoustic energy, such as air cannons which are controlled to emit an acoustic wave 14 downwards into the sea. The wave passes through the seabed and the first layer 16 below the bottom and is reflected from a lower layer 18 upwards to reach a plurality of hydrophones 20 which are towed behind the vessel. The output signals from the hydrophones 20 are fed via a cable 22 to conventional processing equipment on board the survey vessel 10, such as amplifiers 24

og filtere 26. Dataene kan omsettes til digitalt format i analog-digital-omsetter 28 og kan så kodes i henhold til oppfinnelsen i en kodeprosessor 30. De komprimerte data kan lagres og/eller overføres ved hjelp av en sender 32 og en antenne 34, etter valg via en satelitt 36 til en jordbunnet antenne 38, and filters 26. The data can be converted to digital format in analog-digital converter 28 and can then be coded according to the invention in a code processor 30. The compressed data can be stored and/or transmitted using a transmitter 32 and an antenna 34, optionally via a satellite 36 to an earth-based antenna 38,

for eksempel for videre behandling i en datamaskin som generelt er indikert ved 40. for example for further processing in a computer which is generally indicated at 40.

Som nevnt ovenfor blir store mengder data generert ved seismiske undersøkelser, enten det er på land eller sjø, og det er derfor ønskelig å tilveiebringe fremgangsmåter for data-kompress jon slik at datamengden som må overføres, blir begrenset. Som nevnt er seismiske data av en generelt bølgelignende beskaffenhet slik at påfølgende sampler av de analoge utgangssignalene fra hydrofonene 20 ikke varierer meget fra det ene til det neste. Derfor kan det for eksempel brukes en enkel differensiell pulskodemodulasjons-metode som koder differansen mellom to påfølgende sampler i stedet for hele amplituden av datasamplen. Denne differansen er vanligvis betydelig mindre enn den totale amplituden og biter blir derfor spart. Når korrelasjonen mellom to sampler er høy (større enn omkring 0,5) er differansene mellom påfølgende sampler liten. As mentioned above, large amounts of data are generated by seismic surveys, whether on land or at sea, and it is therefore desirable to provide methods for data compression so that the amount of data that must be transferred is limited. As mentioned, seismic data is of a generally wave-like nature so that successive samples of the analogue output signals from the hydrophones 20 do not vary much from one to the next. Therefore, for example, a simple differential pulse code modulation method can be used which encodes the difference between two consecutive samples instead of the entire amplitude of the data sample. This difference is usually significantly smaller than the total amplitude and bits are therefore saved. When the correlation between two samples is high (greater than about 0.5), the differences between successive samples are small.

Selv om denne fremgangsmåten kan virke, sikrer den ikke fravær av lavfrekvente restfeil som har tendens til å bli meget forsterket ved rekonstruksjon ved integrasjon i den jordmasserte behandlingsstasjon 40. Slike forsterkede lavfrekvenser forår-saker driv og noen ganger nivå-skift som kan være ustabile i ytterligere behandlingsoperasjoner. Det er derfor nødvendig å anvende et langt lavgrensefilter på samplene før integrasjon og å fjerne middelverdien senere. Dette medfører dessverre uønsket forvrengning i det tidlige behandlingstrinnet, noe som blir ytterligere forverret ved senere trinn. Although this method may work, it does not ensure the absence of low-frequency residual errors which tend to be greatly amplified during reconstruction by integration in the ground massaged treatment station 40. Such amplified low frequencies cause drift and sometimes level shifts which can be unstable in further processing operations. It is therefore necessary to apply a long low-cut filter to the samples before integration and to remove the mean value later. This unfortunately causes unwanted distortion in the early processing stage, which is further aggravated at later stages.

En forbedring av den enkle digitale differensielle puls-kodemodulasjon, kjent som dif f erensiej.1 pulskode-modulas jon med løpende sum, gjør bruk av tilbakeløp for å lette det foran-nevnte lavfrekvens-problem. Formålet med dette systemet er •kontinuerlig å justere for lavfrekvenser ved å ta differansen mellom det innkommende signal og den løpende sum over alle de tidligere kvantiserte differansene. Hvis det ikke var noen feil i kvantiseringen, ville denne operasjonen ganske enkelt være differansetrasen som ovenfor. Siden det imidlertid må ventes å opptre feil i kvantiseringsprosessen, er den differansen som skal kvantiseres forandringen mellom to påfølgende innganger pluss kvantiseringsfeilen i den tidligere differansen. Hver gang en stor feil opptrer, blir det derfor korrigert for den ved den neste differansen i stedet for at den forplanter seg gjennom hele trasen. Selv om denne teknikken er bedre enn enkel differensiering av data når det gjelder forplantning av feil, og den tillater eliminering av .det lange lavgrensefiltre og den ovenfor nevnte fjerning av middelverdien, er der korrelasjon mellom feilen og dataene. An improvement on the simple digital differential pulse code modulation, known as differential running sum pulse code modulation, makes use of loopback to alleviate the aforementioned low frequency problem. The purpose of this system is •to continuously adjust for low frequencies by taking the difference between the incoming signal and the running sum over all the previously quantized differences. If there were no errors in the quantization, this operation would simply be the difference trace as above. However, since errors must be expected to occur in the quantization process, the difference to be quantized is the change between two successive inputs plus the quantization error in the previous difference. Whenever a large error occurs, it is therefore corrected for at the next difference rather than propagating through the entire thread. Although this technique is better than simple differentiation of data in terms of error propagation, and it allows the elimination of long low-pass filters and the aforementioned removal of the mean, there is correlation between the error and the data.

Den fremgangsmåten som vanligvis refereres til som differensiell pulskodemodulasjon er her kalt differensiell pulskode-modulas jon med lineær forutsigelse for klarhetens skyld. Sammenlignet med differensiell pulskodemodulasjon med løpende sum, forsøker man her, i stedet for å forutsi den siste sampel ved å bruke summen av de tidligere sampler, å forutsi den neste sampel fra en lineær kombinasjon, styrt av en forutsigelsesoperator, ut fra flere av de siste sampler. Hvis for eksempel kvantiseringen var feilfri, er differansen mellom den løpende inngang og forutsigelses-samplen ganske enkelt forutsigelsesfeilen. En slik sekvens er spesielt ønskelig for kvantiserings-formål siden spektret blir hvitere (det vil si har en større båndbredde) og RMS-amplitudenivået blir minimalisert. Kvantisering vil imidlertid tilføye støy til systemet som må reguleres ved rekonstruksjon, ellers vil den gjøre rekonstruksjonen upålitelig. I henhold til fremgangsmåten ifølge den foreliggende oppfinnelse blir kvantiseringsstøyen regulert ved tilbakekopling av den rekonstruerte utgang til den forutgående inngang for å korrigere forutsigelsesoperatoren, i stedet for enkel forutsigelse på grunnlag av en rekke innganger. The method usually referred to as differential pulse code modulation is here called differential pulse code modulation with linear prediction for the sake of clarity. Compared to differential pulse code modulation with running sum, here, instead of predicting the last sample using the sum of the previous samples, one tries to predict the next sample from a linear combination, controlled by a prediction operator, from several of the last samples. For example, if the quantization was error-free, the difference between the running input and the prediction sample is simply the prediction error. Such a sequence is particularly desirable for quantization purposes since the spectrum becomes whiter (that is, has a larger bandwidth) and the RMS amplitude level is minimized. However, quantization will add noise to the system that must be regulated during reconstruction, otherwise it will make the reconstruction unreliable. According to the method of the present invention, the quantization noise is regulated by feedback of the reconstructed output to the previous input to correct the prediction operator, instead of simple prediction based on a series of inputs.

Figur 2 viser sammenligninger av inngangsdata med utgangs-data som er generert ved å bruke fire av. de teknikker som er diskutert ovenfor. De fem registreringene kan alle sammenlignes med seismogrammer, det vil si at deres vertikale akse er tiden mens den horisontale aksen er avstanden fra et gitt opprinnelsessted. Figur 2a representerer en fremvisning av syntetiske data som er kodet med den fullstendige 3 2-bit ord-sampling, idet dette er den type data som skal komprimeres i henhold til fremgangsmåten ifølge oppfinnelsen. Figur 2b viser de helordskodede data på figur 2a etter at de er blitt kodet ved å bruke differensiell pulskodemodulasjon med lineær forutsigelse. Figur 2c er det samme ved bruk av differensiell pulskodemodulasjon med løpende sum. Figur 2d viser enkel differensiell pulskodemodulasjon. Endelig viser figur 2e forsterkningsbit-koding. Fagfolk på området vil innse at selv om fem seismogrammene som er vist på figur 2 idet vesent-lige er like, så faller kvaliteten av kodingen merkbart fra figur 2b til figur 2e. Dette er vist grafisk på figur 3 som representerer resultater fra subtraksjon av de kodede data som er vist på figur 2b til 2e fra helords-dataene på figur 2a, Figure 2 shows comparisons of input data with output data generated using four of. the techniques discussed above. The five records can all be compared to seismograms, that is, their vertical axis is time while the horizontal axis is the distance from a given point of origin. Figure 2a represents a presentation of synthetic data which is coded with the complete 3 2-bit word sampling, this being the type of data to be compressed according to the method according to the invention. Figure 2b shows the full-word encoded data of Figure 2a after it has been encoded using differential pulse code modulation with linear prediction. Figure 2c is the same when using differential pulse code modulation with a running sum. Figure 2d shows simple differential pulse code modulation. Finally, Figure 2e shows gain bit coding. Those skilled in the art will appreciate that although the five seismograms shown in Figure 2 are essentially the same, the quality of the coding drops noticeably from Figure 2b to Figure 2e. This is shown graphically in Figure 3 which represents results from subtraction of the coded data shown in Figures 2b to 2e from the whole word data in Figure 2a,

og som dermed frembringer en indikasjon på nøyaktigheten til den anvendte kodemetode. Figur 3a, differensiell pulskodemodulasjon med lineær forutsigelse, er klart den beste av de prøvde kode-teknikker, idet signifikant feil er begrenset til et område mellom 1,8 og 2,3 sekunder. Man kan se at bare der'hvor amplitudene er høye og forutsigeligheten er lav, slik som overlagringen av alle tilfellene på de fjerneste trasene, er feilene i representasjonen av differensiell pulskodemodulasjon med lineær forutsigelse signifikant. and which thus produces an indication of the accuracy of the coding method used. Figure 3a, differential pulse code modulation with linear prediction, is clearly the best of the code techniques tried, with significant error being limited to a range between 1.8 and 2.3 seconds. It can be seen that only where the amplitudes are high and the predictability is low, such as the superimposition of all the cases on the farthest traces, are the errors in the representation of differential pulse code modulation with linear prediction significant.

Figur 4 viser seismogrammer maken til de på figur 2, men etter at konvensjonelle databehandlingsoperasjoner er blitt utført på disse, det vil si f-k-filtrering og spiss-dekonvolverings-metoder. Begge disse metodene vedrører bruken av mate-matiske prosesser til å generere koherent frekvens-informasjon fra seismiske registreringer. I dette tilfelle ble "luftpulsen", den overflatestøyen som genereres av den akustiske energien, først fjernet ved f-k-filtrering, deretter ble spiss- dekonvolvering anvendt på inngangsregistreringene. Figur 4a viser bare meget lite høyfrekvens-støy og bare en liten rest av luftpulsen er tilbake i helordskode-systemet. Likeledes er luftpulsen meget godt dempet i alle de tre differensielle pulskodemodulasjons-metodene som er vist på figurene 4b, 4c og 4d. Forsterkningsbit-kodingen på -figur 4e har imidlertid i tillegg til et høyere støynivå, en stor rest fra luftpulsen. Den enkle differensielle pulskodemodulasjons-metoden (figur Figure 4 shows seismograms similar to those in Figure 2, but after conventional data processing operations have been performed on them, i.e. f-k filtering and peak deconvolution methods. Both of these methods concern the use of mathematical processes to generate coherent frequency information from seismic recordings. In this case, the "air pulse", the surface noise generated by the acoustic energy, was first removed by f-k filtering, then peak deconvolution was applied to the input recordings. Figure 4a shows only very little high frequency noise and only a small remnant of the air pulse is back in the whole word code system. Likewise, the air pulse is very well damped in all three differential pulse code modulation methods shown in figures 4b, 4c and 4d. However, in addition to a higher noise level, the amplification bit encoding in Figure 4e has a large residual from the air pulse. The simple differential pulse code modulation method (Fig

4d) er blitt forbedret i forhold til metoden med løpende sum 'på figur 4c ved hjelp av en dekonvolveringsoperasjon som fjerner noe av virkningen fra det lavgrensefiltret som er diskutert ovenfor. 4d) has been improved over the running sum method of Figure 4c by means of a deconvolution operation which removes some of the effect of the low-pass filter discussed above.

Differanseregistreringene på figur 5 kan sammenlignes med de på figur 3, det vil si figurene 4b, 4c, 4d og 4e ble subtrahert fra figur 4a for å'gi figurene 5a, 5b, 5c og 5d. Igjen har den differensielle pulskodemodulasjons-metoden med lineær forutsigelse på figur 5a den minste feilen, det viser seg imidlertid at mesteparten av feilen ligger langs refleksjons-tilfeller som er blitt dekonvolvert. Enkel differensiell puls-kodemodulasjon viser også et forholdsvis godt signal (figur 5c) og igjen er forsterkningsbit-kodingen (figur 5d) meget støy-fylt. Sammenligning av signal/støy-forholdene til disse registreringene bekrefter denne konklusjonen. Det midlere RMS signal/støy-forholdet til de differensielle pulskode-modulas jons-signalene med lineær forutsigelse midlet over 25 traser er 3,93, for løpende sum 1,43, for enkel differensiell pulskodemodulasjon 2,03 og forsterkningsbit-koding 1,05. The difference records of Figure 5 can be compared with those of Figure 3, ie Figures 4b, 4c, 4d and 4e were subtracted from Figure 4a to give Figures 5a, 5b, 5c and 5d. Again, the differential pulse code modulation method with linear prediction in Figure 5a has the smallest error, however, it turns out that most of the error lies along reflection cases that have been deconvolved. Simple differential pulse code modulation also shows a relatively good signal (figure 5c) and again the gain bit coding (figure 5d) is very noisy. Comparison of the signal-to-noise ratios of these recordings confirms this conclusion. The average RMS signal-to-noise ratio of the differential pulse code modulation signals with linear prediction averaged over 25 traces is 3.93, for running sum 1.43, for simple differential pulse code modulation 2.03 and gain bit coding 1.05 .

En annen velkjent teknikk som kan brukes til å forbedre signal/støy-forholdet i seismiske data er vanlig flytte-korreksjon og stabling. I disse prosessene blir registreringene tidskorrigert for de varierende forskyvninger mellom kilde og mottager og blir stablet, det vil si blir summert enten mate-matisk eller elektrisk, hvorved støyen som er tilfeldig, har tendens til å bli kansellert, mens signalene blir forsterket. Figur 6 viser fra venstre til høyre eksempler på denne teknikken utført på de fem testregistreringene på figurene 4a, 4b, 4c, 4d og 4e, mens figur 7 viser differansetraser for de fem trasene som er vist på figur 6, det vil si de fire kodede trasene er subtrahert fra helords-trasen på figur 6. Signal/kvantiserings-støy-forholdet til signalene som er behandlet med differensiell pulskodemodulasjon med lineær forutsigelse, er 5,7, for løpende sum 2,63, for enkel differensiell pulskodemodulasjon 3,17 og for bare forsterkningsbit 1,47. Siden ingen av disse forholdene ble forbedret ved vanlig flytte-korreksjon og stabling med en faktor større enn 1,8 (i tilfelle med differensiell pulskodemodulasjon med «løpende sum) kan det konkluderes med at feilene i alle teknikkene ikke er ukorrelerte med dataene. Selv om differensiell pulskodemodulasjon med lineær forutsigelse har den minste forvrengning etter behandling, ut fra differanse-trasene på figur 7, viser feilene seg å være mindre korrelerte med dataene etter stabling. Selv om enkel differensiell pulskodemodulasjon har et høyere signal/støyforhold enn differensiell pulskodemodulasjon med løpende sum, er forvrengningen som forårsakes av lavgrensefiltre meget mer merkbar på de enkle DPCM-stablede trasene enn på de som er behandlet i samsvar med teknikken for løpende sum. Differanse-trasen for bare forsterkningsbit-modulasjonen oppviser alle hovedhendelsene, men støynivået er meget høyt og hvert bølgeelement viser merkbar forvrengning. Another well-known technique that can be used to improve the signal-to-noise ratio of seismic data is common shift correction and stacking. In these processes, the recordings are time-corrected for the varying displacements between source and receiver and are stacked, that is, summed either mathematically or electrically, whereby the noise that is random tends to be canceled, while the signals are amplified. Figure 6 shows, from left to right, examples of this technique performed on the five test recordings in Figures 4a, 4b, 4c, 4d and 4e, while Figure 7 shows difference traces for the five traces shown in Figure 6, i.e. the four coded the traces are subtracted from the whole-word trace in Figure 6. The signal-to-quantization-noise ratio of the signals processed by differential pulse code modulation with linear prediction is 5.7, for running sum 2.63, for simple differential pulse code modulation 3.17 and for gain bit only 1.47. Since none of these conditions were improved by conventional shift correction and stacking by a factor greater than 1.8 (in the case of "running-sum" differential pulse code modulation), it can be concluded that the errors in all techniques are not uncorrelated with the data. Although differential pulse code modulation with linear prediction has the least distortion after processing, from the difference traces in Figure 7, the errors appear to be less correlated with the data after stacking. Although simple differential pulse code modulation has a higher signal-to-noise ratio than running-sum differential pulse-code modulation, the distortion caused by low-pass filters is much more noticeable on the simple DPCM stacked traces than on those processed according to the running-sum technique. The difference trace for the gain-bit-only modulation shows all the main events, but the noise level is very high and each wave element shows noticeable distortion.

Som diskutert ovenfor kan det vises at pulskodemodulasjons-koding med lineær forutsigelse med hell kan anvendes på seismiske data med minimal forvrengning, under antagelse av en støyfri kanal. De samme resultater kan demonstreres med virkelige data. Dessuten ble det demonstrert at mindre komplisert løpende sum og enkel differensiell pulskodemodulasjons-metoder gir bedre resultater enn bare forsterkningsbit-koding, men likevel under kvaliteten som mottas fra differensiell pulskodemodulasjon med lineær forutsigelse. En annen viktig side ,ved den foreliggende oppfinnelse vedrører en ytterligere forbedring av differensiell pulskodemodulasjon med lineær forutsigelse. Det brukes en kodemetode med fast ordlengde som, i motsetning til bare forsterkningsbit- medfører et spesielt kompressjonsforhold. Fordi seismiske data krever en mulighet for automatisk avstandsforsterkning, er det nødvendig med den adaptive kodemetoden. Ifølge denne adaptive kodemetoden blir kvantiseringsvinduene som alle data må passe inn i , variert med hensyn til den totale amplituden til signalet. Den adaptive kodemetoden varierer kort sagt, når den anvendes på differensiell pulskodemodulasjon med lineær forutsigelse, bredden på vinduene eller områdene for mulige verdier i hvilke forut sigelsesfeil-trasen faller og ekspanderer eller komprimerer disse områdene i samsvar med den tidligere utgang. Hvis for eksempel den siste utgangen-indikerte at feilen var i det ytterste vinduet, ville vinduet bli utvidet for: den neste inngangen. Hvis den neste samplen falt i et indre vindu, As discussed above, it can be shown that pulse code modulation coding with linear prediction can be successfully applied to seismic data with minimal distortion, assuming a noise-free channel. The same results can be demonstrated with real data. Also, it was demonstrated that less complicated running sum and simple differential pulse code modulation methods give better results than just gain bit coding, but still below the quality received from differential pulse code modulation with linear prediction. Another important aspect of the present invention relates to a further improvement of differential pulse code modulation with linear prediction. A coding method with a fixed word length is used which, in contrast to just amplification bits, entails a special compression ratio. Because seismic data requires a capability for automatic distance amplification, the adaptive coding method is necessary. According to this adaptive coding method, the quantization windows into which all data must fit are varied with respect to the total amplitude of the signal. In short, the adaptive coding method, when applied to differential pulse code modulation with linear prediction, varies the width of the windows or ranges of possible values in which the prediction error trace falls and expands or compresses these ranges in accordance with the previous output. For example, if the last output-indicated that the error was in the outermost window, the window would be expanded for: the next input. If the next sample fell in an inner window,

ville vinduet bli trukket sammen. På. denne måten kan bedre tilpasning mellom vindusstørrelse og feil oppnås, selv om det fremdeles brukes et begrenset antall vinduer ettersom bare identifikasjonen av vinduet trenger å bli overført og/eller lagret, blir det oppnådd betydelig datakompressjon. Selv om den adaptive kvantiseringsmetoden er meget sparsommelig når det gjelder det antall biter som kreves, har den derfor likevel den egenskap at den justerer seg til signalets størrelse'. Det er spesielt nyttig i tilfelle méd seismisk dataregistrering, hvor amplituden faller langsomt som en funksjon av tiden, samtidig som den varierer gradvis fra en sampel til den neste. the window would be pulled together. On. in this way, better matching between window size and error can be achieved, although a limited number of windows is still used, as only the identification of the window needs to be transferred and/or stored, significant data compression is achieved. Although the adaptive quantization method is very frugal in terms of the number of bits required, it therefore still has the property that it adjusts to the size of the signal'. It is particularly useful in the case of seismic data recording, where the amplitude falls slowly as a function of time, while varying gradually from one sample to the next.

Fremgangsmåten ifølge oppfinnelsen er illustrert i form av et blokkskjema på figur 8 og billedmessig på figur 9. Til å begynne med blir det satt opp et endelig antall vinduer som rommer det tilnærmede verdiområde som ventes for de første få datasampler. Antallet vinduer er lik to opphøyd i den potens som er lik det spesifiserte antall binærsiffer pr. ord. Med andre ord vil to biter (b = 2) gi fire vinduer eller tilstander, tre eller fire biter som skal overføres pr. sampel vil gi henholdsvis 8 eller 16 vinduer. Når en sampel S(t) kommer inn, blir identifikasjonen M(t) av vinduet som rommer samplen, registrert. I samsvar med en tidsuavhengig formel som bare avhenger av vindustallet til de tidligere samplene, blir så vindusstørrelsen forandret i forhold til det vindu som samplen ble valgt i. Hvis for eksempel signalet faller i det største vinduet, blir derfor vinduene utvidet for den neste samplen. Vindusstørrelsene representerer 'jevne intervaller slik at vinduene blir forandret med den samme faktor. Disse faktorene kan bestemmes for vanlig fordelte signaler med forskjellig korrelasjonskoeffisient som angitt i artikkelen av N.S. Jayant som det er vist til ovenfor, samt i hans artikkel "Adaptive Quantization with a One-Word Memory", Bell System Technical Journal, 52, nr. 7 (september 1973), sidene 1119-1144 og i "Quantizing for Minimum Distortion" av J. Max i IRE Transaotions on Information Theory, 6, sidene 7-12 (1960). The method according to the invention is illustrated in the form of a block diagram in Figure 8 and pictorially in Figure 9. To begin with, a finite number of windows is set up which accommodates the approximate range of values expected for the first few data samples. The number of windows is equal to two raised to the power equal to the specified number of binary digits per word. In other words, two bits (b = 2) will give four windows or states, three or four bits to be transferred per sample will give respectively 8 or 16 windows. When a sample S(t) arrives, the identification M(t) of the window containing the sample is recorded. In accordance with a time-independent formula that only depends on the window number of the previous samples, the window size is then changed in relation to the window in which the sample was selected. If, for example, the signal falls in the largest window, the windows are therefore expanded for the next sample. The window sizes represent regular intervals so that the windows are changed by the same factor. These factors can be determined for normally distributed signals with different correlation coefficients as stated in the article by N.S. Jayant as referred to above, as well as in his article "Adaptive Quantization with a One-Word Memory", Bell System Technical Journal, 52, No. 7 (September 1973), pages 1119-1144 and in "Quantizing for Minimum Distortion" by J. Max in IRE Transactions on Information Theory, 6, pages 7-12 (1960).

Feilen E i en spesiell sampel kan skrives som The error E in a particular sample can be written as

hvor e er den aktuelle sampel og e er den kvantiserte sampel. For definisjonen blir valgt absolutt-verdier, ettersom signalets fortegn fortrinnsvis blir behandlet separat, dvs. både e og "e blir tillagt samme fortegn hvis e ikke er lik null. Kvantiseringen blir utført slik at enhver e er i intervallet blir kvantisert som hvor Q er det variable kvantiseringsintervallet og n er vindusnummere (1, 2, 3..., 2 , 2 b ). Når N er lik 2 b, det største vinduet, blir enhver e i intervallet kvantisert som where e is the actual sample and e is the quantized sample. For the definition, absolute values are chosen, as the sign of the signal is preferably treated separately, i.e. both e and "e are assigned the same sign if e is not equal to zero. The quantization is performed so that any e in the interval is quantized as where Q is the variable quantization interval and n is the window number (1, 2, 3..., 2 , 2 b ).When N is equal to 2 b , the largest window, any e in the interval is quantized as

Antas det at den aktuelle sampel har lik sannsynlighet It is assumed that the relevant sample has equal probability

for å være hvorsom helst i intervallet, følger det at feilen E hovedsakelig vil være proporsjonal med Q, kvantiseringsintervallet. Siden den adaptive kvantiseringsmetoden tillater Q og øke og avta som signalet gjør, øker og avtar også feilene to be anywhere in the interval, it follows that the error E will be essentially proportional to Q, the quantization interval. Since the adaptive quantization method allows Q to increase and decrease as the signal does, the errors also increase and decrease

(under forutsetning av en uniform sannsynlighetsfordeling i (under the assumption of a uniform probability distribution i

intervallet). Denne korrelasjon av størrelsen av feilene med signalet resulterer i feil i signalets spektrale båndbredde. Denne situasjonen som er en følge av enhver adaptiv kodemetode, går mot det formål at feilene skal være små og utenfor signalets båndbredde, som diskutert ovenfor. Løsningen ifølge den oppfundne fremgangsmåte er å filtrere signalet før kvantisering slik at utgangen er så bredbåndet som mulig med minst mulig gjennomsnittsamplitude. På denne måten kan variasjoner i vindusstørrelsen minimaliseres, og derfor kan også feilene minimaliseres. the interval). This correlation of the magnitude of the errors with the signal results in errors in the signal's spectral bandwidth. This situation, which is a consequence of any adaptive coding method, goes against the goal that the errors should be small and outside the bandwidth of the signal, as discussed above. The solution according to the invented method is to filter the signal before quantization so that the output is as broadband as possible with the smallest possible average amplitude. In this way, variations in the window size can be minimised, and therefore errors can also be minimised.

tillegg til de ovenfor nevnte to kriterier for filtrerings- in addition to the above-mentioned two criteria for filtering

operasjonen, dvs. reduksjon av amplitude-variasjonen og ut-videlse av spektret, er det nødvendig at enhver filtrering operation, i.e. reduction of the amplitude variation and extension of the spectrum, it is necessary that any filtering

er inverterbar, idet minste.i det støyfrie tilfelle, slik at de originale data kan gjenvinnes fra den filtrerte og kodede sekvensen. Det har vist seg at den mest følsomme prosessen i vanlige seismiske behandlingsoperasjoner er dekonvolvering, dvs. utskillelse av gjentagende hendelser i de seismiske data. Hvis de seismiske registreringene skulle bli forfalsket ved noe trinn under kodingen, ville det derfor fortrinnsvis være etter dekon<y>olvering. Det faktum at dekonvolvering kan in-verteres, bidrar ytterligere til denne bedømmelsen. Dekonvolver-ingsprosessen kan brytes ned slik at den blir inverterbar som vist på figur 10. Innkommende sampler S(t) blir brutt ned ved summering over alle n av produktet S<A>(t - n) A(n) hvor A(n) er forutsigelsesoperatoren. Sammenligning av S(t) og S(t) gir R(t), avvike av den forutsagte sampel fra den virkelige sampel eller "forutsagt feil". På et senere tidspunkt kan den inverse operasjon utføres på R(t) for å gi den nøyaktige inngang S (t) . is invertible, at least in the noise-free case, so that the original data can be recovered from the filtered and coded sequence. It has been shown that the most sensitive process in common seismic processing operations is deconvolvement, ie separation of repeating events in the seismic data. If the seismic records were to be falsified at any stage during encoding, it would therefore preferably be after decon<y>olvation. The fact that deconvolution can be inverted further contributes to this judgment. The deconvolution process can be broken down so that it becomes invertible as shown in figure 10. Incoming samples S(t) are broken down by summation over all n of the product S<A>(t - n) A(n) where A(n ) is the prediction operator. Comparison of S(t) and S(t) gives R(t), deviation of the predicted sample from the real sample or "predicted error". At a later time, the inverse operation can be performed on R(t) to give the exact input S(t).

Det er velkjent at den dékonvolverte trase har et bredere spektrum. Dette kan utføres ved å løse for forutsigelsesoperatoren A(n) som i en foretrukket utførelsesform er valgt til å minimalisere summen av kvadratene av forutsigelsesfeil-trasen. En minimaliseringsprosess for denne variansen er skissert på figur 11. I er summen av alle kvadratene av alle R(t), hver av hvilke = S(t) - S(t), hvor S(t) er lik summen over alle uttrykkene [S(t - n) A(n)]. Derfor kan man løse en rekke på n lineære ligninger for A(n) hvor It is well known that the deconvolved path has a wider spectrum. This can be done by solving for the prediction operator A(n) which in a preferred embodiment is chosen to minimize the sum of the squares of the prediction error trace. A minimization process for this variance is outlined in Figure 11. I is the sum of all the squares of all R(t), each of which = S(t) - S(t), where S(t) is equal to the sum of all the expressions [ S(t - n) A(n)]. Therefore, one can solve a series of n linear equations for A(n) where

for å minimalisere I. I en spesielt foretrukket utførelses-form av oppfinnelsen består løsning av det resulterende sett av lineære ligninger i å oppløse en Toeplitz-matrise for autokorrelasjons-vektoren forskjøvet en sampel fremover. to minimize I. In a particularly preferred embodiment of the invention, solving the resulting set of linear equations consists in solving a Toeplitz matrix for the autocorrelation vector shifted one sample forward.

Uansett hvilken for-filtrerings-operasjon som er utført på dataene før kvantisering, vil man forstå at det inverse filter, når det anvendes på rekonstruerte data, vil påvirke kvantiseringsstøyen på samme måte som signalet. Den inverse filter-virkningen er mer merkbar på data kvantisert med den enkle DPCM-kodemetoden. Feilene blir sterkt forsterket ved invers filtrering ved integrasjon selv om de såvidt er merk-bare i differanse-trasen. Følgelig må det anvendes en til-bakekoplings-mekanisme for å regulere støyen. Behovet for tilbakekopling gir ytterligere to krav til for-filtrerings-operasjonen: at dens operator er minimum-forsinkelse og er konstruert fra et datavindu med null i gjennomsnitt. Det er mange velkjente metoder tilgjengelig til å finne en slik forutsigelsesoperator, men alle medfører et kompromiss mellom graden av minimalisert midlere kvadratfeil og konvergens-hastigheten til den resiproke operator. Imidlertid har man nå funnet at autokorrelasjonsmetoden resulterer i den mest beregningsmessig effektive operator samtidig som den resulterer i en egnet frontbelast-operator, som tillater lapping av for-ut sigelsesfeilen fra den adaptive kvantiseringsanordningen. Ettersom ikke-lineær kvantisering resulterer i både lav og høyfrekvent støy, bør autokorrelasjonsmetoden anvendes på autokovariansen (middelverdien fjernet fra dataene) i stedet for autokorrelasjon i konstruksjonen av forutsigelsesoperatoren slik at lavfrekvensdrift ikke bør forutsis når virkelige data blir behandlet. Dette tilveiebringer en instruktiv kontrast til de ovenfor nevnte teknikker for talekompressjon. I talekompressjon kan lavfrekvenser (dvs. under omkring 200 Hz) filtreres ettersom de bidrar lite til signalet, og kan sees bort fra ved konstruksjonen av operatoren. I seismisk datakompressjon er det typiske frekvensområde 5-50 Hz, og slik lavfrekvent-filtrering ville følgelig fjerne, alle data av interesse. Derfor bør en autokorrelasjonsteknikk som nevnt ovenfor brukes (se Rubiner og Schafer, Digital Processing of Speech Signals, Prentice Hall, Englewood Cliffs, New Jersey (1978), spesielt kapittel 8, avsnitt 8.1.1). Ved substraksjon av middelverdien fra hver av samplene i det vindu som er av interesse, kan den totale sampel sentreres på null, for derved å unngå forutsigelse av lavfrekvensdrift og ustabil koding. Whatever pre-filtering operation is performed on the data before quantization, it will be understood that the inverse filter, when applied to reconstructed data, will affect the quantization noise in the same way as the signal. The inverse filter effect is more noticeable on data quantized with the simple DPCM coding method. The errors are strongly amplified by inverse filtering during integration, even if they are barely noticeable in the difference trace. Consequently, a feedback mechanism must be used to regulate the noise. The need for feedback imposes two additional requirements on the pre-filtering operation: that its operator is minimum-delay and is constructed from a zero-mean data window. There are many well-known methods available to find such a prediction operator, but all involve a trade-off between the degree of minimized mean squared error and the convergence speed of the reciprocal operator. However, it has now been found that the autocorrelation method results in the most computationally efficient operator while also resulting in a suitable front-loading operator, which allows patching of the prediction error from the adaptive quantizer. As non-linear quantization results in both low and high frequency noise, the autocorrelation method should be applied to the autocovariance (the mean removed from the data) instead of autocorrelation in the construction of the prediction operator so that low frequency drift should not be predicted when real data is processed. This provides an instructive contrast to the above-mentioned speech compression techniques. In speech compression, low frequencies (ie below about 200 Hz) can be filtered out as they contribute little to the signal, and can be neglected in the construction of the operator. In seismic data compression, the typical frequency range is 5-50 Hz, and such low-frequency filtering would consequently remove all data of interest. Therefore, an autocorrelation technique as mentioned above should be used (see Rubiner and Schafer, Digital Processing of Speech Signals, Prentice Hall, Englewood Cliffs, New Jersey (1978), especially Chapter 8, Section 8.1.1). By subtracting the mean value from each of the samples in the window of interest, the total sample can be centered on zero, thereby avoiding the prediction of low-frequency drift and unstable coding.

Figur 12 viser et flytskjema over sløyfen med tilføyet tilbakekopling. I tillegg til den sløyfen som er vist på Figure 12 shows a flowchart of the loop with added feedback. In addition to the loop shown on

figur 10, er det tilveiebrakt en andre summeringssløyfe som omfatter et summeringspunkt og et forutsigelsestrinn som gir formuleringen av en å(t) som mates tilbake til hovedsummerings- Figure 10, a second summation loop is provided which comprises a summation point and a prediction step which provides the formulation of a å(t) which is fed back to the main summation

punktet. På denne måten blir det overført en R(t), det vil si en anslått feil, beregnet i henhold til en definerbar prosess som kan dekodes på mottagersiden, blir overført, som antydet på figur 12. the point. In this way, an R(t), i.e. an estimated error, calculated according to a definable process that can be decoded on the receiving side, is transmitted, as indicated in Figure 12.

Fremgangsmåten ifølge oppfinnelsen medfører løsninger på flere problemer som kan oppsummeres spm følger. Det første problemet er å minimalisere det antall mulige tilstander eller vinduer som dataene kan føres inn i. Løsningen er å bruke en adaptiv kvantiseringsmetode, siden nummeret på det vinduet som en gitt sampel faller i er hva som blir oversendt, maksimali-serer dette fordelene ved datakompressjonsmetoden ifølge oppfinnelsen. Fortrinnsvis blir en adaptiv kvantiseringsmetode med uniformt intervall brukt, idet dette medfører bruk av et ett-ords lager til å holde på vindusstørrelsen fra et samplings-intervall til det neste. Adaptiv kvantisering resulterer imidlertid i støy som er proporsjonal med signalet og som har lignende spektralkomponenter. Løsningen på dette problem er å omforme signalet til en forutsigelsesfeil-trase R(t) før kvantisering, dette fører imidlertid til det problem at den inverse omforming av forutsigelsesfeil-metoden forsterker støyen og innsnevrer spektret. Løsningen på dette problemet er å tilveiebringe en tilbakekoplingssløyfe i systemet, for å tvinge støyen til å passere ufiltrert. Ved flytskjema som er et resultat av anvendelse av disse forholdsregler, er det som er vist på figur 12. The method according to the invention entails solutions to several problems which can be summarized as follows. The first problem is to minimize the number of possible states or windows that the data can enter. The solution is to use an adaptive quantization method, since the number of the window that a given sample falls into is what is transmitted, this maximizes the benefits of the data compression method according to the invention. Preferably, an adaptive uniform interval quantization method is used, as this entails the use of a one-word store to maintain the window size from one sampling interval to the next. Adaptive quantization, however, results in noise that is proportional to the signal and has similar spectral components. The solution to this problem is to transform the signal into a prediction error trace R(t) before quantization, however this leads to the problem that the inverse transformation of the prediction error method amplifies the noise and narrows the spectrum. The solution to this problem is to provide a feedback loop in the system, to force the noise to pass unfiltered. In the case of a flow chart that is the result of applying these precautions, what is shown in figure 12.

Figurene 13 og 14 viser henholdsvis kompressjons- og de-kompress jonsrutinene. Kompressjonen av dataene blir som vist på figur 13, foretatt på sendestedet, eller ved tidspunktet for lagring av dataene, og den tilsvarende dekompressjonsrutine blir utført ved mottagerenden eller ved utlesningen. Kompressjons-flytskjemaet som er vist på figur 13, omfatter beregning av forutsigelsesoperatorene, opprettelse av de innledende kvantiseringsnivåer og beregning av feilen, koding av denne og pakking av den komprimerte trasen. Som vist på figur 14 blir operatorinformasjonen A som definerer de innledende tilstander, Figures 13 and 14 show the compression and de-compression routines respectively. The compression of the data is, as shown in figure 13, carried out at the sending location, or at the time of storage of the data, and the corresponding decompression routine is carried out at the receiving end or at the readout. The compression flow chart shown in Figure 13 includes calculating the prediction operators, creating the initial quantization levels and calculating the error, encoding it and packing the compressed trace. As shown in figure 14, the operator information A which defines the initial conditions, becomes

en innledning og lagres eller overføres med de pakkede differanse-kodene M(t), og dekompressjonsrutinen opererer på disse. I denne forbindelse skal det igjen bemerkes at seismiske data skiller seg betydelig fra for eksempel tale, ved at de har en økende konvolvert beskaffenhet, og dette tillater definisjon av en a preamble and is stored or transmitted with the packed difference codes M(t), and the decompression routine operates on these. In this connection, it should again be noted that seismic data differs significantly from, for example, speech, in that it has an increasingly convoluted nature, and this allows the definition of a

enkel operator A(n) for hele trasen, registreringen, linjen'eller undersøkelsesområdet. Til sammenligning må operatoren simple operator A(n) for the entire route, registration, line' or survey area. In comparison, the operator must

i talekoding omberegnes om lag hvert 20 msek., idet selve operatoren typisk er alt som blir overført og forutsigelses-feilene blir syntetisk generert etter lagring og/eller over-føring blir sampelen pakket ut og gir^Mft), de data som blir dekodet for å gi R(t), og dette blir addert til den forutsagte sampel som er beregnet i samsvar med de tidligere sampler for a gi den rekonstituerte sampel S(t). S(t) blir brukt til a forutsi den neste utgangen. Det inverse av kompressjonsmetoden som er vist billedmessig på figur 9, blir så brukt til å frembringe det inverse av forandringen av vindusstørrelsen for å forbedre den neste sampel M(t). R(t) blir så brukt til å korrigere den forutsagte utgangen, som da er den rekonstituerte in speech coding is recalculated approximately every 20 msec., since the operator itself is typically all that is transmitted and the prediction errors are synthetically generated after storage and/or transmission, the sample is unpacked and gives^Mft), the data that is decoded for to give R(t), and this is added to the predicted sample calculated according to the previous samples to give the reconstituted sample S(t). S(t) is used to predict the next output. The inverse of the compression method shown pictorially in Figure 9 is then used to produce the inverse of the change in window size to improve the next sample M(t). R(t) is then used to correct the predicted output, which is then the reconstituted one

ti ten

sampel S(t).sample S(t).

Fagfolk på området vil innse at korrekt oppbygging av forutsigelsesoperatoren er viktig for nøyaktigheten og utgangs-stabiliteten for fremgangsmåten ifølge oppfinnelsen. I en foretrukket utførelsesform av oppfinnelsen følger de data som brukes ved beregning av autokorrelasjonsfunksjonen, enten en dempet kurve eller blir innstilt ved en konstant starttid. Lengden av vinduet som anvendes er minst 10 ganger den maksimale operatorlengde, hvis en kort registrering inntreffer blir operatorlengden redusert. Middelverdien blir fjernet fra data-vinduet, men ikke fra selve dataene. Autokorrelasjonen blir beregnet ved å ta i betraktning alle nuller utenfor det vindu som er av interesse. Det innledende nivå for hvit støy blir addert til center-ordinanten for å unngå vanskeligheter på grunn av invertering av nuller, og Levinsons gjentagelsesrutine blir så brukt til å beregne operatoren. Feiltilstanden blir kontrollert og hvis den er positiv, beregnes en annen operator med en 1/2 % mer hvit støy lagt til. Hvis den hvite støy som er nødvendig, er større enn en 10 %, blir trasen "drept", dvs. ikke overført eller registrert. Those skilled in the art will realize that correct construction of the prediction operator is important for the accuracy and output stability of the method according to the invention. In a preferred embodiment of the invention, the data used when calculating the autocorrelation function follows either a damped curve or is set at a constant start time. The length of the window used is at least 10 times the maximum operator length, if a short registration occurs the operator length is reduced. The mean value is removed from the data window, but not from the data itself. The autocorrelation is calculated by taking into account all zeros outside the window of interest. The initial white noise level is added to the center ordinate to avoid difficulties due to inverting zeros, and Levinson's iteration routine is then used to calculate the operator. The error condition is checked and if positive, another operator is computed with a 1/2% more white noise added. If the white noise required is greater than 10%, the trace is "killed", i.e. not transmitted or recorded.

Selve kompressjonsrutinen kan summeres som følger. Trasen blir først innledet ved å nullstille et første forutbestemt antall punkter. Så blir den innledende vindusstørrelse innstilt lik gjennomsnittet av et forutbestemt antall absolutt-verdier som ikke er null. Ekspansjons- og kontraksjons-faktorer blir innstilt i henhold til den artikkelen av Jayant som er referert til ovenfor. Forutsigelsesfeilen blir så beregnet, den komprimerte sampelen blir kodet og pakket, den neste sampel blir forutsagt og så videre.under gjentagelse av feilbereg-ningen, kodingen og pakkeprosessene for hver datasampel. Stabiliteten kan sikres kontinuerlig. Utgangen av den kompressjonsrutinen som er vist på fi^ur 13, er derfor en pakket heltallig trase som inneholder de kodede tilfeldige komponenter som indikerer avviket fra feilen og innlednings-informasjonen som omfatter operatoren og den opprinnelige vindusstørrelse. The compression routine itself can be summarized as follows. The route is first initiated by zeroing out a first predetermined number of points. Then the initial window size is set equal to the average of a predetermined number of non-zero absolute values. Expansion and contraction factors are set according to the article by Jayant referred to above. The prediction error is then calculated, the compressed sample is coded and packed, the next sample is predicted and so on, repeating the error calculation, coding and packing processes for each data sample. Stability can be ensured continuously. The output of the compression routine shown in Figure 13 is therefore a packed integer trace containing the coded random components indicating the deviation from the error and the initial information comprising the operator and the original window size.

Dekompressjonsrutinen er vist på figur 14 og følger hovedsakelig den inverse prosess. Først blir dataene pakket ut i en heltallig representasjon. Denne kodede trasen kan faktisk brukes som en forsterkningsutjevnet, dekonvolvert trase eller heltallene kan dekodedes for å gi en tilnærmelse til det fullstendige dynamiske område av dert dekonvolverte trasen, The decompression routine is shown in Figure 14 and mainly follows the inverse process. First, the data is unpacked into an integer representation. This encoded trace can actually be used as a gain smoothed deconvolved trace or the integers can be decoded to provide an approximation of the full dynamic range of the deconvolved trace,

og endelig kan selvfølgelig den originale inngangen, under bruk av operatoren som er levert i innledningen, rekonstrueres med meget høy pålitelighet. Fagfolk på området vil forstå at kompressjonsrutinen for å utføres krever en del beregningstid, selv om den tilveiebringer opptil en 10 til 1 reduksjon av and finally, of course, the original input, using the operator provided in the introduction, can be reconstructed with very high reliability. Those skilled in the art will appreciate that the compression routine requires some computational time to perform, although it provides up to a 10 to 1 reduction of

den nødvendige tid, for eksempel for overføring av datene over en satellitt radio-link eller for lagring av dataene på magnetbånd. For dette formål tenker man seg at en enkelt datamaskin fortrinnsvis kan være avsatt til dette, dvs. være programmert til å utføre kompressjonsrutinen, for eksempel ombord på skipet. Det synes som om bruken av for eksempel en "PHOENIX I" minidatamaskin som kodeenheten 3 0 på figur 1, vil være egnet. the necessary time, for example for transferring the data over a satellite radio link or for storing the data on magnetic tape. For this purpose, it is thought that a single computer can preferably be set aside for this, i.e. be programmed to carry out the compression routine, for example on board the ship. It seems that the use of, for example, a "PHOENIX I" minicomputer such as the code unit 30 in Figure 1, would be suitable.

Figurene 15 og 16 demonstrerer dramatisk hvor vellykket fremgangsmåten er. Figur 15 er en representasjon av seismiske data som er blitt lagret i hele 32-bit ordgrupper, mens figur 16 er de samme data som er blitt komprimert til et nivå med 2-biter pr. sampel og dekomprimert som ovenfor. Dataene på figur 16 kan dermed overføres til en pris som er mindre enn en-tiendedel av den på figur 15. Fagfolk på området vil Figures 15 and 16 demonstrate dramatically how successful the method is. Figure 15 is a representation of seismic data that has been stored in full 32-bit word groups, while Figure 16 is the same data that has been compressed to a level of 2-bits per sampled and decompressed as above. The data in Figure 16 can thus be transferred at a price that is less than one-tenth of that in Figure 15. Professionals in the field will

imidlertid at figur 16 meget godt kan sammenlignes med fiur 15 og vil være ganske nyttig når det gjelder å bestemme kvaliteten av pågående seismiske leteoperasjoner. Man har dessuten funnet at variasjon i utgangen i forhold til originalen er avhengig av den skala dataene blir plottet med. Diagrammet som er vist however, that figure 16 compares very well with figure 15 and will be quite useful in determining the quality of ongoing seismic exploration operations. It has also been found that variation in the output compared to the original is dependent on the scale with which the data is plotted. The diagram shown

på figur 16 ble plottet med 12 traser pr. tomme og med en hastighet på 5 tommer pr. sekund. Ved lavere oppløsning, in Figure 16 the plot was made with 12 traces per inch and at a rate of 5 inches per second. At lower resolution,

for eksempel over omkring 2 0 traser pr. tomme, kan man i det hele tatt ikke se noen forskjell mellom helords-registreringen og den to-bits komprimerte/dekomprimerte registreringen. Ved den skala på 12 traser pr. tomme «som er vist på figurene 15 og 16 viser figur 16 en svak høyfrekvent dirring på de seismiske data med meget lang bølgelengde, noe som lett kan fjernes ved å anvende et høygrensefilter på de dype data i snittet. for example over about 20 cloths per empty, one cannot see any difference at all between the wholeword recording and the two-bit compressed/decompressed recording. At the scale of 12 cloths per inch "which is shown in figures 15 and 16, figure 16 shows a weak high-frequency jitter on the very long-wavelength seismic data, which can be easily removed by applying a high-cut filter to the deep data in the section.

Fagfolk på området vil også forstå at selv om dekompressjon og rekonstruksjon av dataene i deres originale format er. mulig, er det ikke n(?dvendig for at dataene skal kunne nyttig-gjøres. De seismiske data kan for eksempel behandles som to-biters heltall direkte fra det komprimerte format. Isåfall er forsterkningsutjevning og dekonvolvering før stabling over-flødig i den vanlige seismiske behandlingsstrøm. En annen utgangsform fjerner det inverse filteret i dekompressjonsrutinen. En slik utgang kan behandles på den vanlige måte uten dekonvolvering før stabling: For den førstnevnte metoden blir trasen med de fire tilstandene (-2, -1, +1, +2) forsterk-nings-utjevnet sampel for sampel. Eventuelle amplitude-differanser på stabelen skyldes korrelasjon mellom traser. Those skilled in the art will also appreciate that although decompression and reconstruction of the data in their original format is. possible, it is not necessary for the data to be useful. The seismic data can, for example, be processed as two-bit integers directly from the compressed format. In that case, gain smoothing and deconvolution before stacking are redundant in the usual seismic processing stream. Another output form removes the inverse filter in the decompression routine. Such an output can be processed in the usual way without deconvolution before stacking: For the former method, the trace with the four states (-2, -1, +1, +2) is amplified -nings equalized sample by sample Any amplitude differences on the stack are due to correlation between traces.

Det vises nå til figurene 17 til 20 for detaljerte be-skrivelser av prosessene for oppbygging av operatoren og koding som utføres før overføring og/eller lagring av et komprimert signal, og oppakkings- og dekodings-rutinene som utføres etter at lagringen er avsluttet eller ved mottagelse av et komprimert signal. Figur 17 viser flytskjema for konstruksjon av operatoren. De innkommende samplene S(t) som er blitt mottatt, en rekke sampler av forutbestemt lengde som er representative for de data som skal komprimeres, blir valgt for beregning av auto-korrelas jonen. Middelverdien blir fjernet fra rekken, for å eliminere et eventuelt DC-nivå. Autokovariansen blir så beregnet over samplene mellom null og Nmax forsinkelser for å bestemme det lineære forhold mellom den foreliggende sampel og en ved hver forsinkelse. Den maksimale absoluttverdi mellom Nmin og Nmax blir så lokalisert og er posisjonen til operatorlengden Na. Null-forsinkelsen blir så brukt til å normalisere auto-korrelas jonen og til å innstille den høyre siden av Toeplitz- ligningene som det er refert til ovenfor og som brukes til å løse med hensyn på operatoren A(n). En mengde "Pcent" hvit støy blir addert og cénter-ordinaten til autokovariansen og operatoren A(n) blir så beregnet ved å løse de samtidige differensial-ligninger som er nevnt ovenfor. Hvis det i denne rutinen finnes en stabil løsning på ligningene,, vil feilflagget være negativt og verdiene mellom Na + 1 til Nmax kan settes til null og A(n) brukes i kompressjonen. Lengden av operatoren A(n) avhenger av den maksimale stabile operatorlengde, dvs. av feilen. Hvis feilflagget er hevet og indikerer at operatoren ikke er stabil, blir en 1/2 % ytterligere hvit støy addert til Pcent og beregningen utført på nytt. Hvis Pcent er større enn 10 %, noe som indikerer at prosedyren Reference is now made to Figures 17 to 20 for detailed descriptions of the operator build-up and encoding processes performed prior to transmission and/or storage of a compressed signal, and the unpacking and decoding routines performed after storage is completed or at reception of a compressed signal. Figure 17 shows a flow chart for construction of the operator. The incoming samples S(t) that have been received, a series of samples of predetermined length representative of the data to be compressed, are selected for calculation of the auto-correlation. The mean value is removed from the row, to eliminate any DC level. The autocovariance is then calculated over the samples between zero and Nmax delays to determine the linear relationship between the present sample and one at each delay. The maximum absolute value between Nmin and Nmax is then located and is the position of the operator length Na. The zero delay is then used to normalize the auto-correlation and to set the right-hand side of the Toeplitz equations referred to above which are used to solve with respect to the operator A(n). An amount of "Pcent" white noise is added and the centroid of the autocovariance and operator A(n) is then calculated by solving the simultaneous differential equations mentioned above. If in this routine there is a stable solution to the equations, the error flag will be negative and the values between Na + 1 to Nmax can be set to zero and A(n) used in the compression. The length of the operator A(n) depends on the maximum stable operator length, i.e. on the error. If the error flag is raised indicating that the operator is not stable, an additional 1/2% white noise is added to Pcent and the calculation is performed again. If Pcent is greater than 10%, indicating that the procedure

er blitt utført 18 ganger, blir det ikke beregnet noen operator basert på den sampel-rekken. has been performed 18 times, no operator is calculated based on that sample sequence.

Figur 18 viser kodeoperasjonen som utføres etter at operatoren A(n) er beregnet som ovenfor. Rutinen blir først innledet ved å beregne verdien "Sig", dvs. gjennomsnittet av absolutt-verdiene av de første 25 sampler som ikke er null. Ekspansjons- og kontraksjonsfaktorene blir så fastsatt i samsvar med Jayants artikler i avhengighet av det antall biter av kodede data somønskes, og kvantum-vindusstørrelsen Q blir satt proporsjonalt med Sig beregnet som ovenfor. Verdien "Xpret" som representerer den neste forventede verdi, blir satt til 0 og et teller-register, "Last", blir satt lik 1. Feilen E blir så beregnet ved å bruke operatoren som beregnet ovenfor, og er lik den aktuelle verdi S(t) minus Xpret. Differansen blir kvantisert ved sammenligning av E med de forskjellige vinduer,'som gir den kvantiserte feilverdi ET. Nummeret på det vindu som den kvantiserte feilen passer i, M(t), kvantum-nummeret, blir pakket og lagret som en del av den registreringen som skal sendes. Kvantiseringsprosessen er beskrevet mer detaljert nedenfor i forbindelse med figur 19. Prosessens stabilitet blir så. kontrollert ved å sammenligne absolutt-verdien av samplen med kvantumsintervallet, dvs. med vindusstørrelsen. Hvis vindus-størrelsen er meget større enn absolutt-verdien av samplen for flere sampler, er det klart at det har inntruffet en feil. Hvis stabilitetskontrollen viser at operasjonen foregår riktig, kan den tilnærmede inngangsverdien S så beregnes fra ET + Xpret. Denne kan så konvolveres i det neste trinn med A(n) for å gi den neste forventede verdig Xpret. Hvis dette er den siste sampelen, blir den neste trasen lest, hvis ikke begynner prosessen om igjen. Figure 18 shows the code operation that is performed after the operator A(n) has been calculated as above. The routine is first initiated by calculating the value "Sig", i.e. the average of the absolute values of the first 25 non-zero samples. The expansion and contraction factors are then determined in accordance with Jayant's papers depending on the number of bits of coded data desired, and the quantum window size Q is set proportional to Sig calculated as above. The value "Xpret" representing the next expected value is set to 0 and a counter register, "Last", is set equal to 1. The error E is then calculated using the operator as calculated above, and is equal to the current value S (t) minus Xpret. The difference is quantized by comparing E with the different windows, which gives the quantized error value ET. The number of the window in which the quantized error fits, M(t), the quantum number, is packed and stored as part of the record to be sent. The quantization process is described in more detail below in connection with Figure 19. The stability of the process is then. checked by comparing the absolute value of the sample with the quantum interval, i.e. with the window size. If the window size is much larger than the absolute value of the sample for several samples, it is clear that an error has occurred. If the stability check shows that the operation is taking place correctly, the approximate input value S can then be calculated from ET + Xpret. This can then be convolved in the next step with A(n) to give the next expected value Xpret. If this is the last sample, the next strip is read, otherwise the process starts again.

Som nevnt ovenfor beskriver figur 19 detaljert den kvanti-ser ingsprosessen som brukes i den kodeprosessen som er beskrevet under henvisning til figur 18<*>. Her skal feilen E separeres i en kvantisert vindusstørrelse og en anslått feil, henholdsvis M(t) og ET. Prosessen begynner ved å skalere Q As mentioned above, Figure 19 describes in detail the quantization process used in the coding process described with reference to Figure 18<*>. Here, the error E must be separated into a quantized window size and an estimated error, respectively M(t) and ET. The process begins by scaling Q

i samsvar med den tilgjengelige "Last"-verdien, dvs. vindus-størrelsen blir satt til en begynnelsesverdi. Den således be-stemte vindusstørrelse blir sammenlignet med Qmin og Qmax, dvs. med den maksimale og den minimale vindusstørrelse som tidligere er blitt bestemt, noe som utgjør en feilkontroll. Absolutt-verdien av E blir brukt i beregningen som følger. Variable x og n blir påbegynt, mens Last blir satt lik "ISTATE", som er lik halvparten av det totale antall tilgjengelige vinduer. I tilfelle med to biter er for eksempel fire vinduer tilgjengelige, ettersom en av fire vinduer kan karakteriseres ved en kode med to biter, og dermed: små positive sampler faller i vindu 0, store positive sampler faller "i vindu 1, vindu 2 er for små negative sampler, og vindu 3 er for store negative sampler. I dette tilfelle ville ISTATE være 2. X blir så satt lik x + Q, og absoluttverdien av E blir sammenlignet med x, noe som bidrar til å bestemme om E passer i dette vinduet, hvis ja, så er M(t) blitt bestemt. Last, det siste vinduet som ble valgt, blir satt lik n, den kvantiserte feilen blir satt lik vindusstørrelsen Q (Last - 1/2). Hvis E er mindre enn null, blir ET invertert mens M blir satt lik Last + ISTATE, det vil si til det vindu som E faller i. Når E er større enn eller lik x, blir x inkrementert med Q, vindusstørrelsen, og prosessen gjentatt.. Man vil forstå at disse siste par trinnene er nødvendige fordi det er ønskelig å overføre to biter uten fortegn. Nummerne på de vinduer som svarer til verdiene sentrert omkring 0, det vil si til 0<E<Q, E>Q, 0>Ek - Q, og E< - Q blir derfor satt lik henholdsvis 0, 1, 2 og 3. Overføringen av Last til "skala Q"-trinnet, hvor kvantiseringsrutinen begynner, tillater vindus-størrelsen å variere etter som prosessen fortsetter for derved å gjøre kvantiseringen adaptiv. Hvis for eksempel vindu 1, det største vinduet, var det som absolutt-verdien av E falt i, ville den totale vindusstørrelse bli inkrementert ved hjelp av skaler- according to the available "Last" value, ie the window size is set to an initial value. The thus determined window size is compared with Qmin and Qmax, i.e. with the maximum and the minimum window size that has been previously determined, which constitutes an error check. The absolute value of E is used in the calculation as follows. Variables x and n are initialized, while Last is set equal to "ISTATE", which is equal to half of the total number of windows available. In the two-bit case, for example, four windows are available, as one of four windows can be characterized by a two-bit code, thus: small positive samples fall in window 0, large positive samples fall "in window 1, window 2 is for small negative samples, and window 3 is for large negative samples.In this case, ISTATE would be 2. X is then set equal to x + Q, and the absolute value of E is compared to x, which helps determine whether E fits in this the window, if yes, then M(t) has been determined. Load, the last window selected is set equal to n, the quantized error is set equal to the window size Q (Load - 1/2). If E is less than zero , ET is inverted while M is set equal to Last + ISTATE, i.e. to the window in which E falls. When E is greater than or equal to x, x is incremented by Q, the window size, and the process is repeated.. One will understand that these last couple of steps are necessary because it is desired to transfer two unsigned bits.The numbers of those vin doves corresponding to the values centered around 0, i.e. to 0<E<Q, E>Q, 0>Ek - Q, and E< - Q are therefore set equal to 0, 1, 2 and 3 respectively. The transfer of Last to the "scale Q" step, where the quantization routine begins, allows the window size to vary as the process proceeds, thereby making the quantization adaptive. If, for example, window 1, the largest window, was what the absolute value of E fell into, the total window size would be incremented using scale-

ings-operasjonen. Hvis derimot absolutt-verdien av E falt i 0-vinduet, ville vindusstørrelsen bli gjort mindre, etter- ings operation. If, on the other hand, the absolute value of E fell in the 0 window, the window size would be made smaller, after

som E selvfølgelig ville ha.en mindre verdi og vindusstørrelsen derfor bør gjøres forholdsvis mindre for å øke nøyaktigheten. which E would of course have.a smaller value and the window size should therefore be made relatively smaller to increase the accuracy.

Til slutt viser figurene 20a og 20b dekomprimerings- og dekodingsprosessen som utføres ved mottagelse av data som er komprimert i samsvar med fremgangsmåten ifølge oppfinnelsen på et mottagersted eller ved utlesning fra lager. Som nevnt kan dataene dekodes for å gi en rekonstruert, bare en dekonvolvert eller en forsterkningsutjevnet og dekonvolvert trase i avhengighet av den valgte operasjon. De variable som kommer inn er registreringer av M(t), de vinduer i hvilke hver kvantisert feilsampel passer, operatoren A(n), og Sig, den opprinnelige verdi som er tilordnet vindusstørrelsen. De innledende sampler blir nullstilt og ekspansjons- og kontraksjons-faktorer blir satt opp som ovenfor. Q blir likeledes innledet som ovenfor. Q blir sammenlignet med Qmax og Qmin for å bestemme gyldigheten av denne verdien. Den kvantiserte forutsatte verdi blir først gitt størrelse ved hjelp av vindusnummere og kvanti-seringsnivået Q og så blir fortegnet tilføyet. Finally, Figures 20a and 20b show the decompression and decoding process which is carried out when receiving data that has been compressed in accordance with the method according to the invention at a receiving location or when reading from storage. As mentioned, the data can be decoded to provide a reconstructed, a deconvolved only or a gain smoothed and deconvolved trace depending on the operation selected. The incoming variables are records of M(t), the windows into which each quantized error sample fits, the operator A(n), and Sig, the original value assigned to the window size. The initial samples are zeroed and expansion and contraction factors are set up as above. Q is likewise preceded as above. Q is compared to Qmax and Qmin to determine the validity of this value. The quantized predicted value is first sized using the window number and the quantization level Q and then the sign is added.

Hvis lout, en variabel som indikerer den ønskede behandlings-måte av dataene, er lik 2, noe som indikerer av de lagrede komprimerte data skal forsterkningsutjevnes og dekonvolveres, blir S(t) ganske enkelt satt lik Last fast hvis M er mindre enn ISTATE, og hvis ikke til -Last, det vil si at utgangs-funksjonen ganske enkelt er lik den relative amplitude og fortegnet til feilsampelen. Det er funnet at vanligvis gir også dette et meningsfullt resultat. Hvis lout ikke er lik 2, noe • som betyr at meningen er at trasen enten skal dekonvolveres eller rekonstrueres, blir ytterligere behandling utført. Hvis M er større enn ISTATE, er fortegnet av ET negativt. Hvis lout er lik 1, blir trasen bare dekonvolvert, noe som bare medfører at S(t) settes lik ET, og hvis ikke så blir S(t) satt lik Xpret + E(t) som gir et fullt rekonstruert trasepunkt, hvor Xpret er If lout, a variable indicating the desired processing mode of the data, is equal to 2, indicating that the stored compressed data is to be gain equalized and deconvolved, S(t) is simply set equal to Last fixed if M is less than ISTATE, and if not to -Last, that is, the output function is simply equal to the relative amplitude and sign of the error sample. It has been found that usually this also gives a meaningful result. If lout is not equal to 2, which • means that the trace is either to be deconvolved or reconstructed, further processing is performed. If M is greater than ISTATE, the sign of ET is negative. If lout is equal to 1, the trace is simply deconvolved, which just means that S(t) is set equal to ET, and if not, S(t) is set equal to Xpret + E(t) which gives a fully reconstructed trace point, where Xpret is

lik summen av A(n)S(t - n) som gir den neste forventede verdi Xpret og prosessen blir gjentatt. equal to the sum of A(n)S(t - n) which gives the next expected value Xpret and the process is repeated.

Ved hjelp av skjemaene på figurene.17 til 20 skulle fagfolk på området lett kunne realisere fremgangsmåten ifølge oppfinnelsen. With the aid of the forms in figures 17 to 20, experts in the field should be able to easily realize the method according to the invention.

Fagfolk på området vil derfor forstå at det er blitt be skrevet en fremgangsmåte for datakompressjon, spesielt nyttig ved seismiske undersøkelser,: som tillater representasjon av 32 biters sampler med flytende, ved hjelp av et to-biters heltall uten tap av naturtro gjengivelse. Bruken av adaptiv kvantisering og differensiell pulskodemodulasjon alene er utilstrekkelig til å oppnå dette resirltatet etter som støyen som genereres ved en slik me'tode, når den brukes seismiske data, resulterer i ustabile meningsløse data. Følgelig blir . signalet i stedet transformert til en forutsigelsesfeil-trase, i stedet for en data-trase før kvantisering. I en spesielt utførelsesform blir dette oppnådd ved bruk ,av differensiell pulskodemodulasjon med lineær forutsigelse modifisert som ovenfor. Those skilled in the art will therefore appreciate that a method of data compression, particularly useful in seismic surveys, has been proposed: which allows the representation of 32-bit samples with floating, using a two-bit integer without loss of lifelike reproduction. The use of adaptive quantization and differential pulse code modulation alone is insufficient to achieve this result as the noise generated by such a method, when applied to seismic data, results in unstable meaningless data. Consequently, becomes . the signal is instead transformed into a prediction error trace, rather than a data trace before quantization. In a particular embodiment, this is achieved using differential pulse code modulation with linear prediction modified as above.

Claims

1. Seismic survey method where acoustic energy is sent through an underground structure, where energy reflected upwards from an underground interface to the surface is detected, - where electrical data output signals are generated in response to the detected energy where the data signals are compressed for storage and/ or transmission, characterized in that the data compression comprises sampling the signals at a fixed frequency, analyzing a plurality of output samples in sequence according to a prediction operator to provide a predicted value for the next input sample, comparing the next input sample with the corresponding predicted value to give a prediction error value, quantization of the prediction error value to give a quantum number, and storage and/or transmission of the quantum number, the data compression being such that by inverting the operator for decompression of the stored quantum numbers, feedback can be used on the invert rte operator to make noise in the quantized samples pass unfiltered.

2. Method according to claim 1, characterized in that the prediction operator comprises differential pulse code modulation with linear prediction where a predetermined number of consecutive samples is used to predict the next subsequent sample and the next subsequent sample then becomes the last of the predetermined number of samples, and the earliest of the predetermined number of samples is omitted from the predetermined number of samples.

3. Method according to claim 1 or 2, characterized in that the quantization is adaptive, whereby increased accuracy can be realized in the quantization of the samples.

4. Method according to one of claims 1 to 3, characterized in that the quantization comprises determination of each sample as belonging to one of a fixed number of discrete states, the states forming a continuous area in which the states arranged in the middle of the area have fixed boundaries and the states at the ends of the range have a fixed boundary to connect them with those placed in the middle of the range, and an open boundary, whereby all sample values can be determined as belonging to only one of the states.

5. Method according to claim 4, characterized in that the limits of the states in the middle of the range are varied in response to the determination of one or more previous samples whereby the accuracy of the quantization is further improved.

6. Method according to one of claims 1 to 5, characterized in that a plurality of quantized samples that correspond to a given seismic survey period are preceded by an introduction that provides information about the original conditions for the data compression method, whereby data decompression can be performed.

7. Method according to one of claims 1 to 6, characterized in that the analysis includes performing autocovariance on each plurality of samples, whereby low-frequency operation of the compression is avoided.

8. Method for compressing samples of signals having a convoluted nature, characterized by defining a prediction operator by analysis which is performed in relation to a predetermined number of the samples, for operating on a series of the samples of a predetermined amount to provide a predicted value for a next sample, measuring the difference between the predicted. value and the next sample, comparing the difference with a series of numbered windows of variable size, recording the number of the window in which the difference fits, and varying the size of the windows in relation to the number.