Polarization analysis and filtering of undersampled 3C seismic data in the frequency-slowness domain
Notice bibliographique
Résumé
ABSTRACT Polarization filters have emerged as a useful tool for coherent noise denoising in multicomponent seismic data. By exploiting the polarization properties of seismic waves, these filters can significantly improve wave-type separation, which is a crucial step in seismic data processing. However, their effectiveness in land seismic data in complex areas can be impacted by the presence of scattering noise, and their applicability is limited by irregular spatial sampling, which hinders velocity information for wave-type discrimination. To address these limitations, we introduce a novel two-step method for distinguishing and separating polarized wave types in shot gathers captured from a spatially undersampled linear array of 3C vector sensors. The first step involves conducting a polarization analysis in the frequency-slowness domain using elliptical elements derived from the linear Radon transform of the seismic data. The second step isolates specific polarized waves using the 3C frequency-slowness polarization filter (3C-FSPF), a technique that uses tailored taper functions based on polarization analysis. Our method stands out from single-station filters that cannot use velocity information for wave-type discrimination and existing multistation filters that require regularly sampled data. To evaluate our method, comprehensive tests are conducted on synthetic and real data. The results consistently demonstrate the effectiveness of 3C-FSPF in separating diverse polarized wave types under conditions of irregular and sparse spatial sampling and noise. Our findings underscore the potential of this method for advancing exploration geophysics by enhancing the quality of seismic data, particularly in land regions with complex near-surface structures.
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 | 0,001 |
| 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 ».