Noise suppression in 2D and 3D seismic data with data-driven sifting algorithms
Notice bibliographique
Résumé
ABSTRACT We have developed an empirical-mode decomposition (EMD) algorithm for effective suppression of random and coherent noise in 2D and 3D seismic amplitude data. Unlike other EMD-based methods for seismic data processing, our approach does not involve the time direction in the computation of the signal envelopes needed for the iterative sifting process. Instead, we apply the sifting algorithm spatially in the inline-crossline plane. At each time slice, we calculate the upper and lower signal envelopes by means of a filter whose length is adapted dynamically at each sifting iteration according to the spatial distribution of the extrema. The denoising of a 3D volume is achieved by removing the most oscillating modes of each time slice from the noisy data. We determine the performance of the algorithm by using three public-domain poststack field data sets: one 2D line of the well-known Alaska 2D data set, available from the US Geological Survey; a subset of the Penobscot 3D volume acquired offshore by the Nova Scotia Department of Energy, Canada; and a subset of the Stratton 3D land data from South Texas, available from the Bureau of Economic Geology at the University of Texas at Austin. The results indicate that random and coherent noise, such as footprint signatures, can be mitigated satisfactorily, enhancing the reflectors with negligible signal leakage in most cases. Our method, called empirical-mode filtering (EMF), yields improved results compared to other 2D and 3D techniques, such as f-x EMD filter, f-x deconvolution, and t-x-y adaptive prediction filtering. EMF exploits the flexibility of EMD on seismic data and is presented as an efficient and easy-to-apply alternative for denoising seismic data with mild to moderate structural complexity.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».