Адаптивный метод интерполяции POCS с боковым ограничением

Более четкие подземные изображения при неполных данных

Разведка нефти и газа, геотермальные проекты и сейсмологические исследования землетрясений опираются на сейсмические съемки: управляемые вибрации, направляемые в грунт и регистрируемые на поверхности. На практике однако такие записи часто содержат пропуски из‑за стоимости, сложного рельефа или экологических ограничений. В этой статье предлагается новый способ «заполнить пробелы» в сейсмических записях, чтобы геонауки могли заглянуть глубже и яснее в недра при практичной вычислительной нагрузке.

Почему отсутствующие трассы важны

Сейсмические изображения строятся из множества тесно расположенных записей, или трасс, выстроенных бок о бок. Если слишком много трасс отсутствует, картина подпочвы разрушается и зашумляется, что снижает надежность ключевых операций — выявления разломов, картирования слоев пород или оценки свойств резервуара. Существующие математические методы восстанавливают недостающую информацию, опираясь на закономерности во времени и частоте, а современные подходы на базе машинного обучения пытаются усвоить эти закономерности из больших обучающих наборов. Но машинное обучение требует больших данных и ресурсов, тогда как традиционные методы часто упускают из виду силу латерального подобия соседних трасс, что ведет к размытиям структур и появлению лишнего шума.

Умнее использование информации от соседей

Авторы опираются на известную математическую схему — проекции на выпуклые множества (POCS), которая итеративно подталкивает данные к различным «допустимым» условиям до их согласования. Классическая версия накладывает два основных условия: сохранение известных измерений без изменений и компактность/корректное поведение данных в разреженном преобразовании, например в частотнопространственной (частота–волновое число) области. Новый метод добавляет третье звено: явное боковое ограничение, поощряющее плавное изменение соседних трасс там, где геология непрерывна, но допускающее резкие изменения в местах реальных разломов или внезапных границ пород.

Адаптация к сложной геологии

Чтобы не размывать все подряд, метод сначала делит каждую трассу на короткие временные окна и сравнивает каждое окно с ближайшими известными соседями. Из этих сравнений строится карта сходства, выделяющая области, где трассы похожи, и где они различаются. В окнах с высоким сходством — типичных для мягко залегающих слоев — алгоритм позволяет соседним трассам сильно влиять на восстановление, эффективно подавляя случайный шум и заполняя пропуски в соответствии с латеральной непрерывностью. В окнах с низким сходством — характерных для сложных разломов или резких изменений — боковое влияние ослабляется, чтобы настоящие геологические нарушения не стирались чрезмерным сглаживанием. Это адаптивное поведение регулируется настраиваемым параметром силы, практический диапазон которого определен посредством систематических тестов.

Баланс между точностью и эффективностью

Исследователи математически доказывают, что при стандартных допущениях их процедура с тремя ограничениями сходится к устойчивому решению. Они также анализируют, сколько дополнительной вычислительной работы вносит новое боковое звено по сравнению с признанной ранее версией метода. Обе схемы доминируются одним и тем же ядром — основным частотным преобразованием, поэтому добавленная операция увеличивает лишь линейную часть затрат, не изменяя общего порядка роста сложности. На практике это означает, что улучшенный метод работает несколько медленнее, но остается в разумных пределах для больших сейсмических наборов данных, что делает его приемлемым для реальных поисковых проектов.

Более ясные тесты на синтетических и реальных данных

Команда проверяет подход на двух типах данных. Сначала используют синтетические сейсмические записи, сгенерированные по сложной геологической модели Marmousi, с случайно удаленными трассами в долях 30%, 50% и даже 70% потерь данных. Во всех случаях новый метод восстанавливает более латерально непрерывные события с меньшим видимым шумом и спектром частот ближе к исходным полным данным по сравнению со старым алгоритмом. Затем метод применяют к реальным постстековым данным из нефтегазоносного бассейна на востоке Китая. И здесь новый подход дает более чистые разрезы, лучшую непрерывность в мягко изменяющихся зонах и лучшее сохранение важных геологических деталей, что подтверждается количественными метриками ошибки, отношения сигнал/шум и структурной схожести.

Что это значит для подземного просмотра

Для неспециалистов основной вывод такой: работа предлагает более надежный способ превращать неполные, зашумленные сейсмические записи в связные изображения подпочвы без опоры на тяжеловесные решения машинного обучения. За счет тщательного и адаптивного использования сходства между соседними трассами метод заполняет недостающую информацию, сохраняя при этом реальные геологические особенности — разломы и резкие изменения пород. В результате получается более качественная основа данных для последующей обработки и интерпретации, что в конечном счете может поддержать лучшие решения в разведке ресурсов и мониторинге подпочвы, даже когда условия на местности не позволяют собрать идеально плотную сетку данных.

Цитирование: 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

Ключевые слова: сейсмическая интерполяция, подповерхностная съемка, обработка геофизических данных, подавление шума, непрерывность разломов и слоев