Iterative Deblending of Simultaneous-Source Seismic Data via a Robust Singular Spectrum Analysis Filter
Notice bibliographique
Résumé
We solve the simultaneous source separation problem by adopting the projected gradient descent (PGD) method to iteratively estimate the data one would acquire via a conventional seismic acquisition. The projection operator is a windowed robust singular spectrum analysis (SSA) filter that suppresses source interferences in the$f-x$(frequency-space) domain. We reformulate the SSA filter as a robust optimization problem solved via a bifactored gradient descent (BFGD) algorithm. Robustness becomes achievable by adopting Tukey’s biweight loss function for the design of the robust SSA filter. The SSA filter requires breaking down common-receiver gathers or common offset gathers into small overlapping windows. The traditional SSA method needs the filter rank as an input parameter, which can vary from window to window. The latter has been a shortcoming for the application of classical SSA filtering to complex seismic data processing. The proposed robust SSA filter is less sensitive to rank-selection, making it appealing for deblending applications that require windowing. Additionally, the robust SSA projection provides an effective attenuation of random source interferences during the initial iterations of the PGD method. Comparing classical and robust SSA filters, we also report an acceleration of the PGD method convergence when we adopt the robust SSA filter. Finally, we provide synthetic and real data examples, and discuss heuristic strategies for parameter selection.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».