文档介绍：实验二：观测系统的定义 预处理与反褶积
实验目的
了解观测系统定义，会用模块解决原始资料中的废炮道、能量不均一及面波等噪音问题。会试验反褶积模块和参数，能够输出经预处理与反褶积后的地震数据。
实验内容
一）、原始资料导入（inpu—波数域中将有效波与干扰波分离,进而压制干扰波,突出有效波能量。对前面进行过的真振幅恢复等处理后的数据进行F-K滤波。
函数模块为F-K Filter。处理效果如图22。
与真振幅恢复后的处理结果图19和原始数据图15对比。可以看出F-K滤波对面波和多次波的压制作用。
如图22，在fk滤波之后虽然部分干扰有明显的削弱效果（黑色圆圈圈出部位），但是fk滤波也会滤掉有效成分，因此慎用。
图22 F-K滤波
九）、交互频谱分析（Interactive Spectral Analysis）
信号分析原理测试信号的频域分析是把信号的幅值、相位或能量变换以频率坐标轴表示，进而分析其频率特性的一种分析方法又称为频谱分析。可以得到信号中的各个频率成分和频率分布范围，各个频率成分的幅值分布和能量分布交互式频谱分析是通过傅里叶变换，将时间域的信号变换到频率域，以方便我们了解地震信号在频率域的特征，已拾取反射波的有效频带，为后续的带通滤波提供依据。信号的频谱包括振幅谱和相位谱两部分。
不仅可以整体分析信号的频谱还可以加窗，分析信号局部。在原信号中低频成分能量较强，中频成分能量低。可以观察高频成分，优势频带（大约在100Hz以内）。
图23
相位谱
频谱
图24频谱分析
有效频带在140以内，优势频带在80以内。
、自相关与反褶积
自相关是指信号在一个时刻的瞬时值与另一个时刻的瞬时值之间的依赖关系，是对一个随机信号的时域描述。
为确定预测歩长需要先进行自相关（Autocorrelation）。首先对原始数据，以第一炮为例拾取视窗，单击Picking 选择Pick Miscellaneous Time Gates，如图24。时间窗命名为auto1，见图25。
图25拾取时间窗
图26时间窗
拾取时间窗后保存，File——Save Picks。然后在作业EditingFlow中作自相关Autocorrelation。因为自相关具有对称性，当Type of autocorrelation to output 为HALF时，输出对称图形的一半，而为FULL时则完整输出。设置自时窗auto1处向下500ms进行自相关。选择视窗文件auto1。
图27自相关
运行后输出数据如图28.
图28自相关后
对其中间时间500ms附近进行放大，找到振幅由正变负的拐点，再找到其由负变正的拐点，观察其大小。
图29自相关的放大图
如图28可观察到自相关后振幅由正变负的拐点是495ms，由负变正的拐点是488ms。
反褶积，又叫做反滤波，是最常用的地震资料数字处理方法之一，可以用于叠前，也可用于叠后资料的处理。
震源产生的尖脉冲，在地层中传播，经反射界面反射后又回到地面，被检波器所接收。在这个过程中，原来的脉冲信号，经过大地的滤波作用，已经变成了具有一定延迟时间的稳定波形（地震子波）。假设地震子波的延续时间大于反射波在某一地层中的传播时间,那么，该地层便不能被识别出来。也就是说，尖脉冲在变成地震子波以后，其（垂向）分辨率降低了。为了提高地震子波的分辨率，我们就要进行反褶积，将地震子波压缩成尖脉冲，或者近似地压缩成窄脉冲。
处理过程如下：
首先同自相关类似拾取时间窗，不同的是选择顶和底。
图30拾取时间窗
对地震数据进行参数检验Parameter Test；设置参数20|40|60|80|100|120。
图31参数检验
运行后进行反褶积Spiking/Predictive Decon，设置参数算子长度80，预测步长为14，参照自相关。
进行反褶积首先要计算反褶积算子，实验中没有直接计算，而是用不同的反褶积算子进行对比，设置的反褶积算子分别为40，80，100见图33,34,35。
图32反褶积
图33 反褶积算子40
图34反褶积后的地震资料（反褶积算子80）
图35 反褶积算子100
图 36 真振幅恢复后的数据
图36未处理的地震资料
明显，地震子波得到压制，提高了分辨率。对反褶积前后的数据进行频谱分析观察主频及频带。如图37。不难发现主频被拉伸，频带变宽。尤其是优势频带变宽。
图37反褶积前后频谱
然后对反褶积后的数据进行自相关，观察反褶积的效果。可以由此对比这几前后的效果。明显地看出地震数据变得清晰，分辨率增加。
图38对反褶积后的数据自相关（80）
通过对比不同反褶积算子的反褶