Adaptacyjna interpolacja POCS z ograniczeniem bocznym

Wyraźniejsze obrazy podpowierzchni z niekompletnych danych

Badania poszukiwań ropy i gazu, projekty geotermalne oraz analizy sejsmiczne trzęsień ziemi opierają się na pomiarach sejsmicznych: kontrolowanych wstrząsach wysyłanych w ziemię i rejestrowanych na powierzchni. W praktyce jednak zapisy te często zawierają luki z powodu kosztów, ukształtowania terenu lub ograniczeń środowiskowych. Artykuł przedstawia nowy sposób „uzupełniania” takich sejsmicznych zapisów, dzięki któremu geonaukowcy mogą zajrzeć głębiej i wyraźniej w głąb Ziemi przy jednoczesnym zachowaniu praktycznych wymagań obliczeniowych.

Dlaczego brakujące ślady mają znaczenie

Obrazy sejsmiczne buduje się z wielu gęsto rozmieszczonych nagrań, tzw. śladów, ustawionych obok siebie. Gdy brakuje zbyt wielu śladów, obraz podpowierzchni staje się przerwany i zaszumiony, co utrudnia krytyczne zadania, takie jak obrazowanie uskoków, mapowanie warstw skalnych czy estymacja parametrów złożowych. Istniejące metody matematyczne potrafią odgadnąć brakujące informacje, wykorzystując wzorce w czasie i częstotliwości, a nowsze podejścia uczące się starają się wyłowić te wzorce z dużych zbiorów treningowych. Jednak uczenie maszynowe jest kosztowne i wymaga dużo danych, natomiast tradycyjne metody często pomijają, jak mocno sąsiednie ślady podobne są do siebie bocznie, co prowadzi do rozmytych struktur i dodatkowego szumu.

Inteligentniejsze wykorzystanie informacji z sąsiedztwa

Autorzy rozwijają znane ramy matematyczne zwane projekcją na zbiory wypukłe (projection onto convex sets, POCS), które wielokrotnie przesuwają dane w kierunku różnych „dozwolonych” warunków, aż do ich zgodności. Klasyczna wersja wymusza dwa główne warunki: aby znane pomiary pozostały niezmienione oraz aby dane były zwarte i dobrze ułożone w rzadkim przekształceniu, np. w domenie częstotliwość–wektorfalowy. Nowa metoda dodaje trzeci składnik: wyraźne ograniczenie boczne, które zachęca sąsiednie ślady do płynnej zmiany tam, gdzie geologia jest ciągła, a jednocześnie dopuszcza ostre zmiany tam, gdzie podpowierzchnia rzeczywiście się załamuje — np. przy uskokach lub gwałtownych granicach litologicznych.

Dopasowanie do złożonej geologii

Aby uniknąć bezmyślnego wygładzania wszystkiego, metoda najpierw dzieli każdy ślad na krótkie okna czasowe i porównuje każde okno z najbliższymi znanymi sąsiadami. Z tych porównań tworzy mapę podobieństwa, która uwidacznia, gdzie ślady są do siebie podobne, a gdzie się różnią. W oknach o wysokim podobieństwie — typowych dla łagodnie ułożonych warstw skalnych — algorytm pozwala pobliskim śladom silnie kierować rekonstrukcją, skutecznie tłumiąc losowy szum i wypełniając brakujące ślady w sposób respektujący ciągłość boczną. W oknach o niskim podobieństwie — typowych dla skomplikowanych uskoków lub nagłych zmian — rozluźnia działanie ograniczenia bocznego, tak aby autentyczne przerwania geologiczne nie zostały rozmyte przez nadmierne wygładzanie. To adaptacyjne zachowanie jest sterowane regulowanynym parametrem siły, którego praktyczny zakres ustalono poprzez systematyczne testy.

Równoważenie dokładności i wydajności

Naukowcy dowodzą matematycznie, że przy standardowych założeniach ich procedura z trzema ograniczeniami zbiega do stabilnego rozwiązania. Analizują też, ile dodatkowych obliczeń wprowadza nowy krok boczny w porównaniu z uznaną wcześniejszą wersją metody. Oba podejścia są zdominowane przez to samo podstawowe przekształcenie częstotliwościowe, więc dodatkowa praca zwiększa jedynie liniową część kosztu, nie zmieniając ogólnego tempa wzrostu złożoności. W praktyce oznacza to, że ulepszona metoda działa nieco wolniej, ale pozostaje w rozsądnych granicach dla dużych zestawów sejsmicznych, co czyni ją odpowiednią do rzeczywistych projektów poszukiwawczych.

Czytelniejsze testy na danych syntetycznych i rzeczywistych

Zespół testuje swoje podejście na dwóch rodzajach danych. Najpierw używają syntetycznych zapisów sejsmicznych wygenerowanych dla złożonego modelu geologicznego Marmousi, z losowo usuniętymi śladami odpowiadającymi utracie danych na poziomie 30%, 50% i nawet 70%. We wszystkich przypadkach nowa metoda rekonstruuje zdarzenia o większej ciągłości bocznej, z mniejszym widocznym szumem i zawartością częstotliwości bliższą oryginalnym, pełnym danym niż starszy algorytm. Po drugie, stosują metodę do rzeczywistych danych po złożeniu (post-stack) z basenu ropy i gazu we wschodnich Chinach. Tutaj również nowe podejście daje czyściejsze sekcje, lepszą ciągłość w łagodnie zmieniających się strefach i lepsze zachowanie istotnych detali geologicznych, potwierdzone miarami ilościowymi błędu, stosunku sygnału do szumu oraz podobieństwa strukturalnego.

Co to oznacza dla obrazowania podpowierzchni

Dla osób niebędących specjalistami kluczowy przekaz jest taki: ta praca oferuje bardziej niezawodny sposób przekształcania niekompletnych, zaszumionych zapisów sejsmicznych w spójne obrazy podpowierzchni bez polegania na ciężkiej maszynerii uczenia maszynowego. Poprzez ostrożne i adaptacyjne wykorzystanie podobieństw między sąsiednimi śladami metoda wypełnia brakujące informacje, zachowując przy tym autentyczne cechy geologiczne — takie jak uskoki i nagłe zmiany litologiczne. Efektem jest bardziej wierne podstawowe podłoże danych do dalszego przetwarzania i interpretacji, co ostatecznie może wspierać lepsze decyzje w poszukiwaniach zasobów i monitoringu podpowierzchni, nawet gdy warunki terenowe uniemożliwiają zebranie idealnie gęstych danych.

Cytowanie: 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

Słowa kluczowe: interpolacja sejsmiczna, obrazowanie podpowierzchniowe, przetwarzanie danych geofizycznych, tłumienie szumów, ciągłość uskoków i warstw