Offset-extended sparse Radon transform: Application to multiple suppression in the presence of amplitude variations with offset
Notice bibliographique
Résumé
ABSTRACT The conventional Radon transform suffers from a lack of resolution when data kinematics and amplitudes differ from those of the Radon basis functions. Also, a limited aperture of data, missing traces, aliasing, a finite number of scanned ray parameters, noise, residual statics, and amplitude variations with offset (AVO) reduce the decorrelation power of the Radon basis functions. Posing Radon transform estimation as an inverse problem by searching for a sparse model that fits the data improves the performance of the algorithm. However, due to averaging along the offset axis, the conventional Radon transform cannot preserve AVO. Accordingly, we modify the Radon basis functions by extending the model domain along the offset direction. Extending the model space helps in fitting data; however, computing the offset-extended Radon transform is an underdetermined and ill-posed problem. To alleviate this shortcoming, we add model domain sparsity and smoothing constraints to yield a stable solution. We have developed an algorithm using offset-extended Radon basis functions with sparsity promoting in offset-stacked Radon images in conjunction with a smoothing restriction along the offset axis. Because the inverted model is sparse and fits the data, muting common-offset Radon panels based on ray-parameter/curvature is sufficient for separating primaries from multiples. We successfully apply the algorithm to suppress multiples in the presence of strong AVO on synthetic data and a real data example from the Gulf of Mexico, Mississippi Canyon. The results indicate that extending the Radon model space is necessary for improving the separation and suppression of the multiples in the presence of strong AVO.
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 | 0,000 |
| Science ouverte | 0,000 | 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 ».