Adaptive laterale, durch Zwänge gesteuerte POCS-Interpolationsmethode

Scharfere Untergrundbilder aus unvollständigen Daten

Öl- und Gasexploration, Geothermieprojekte und Erdbebenforschung basieren auf seismischen Messungen: kontrollierte Vibrationen, die in den Boden gesendet und an der Oberfläche wieder aufgezeichnet werden. In der Praxis enthalten diese Aufzeichnungen jedoch oft Lücken, verursacht durch Kosten, Gelände oder Umweltauflagen. Dieser Beitrag stellt eine neue Methode vor, um solche seismischen Datensätze „aufzufüllen“, sodass Geowissenschaftler tiefer und klarer in die Erde blicken können, ohne dass die Berechnungen unpraktikabel werden.

Warum fehlende Spuren wichtig sind

Seismische Bilder entstehen aus vielen dicht beieinander liegenden Aufzeichnungen, so genannten Spuren, die nebeneinander angeordnet werden. Wenn zu viele Spuren fehlen, wird das Bild des Untergrunds lückenhaft und verrauscht, was zentrale Arbeitsschritte wie das Abbilden von Verwerfungen, das Kartieren von Gesteinsschichten oder die Schätzung von Reservoir-Eigenschaften stark erschwert. Bestehende mathematische Methoden schließen fehlende Informationen durch Muster in Zeit und Frequenz auf, und neuere maschinelle Lernverfahren versuchen, solche Muster aus großen Trainingsmengen zu erlernen. Maschinelles Lernen ist jedoch rechen- und datenintensiv, während traditionelle Methoden oft vernachlässigen, wie stark benachbarte Spuren seitlich einander ähneln, was zu verschmierten Strukturen und zusätzlichem Rauschen führt.

Ein schlauerer Umgang mit Nachbarinformation

Die Autoren bauen auf einem bekannten mathematischen Rahmenwerk auf: Projection onto Convex Sets (POCS), das die Daten schrittweise in Richtung verschiedener „erlaubter“ Bedingungen bewegt, bis sie übereinstimmen. Die klassische Version erzwingt zwei Hauptbedingungen: dass die bekannten Messungen unverändert bleiben und dass die Daten in einer sparsamen Transformation, etwa im Frequenz–Wellenzahl-Bereich, kompakt und gutartig erscheinen. Die neue Methode fügt eine dritte Komponente hinzu: eine explizite laterale Beschränkung, die benachbarte Spuren dort zu einer glatten Variation anregt, wo die Geologie kontinuierlich ist, zugleich aber scharfe Änderungen zulässt, wo der Untergrund tatsächlich bricht, etwa an Verwerfungen oder abrupten Gesteinsgrenzen.

Anpassung an komplexe Geologie

Um nicht blind alles zu glätten, teilt die Methode jede Spur zunächst in kurze Zeitfenster und vergleicht jedes Fenster mit seinen nächsten bekannten Nachbarn. Aus diesen Vergleichen entsteht eine Ähnlichkeitskarte, die hervorhebt, wo Spuren einander ähneln und wo sie sich unterscheiden. In Fenstern mit hoher Ähnlichkeit — typisch für sanft geschichtete Gesteine — lässt der Algorithmus benachbarte Spuren stark die Rekonstruktion leiten, unterdrückt damit Rauschen und füllt fehlende Spuren so, dass laterale Kontinuität gewahrt bleibt. In Fenstern mit geringer Ähnlichkeit — typisch für komplexe Verwerfungen oder abrupte Änderungen — wird der laterale Einfluss gelockert, so dass echte geologische Brüche nicht durch Überschmierung verloren gehen. Dieses adaptive Verhalten wird durch einen einstellbaren Stärkeparameter gesteuert, dessen praktischer Bereich durch systematische Tests bestimmt wurde.

Balance zwischen Genauigkeit und Effizienz

Die Forscher zeigen mathematisch, dass ihr Verfahren mit drei Zwängen unter Standardannahmen zu einer stabilen Lösung konvergiert. Sie analysieren außerdem, wie viel zusätzliche Rechenarbeit der neue laterale Schritt im Vergleich zu einer angesehenen früheren Version der Methode verursacht. Beide Ansätze werden vom gleichen Kern der Frequenztransformation dominiert, sodass der Mehraufwand nur den linearen Anteil der Kosten erhöht, ohne die asymptotische Wachstumsrate zu verändern. In der Praxis bedeutet das, dass die verbesserte Methode etwas langsamer läuft, aber weiterhin in vernünftigen Grenzen für große seismische Datensätze bleibt und sich somit für reale Explorationsprojekte eignet.

Klarere Tests auf synthetischen und realen Messdaten

Das Team testet seinen Ansatz an zwei Datentypen. Zunächst verwenden sie synthetische seismische Aufzeichnungen, erzeugt aus dem komplexen Marmousi-Modell, mit zufällig entfernten Spuren, die 30 %, 50 % und sogar 70 % Datenverlust simulieren. In allen Fällen rekonstruiert die neue Methode Ereignisse mit besserer lateraler Kontinuität, weniger sichtbarem Rauschen und Frequenzgehalt, der dem der vollständigen Originaldaten näher kommt als bei dem älteren Algorithmus. Zweitens wenden sie die Methode auf reale Post-Stack-Daten aus einem Öl- und Gasbecken in Ostchina an. Auch hier liefert der neue Ansatz sauberere Schnitte, bessere Kontinuität in sanft variierenden Zonen und eine verbesserte Erhaltung wichtiger geologischer Details, wie durch quantitative Fehlermaße, Signal-Rausch-Verhältnis und strukturelle Ähnlichkeitsindices bestätigt wird.

Was das für das „Sehen“ unter der Erde bedeutet

Für Nicht-Spezialisten ist die Kernbotschaft: Diese Arbeit bietet einen verlässlicheren Weg, unvollständige, verrauschte seismische Aufzeichnungen in kohärente Bilder des Untergrunds zu verwandeln, ohne auf aufwändige maschinelle Lernverfahren angewiesen zu sein. Durch die sorgfältige und adaptive Nutzung der Ähnlichkeit benachbarter Spuren füllt die Methode fehlende Informationen auf, während echte geologische Merkmale — wie Verwerfungen und abrupte Gesteinswechsel — erhalten bleiben. Das Ergebnis ist eine Datenbasis mit höherer Treue für nachfolgende Verarbeitung und Interpretation, die letztlich bessere Entscheidungen bei der Rohstoffexploration und Überwachung des Untergrunds unterstützen kann, selbst wenn Feldbedingungen das Sammeln dichter Daten verhindern.

Zitation: Qin, Z., Pan, S., Chen, J. et al. Adaptive lateral constraint-driven POCS interpolation method. Sci Rep 16, 11518 (2026). https://doi.org/10.1038/s41598-026-39281-1

Schlüsselwörter: seismische Interpolation, Bildgebung des Untergrunds, geophysikalische Datenverarbeitung, Rauschunterdrückung, Kontinuität von Störungen und Schichten