原始地震数据、CMP叠加、NMO和机器学习之间的关系是什么

Question

我最近加入了一个地球物理项目，协助他们的一些机器学习建模，但我正在努力收集参与所需的领域知识。

我不太理解的是common- middle - point stack, Normal MoveOut & raw data。我有这些segg -y文件，我可以用python绘制它们。对我来说，它们看起来很好，但我读了很多关于CMP堆叠，加权CMP堆叠和NMO的文章。分段y文件被认为是“原始地震数据”。CMP和NMO流程是否发生在我获取文件的阶段?我很困惑，因为这些似乎是标准的实践，但我无法在任何编程语言中找到任何一个实现。你有什么工具可以为机器学习建模准备地震数据吗?

Answer 1

SEG-Y文件是一种通用的归档格式。所以他们可以是“任何东西”。2D地震，3D地震，原始的，加工的，未叠加的甚至衍生物(地震属性)。

如何在SEG-Y文件中获取有关数据的信息:SEG-Y包含3种描述数据的头。EBCDIC标题是一个40 * 80字符的表，是穿孔卡时代的遗迹(我不是在开玩笑)。通常它包含有关地震状态的信息。处理工作流程，采集几何图形等。二进制报头包含关于数据集的更多固定数据。跟踪标头包含来自采集的每个独立数据集。Agile Scientific的不错的博客在这里。

你可以在开放获取的书中读到地震处理和惯例的细节。地震数据分析”。以前是几百美元，我参加过的每一堂地震讲座都引用过。不过，我现在会给你一些答案。

常见的中点

CMP叠加、加权CMP和NMO是高度纠缠的。

地震测量，非常接近地下的反射。不过，有点吵。“叠加”是一遍又一遍地记录同一个地方，然后把它们加起来，以抵消随机噪声，增强相干信号。然而，仅仅在相同的区域做这件事是非常低效的，因此我们在我们照亮的点上改变了采集，在图中你可以看到我们有一个很好的射线几何扇形走向中间的同一点，公共中点CMP。这导致了一些有趣的行为。

正常时差

这是一个公式，用于计算如何将不同角度的记录移动到与前面提到的堆叠的另一个记录一致。你可以想象，光线路径较长的唱片需要更长的时间，这取决于它们穿过的岩石的速度。这种向下移动称为正常移出(NMO)。上面的方程是一个近似值，但它对于这个解释已经足够好了，看看书中关于这个的更多信息。

叠后vs叠前

由于X-Y-T(记录时间)，2D区域的地震采集被称为3D地震。如上所述，在X-Y的同一点上重复的数据将有几个具有相同T的记录，并且在源和接收器之间有不同的“偏移量”。这意味着，刚从野外得到的三维地震数据将是四维的。这被称为堆栈前。一旦我们做了大量的数据预处理和过滤，并对上面的CMP叠加进行了更智能的版本，我们就得到了实际上是三维的三维地震。

堆叠与迁移

堆叠的数据会有各种奇怪的波浪效应。通常地质学家会研究“迁移”的数据。偏移的目的是找到反射器的“真实”位置，反转波效应。我猜你可能会得到这个。

时间和深度

你以前可能想过X-Y-T。T代表时间而不是深度，这是因为我们的数据是以记录时间为单位测量的，而大多数地球物理学家将以时间为单位进行工作。最有可能的是，迁移及时完成了，你得到了一个X-Y-T立方体。然而，深度转换确实会发生，但它取决于准确的时间-深度关系。人们往往不太相信这些。注意:深度迁移并不一定会得到X-Y-Z立方体。

实用的建议

作为实用指南，您可能希望从EBCDIC报头开始。你的数据处理过吗?堆放在一起吗?迁移吗?你有t型方块还是z型方块?熟悉二进制标头和两个跟踪标头。您的数据的范围是什么?等。

机器学习

大多数机器学习都是在专有代码中完成的。我所知道的地震深度学习中唯一的开源代码是MalenoV。然而，将完整的3D地震数据加载到RAM中并不总是可行的。将其加载到GPU RAM中几乎是不可能的。这是第一个地方，在这里你可以自由地想出一个聪明的解决方案。

奖金

这是一个清单免费地球物理软件和一个令人敬畏的开放地球科学列表。这些并不详尽，但却是一个良好的开端。