DEKONVOLUSI

Eddy Wijanarko 305777

Darmiyati 305672
DEKONVOLUSI

Dekonvolusi mengkompres wavelet dasar dalam
rekaman seismogram, atenuasi reverberasi dan multiple
periode pendek, oleh karena itu meningkatkan resolusi
temporal(vertikal) dan menghasilkan sebuah
representasi dari reflektivitas bawah permukaan.
Gambar 1.1 a. reveberesi membuat sulit membedakan dari
reflektor yang menonjol dalam penampang yang belum
didekonvolusi (b). reflektor tampak jelas setelah
didekonvolusi

Gambar 1.2 (a) diperoleh dari gb.1.1 a gathers (b)
diperoleh dari gb.1.1 b gathers

Gambar 1.3 data gathers terkoreksi-NMO pada
data stak (a)sebelum dekonvolusi (b)setelah
dekonvolusi. Dekonvolusi dapat menghilangkan
efek ring pada data


Gambar 1.4 Dekonvolusi dapat membantu
membedakan reflector dengan baik (a) sebelum
dekonvolusi (b) setelah dekonvolusi

Gambar 1.5 data seismic stak CMP (a) tanpa
dekonvolusi sebelum stak (b) dengan dekonvolusi
spiking sebelum stak

Koefisien refleksi
Koefisien refleksi adalah perbandingan amplitudo pulsa terpantul
terhadap amplitudo pulsa datang. Bila lintasan pulsa normal terhadap
bidang batas, maka koefisien refleksinya dapat dihitung dari persamaan,
(1.1)
dengan A
r
= amplitudo pulsa terpantul,
A
i
= amplitudo pulsa datang, dan V adalah kecepatan dan densitas pada
masing-masing indek lapisan.
R
A
A
V V
V V
r
i
= =

+


2 2 1 1
2 2 1 1
Polaritas Pulsa Terpantul
Koefisien refleksi dapat bernilai antara -1 dan +1, bila R = 0, berarti tidak
terjadi pemantulan. Perjanjian mengenai polaritas adalah,

1. Untuk hydrophone (peka terhadap tekanan), kompresi adalah positif dan
merenggang adalah negatif.
2. Untuk geophone (peka terhadap kecepatan), gerakan partikel dalam arah
rambat gelombang adalah positif, bila berlawanan dengan arah rambat gelombang
adalah negatif.

Estimasi Wavelet
1. Dekonvolusi
Sebuah trace seismik s(t) berasal dari konvolusi antara wavelet
w(t) dengan stikogram r(t), ditulis sebagai w(t) * r(t) = s(t). Di
dalam transformasi Z ditulis
W(z).R(z) = S(z)
(1.2)
Jika kita punya log stikogram R(z) dari sumur dan trace seismik
(tanpa noise) S(z), maka dengan pembagian polinomial dapat
dihitung wavelet w(z), yaitu
(1.3)

Kemudian wavelet w(t) diperoleh melalui transformasi Z balik
terhadap W(z) tersebut.
W z
S z
R z
( )
( )
( )
=
2. Auto korelasi
Trace seismik secara normal
mengandung banyak wavelet
refleksi, walaupun berbeda
kuat, posisi dan polaritasnya,
kita anggap mempunyai
bentuk dasar yang sama.
Sehingga auto korelasi wavelet
akan sama dengan auto
korelasi trace-trace pada
bagian tengahnya. Bagian
tengah di sini artinya bagian
yang terletak antara -L/2 dan
+L/2 dengan L adalah panjang
pulsa perpantul (daerah
wavelet refleksi).
3. Deterministik
Pada survey lepas pantai (marine)
biasanya ditempatkan sebuah
hydrophone beberapa meter di bawah
sumber seismik, agar dapat merekam
sinyal sumber yang ke bawah. Dari
sinyal tersebut dapat digunakan untuk
mengestimasi efek serapan dan bentuk
wavelet terpantul.
4. Analitik
Bentuk wavelet dapat diperoleh dari analisis atau
dibuat wavelet tiruan, seperti wavelet Klauder (pada
vibroseis) dan wavelet Ricker. Wavelet Klauder
adalah auto korelasi dari sinyal sweep vibroseis,
sedangkan wavelet Ricker dibuat berdasarkan rumus,

(1.4)

dengan x = t f t, dan f adalah frekuensi t waktu
rambat.

R t x e
x
( ) ( ). =

1 2
2
2
Data Sumur
Data sumur yang diperlukan adalah log sonic, chek shot dan log
densitas. Data yang ideal tentu bebas noise, baik noise instrumen, efek
caving maupun noise koheren dan random lainnya.

Dari data sumur sering diperoleh data log bagian atas dan data log
bagian bawah tidak sama antara log sonic dengan log densitas,
sehingga pada kedalaman tertentu salah satu datanya tidak lengkap
(biasanya data densitas yang tidak ada). Untuk mengatasi hal yang
demikian dianggap data densitas konstan.

Chek shot sangat diperlukan untuk koreksi waktu dan kalibrasi waktu
sampel sonic dimulai. Nilai koreksi ini disebut drift yang besarnya
dapat positif atau negatif. Chek shot yang baik diperoleh dari sumur
yang sama, karena sering diperoleh data sonic dari sumur A, sedangkan
data chek shotnya dari sumur B, walaupun sumur tersebut berdekatan.
Namun demikian apabila tidak terdapat chek shot pada sumur
tersebut, maupun pada sumur-sumur yang berdekatan dapat pula
dilakukan pencocokan secara manual dengan menggeser-geser skala
waktu sedemikian rupa sehingga diperoleh persesuaian yang cukup
baik.

Filter frekuensi, Inversi dan F-K
Data seismik mengandung informasi sinyal yang harus terjaga
selama dalam pemrosesan, tetapi data tersebut juga
mengandung noise yang harus dihilangkan atau dikurangi
karena noise tersebut akan mengaburkan informasi. Proses
menjaga sinyal agar tetap utuh dan peredaman noise disebut
sebagai filtering (penapisan) .
Dalam survey seismik pantul, noise yang masuk dapat
bersifat koheren atau random. Noise koheren seperti gelombang
permukaan, gelombang langsung, gelombang bias, multiple dan
lain-lainnya sifatnya dapat dipelajari. Sedangkan noise random
sumber dan wataknya tidak jelas, namun demikian dapat
dimatikan atau diredam dalam proses-proses selanjutnya.
Penapisan bekerja berdasarkan operasi konvolusi, dalam
kawasan frekuensi telah dikenal filter band pass, low pass, high
pass maupun notch. Penentuan akan frekuensi yang harus
diredam, berdasarkan hasil analisis sinyal baik melalui
transformasi Fourier, transformasi f-k, maupun tes filter
langsung.

Jenis Filter 1 Dimensi

a. Band Pass Filter b. High Pass/Low Cut
filter









c. Low Pass /High Cut filter d. Notch filter









Gambar 6.1. Berbagai jenis filter frekuensi satu dimensi
h t f t g t f s g t s ds ( ) ( ) ( ) ( ) ( ) = - =

}
h f g f g
t t t s t s
s
= - =

=

.



Filter Inversi
Lintasan rambatan dua kali waktu
rambat (two way time) melalui
lapisan air adalah kAt dimana At
adalah interval sampel.
Bidang batas antara udara-air
merupakan reflektor yang hampir
sempurna, sehingga dapat
dianggap koefesien refleksinya -1
dan koefesien refleksi dasar air
adalah r. Normalisasi amplitudo
pulsa yang ke bawah di bawah
lapisan air adalah 1, -r, r
2
, -r
3
, ...
dengan waktu interval kAt ( k = 0,
1, 2, 3, ...).

Jika pulsa yang ke bawah tsb dipantulkan
kembali ke permukaan, maka pulsa
tersebut akan muncul melalui lapisan air
dan terreverberasi (terpantul berulang-
ulang) di dalam lapisan air (gambar 6.5.).
Dengan melakukan normalisasi, maka
pulsa yang muncul pertama amplitudonya
1 dan yang muncul kemudian adalah -2r,
3r
2
, -4r
3
, 5r
4
, .... dengan interval waktu
kAt. Amplitudo tersebut di dalam
transformasi Z dituliskan sebagai,

G(z) = 1 - 2rZ
k
+ 3r
2
Z
2k
- 4r
3
Z
3k
+ 5r
4
Z
4k
- .....


Filter inverse transformasi Z adalah
g
t
* h
t
= o
t
; o
t
=1, t = 0
= 0, 0<t<0
G(z).H(z) = 1
atau



Dengan pembagian polinomial akan diperoleh,

H(z) = 1 + 2rZ
k
+ r
2
Z
2k


h
t
= ( 1, 2r, r
2
)

Filter h
t
ini dapat menghilangkan efek reverberasi tersebut di atas
yang sering muncul pada survey lepas pantai (marine) dan disebut
sebagai filter Backus atau prediktif filter
H z
G z
rZ r Z r Z
k k k
( )
( )
......
=
+ +
1
1
1 2 3 4
2 2 3 3
=
Filter inverse transformasi Z adalah
g
t
* h
t
= o
t
; o
t
=1, t = 0
= 0, 0<t<0
G(z).H(z) = 1
F-K Filter
Adanya kecepatan semu (apparent velocity) yang diberikan oleh

dan hubungan V = f. maka dapat dituliskan,

Sehingga untuk suatu kecepatan V
a
, dapat diplot frekuensinya terhadap bilangan gelombang
k
a
yang grafiknya berupa garis lurus. k
a
akan positif atau negatif bergantung pada arah
kecepatan V
a
. Untuk gelombang yang merambat vertikal k
a
= 0 dan V
a
= pada kurva f-k
akan berada di sepanjang sumbu f.

Pada umumnya sinyal refleksi mempunyai beberapa kecepatan semu V
a
> V
nimimum
, sehingga
sinyal pantulnya terletak dekat dengan sumbu f seperti yang ditunjukkan oleh gambar 6.6.
Dengan demikian sesungguhnya dikehendaki fungsi

F(f, k
a
) = 1 pada /k
a
/ < 2tf/V
nimimum
untuk sinyal dan


= 0 pada /k
a
/ > 2tf/V
nimimum
untuk noise


V
x
t
V
a
o
= =
A
A sino
V f
f
k
a
a
a
= = 2
2
2
t

t
t

Fungsi data dalam kawasan f-k, F(f, k
a
) merupakan hasil transformasi Fourier
dua dimensi dari data yang berada dalam kawasan waktu f(x,t), yaitu




atau


karena f(x,t) harus riel sehingga diambil cosinusnya.

f x t F f k e dk df
f
f
a
k
k
j k x ft
a
N
N
N
N
a
( , ) ( , ).
( )
=

+
+
} }
1
2
2
t
t
f x t k x ft dk df
a a
k
k
f
f
N
N
N
N
( , ) cos( ) = +

} }
1
2
2
t
t
Konvolusi f(x,t) dengan masukan g(x,t) yang berisi sinyal+noise memberikan
keluaran h(x,t), yaitu



untuk data digital,


h x t g x t f x t
g s f x t s ds d
( , ) ( , ) ( , )
( , ) ( , )
= -

} }
= o o o
h g f
x t m n x m t n
n m
, , ,
. =

Filter Wiener, Spike dan Prediktif
Efek suatu filter ditentukan oleh watak respon sistem filter
terhadap suatu pulsa, artinya jika diketahui watak respon
suatu filter terhadap pulsa, maka dapat ditentukan
keluarannya untuk sebarang pulsa masukan.

Proses filter inversi adalah untuk menghapuskan efek filter
sebelumnya (misal, oleh sistem filter bumi, lapisan air laut
dan lain lain.), disebut sebagai dekonvolusi. Filter Wiener
merupakan metode dekonvolusi yang dapat merubah wavelet
seismik menjadi bentuk spike atau mendekati spike. Metode
ini menggunakan cara meminimumkan beda/kesalahan
(least square error) antara keluaran wavelet seismik
sebenarnya (dari rekaman lapangan) dengan keluaran
wavelet seismik yang diharapkan/diinginkan.

Keluaran wavelet seismik yang diinginkan dapat berupa
spike atau spike dengan waktu tunda dan lain sebagainya.
Jika efek dari filter sebelumya tidak muncul sinyal/pulsa
yang dinginkan, maka filter baru harus dirancang
sedemikian rupa sehingga memberikan respon pulsa impuls
(spike) setajam mungkin.
Filter Wiener
Andaikan diberikan data masukan g
t
, dan filter yang telah ada (bisa
juga yang akan dirancang) adalah f
t
serta keluaran yang diinginkan
adalah h
t
, maka hasil keluaran sebenarnya dari masukan tersebut (g
t

* f
t
). Kesalahan atau perbedaan antara hasil sebenarnya (g
t
* f
t
)
dengan keluaran yang diinginkan h
t
adalah,
h
t
-

(g
t
* f
t
)

Dengan metode least square akan dioptimasi nilai elemen-elemen
filter f
t
sedemikian rupa sehingga kesalahan/perbedaan tersebut nol
atau minimum.
c
cf
h g f i n
i
t t t
t
( ) - =

2
0 0 1 2 3 = , , , , ...
2 0
0
( ) ( )
( ) ( )
h g f
f
g f
h g f
f
g f
t t t
i
t t
t
t t t
i
t t
t
- - =
- - =

c
c
c
c

Dalam bentuk konvolusi


hanya bentuk yang mengandung g
t-i
saja di dalam konvolusi
yang menyangkut f
i
pada suku derivatif di atas, maka persamaan
tersebut dapat dituliskan sebagai,

atau

Ruas kiri adalah bentuk korelasi silang


dan ruas kanan bila disubstitusikan indek j=(t-k) dan jumlah
seluruh j menggantikan k, akan menjadi

yang merupakan perubahan urutan.

( . ) ( . ) h g f
f
g f
t
k
k t k
i k
k t k
t
=

c
c
0
( . ) h g f g
t
k
t t k t i
t
=

0
h g g g f
t
t
t i k t i t k
k i

= .

gh t
t
t i
i h g ( ) . =

gh t j t i j
j
j
j
t j t i
i i
i g g f f g g ( ) . = =

Wiener Filter
Suku adalah auto korelasi pada posisi (i-j),
gg
(i-j). Sehingga
diperoleh persamaan normalnya berupa,






atau

Jadi elemen-elemen matrik A adalah auto korelasi data masukan g
t
, dan
elemen matrik c adalah korelasi silang antara masukan g
t
dengan keluaran
yang diinginkan h
t
. Sedangkan elemen-elemen matrik f adalah nilai filter
yang akan dicari.

g g
t j t i
i

.

gg gg gg
gg gg gg
gg gg gg n
gh
gh
gh
n
n
n n
f
f
f n
( ) ( ) ... ( )
( ) ( ) ... ( )
... .... ... ...
( ) ( ) ... ( )
...
( )
( )
...
( )
0 1
1 0 1
1 0
0
1
0
1

=
A f c . =
Dekonvolusi Spike
Di dalam penapisan dengan dekonvolusi spike,
diharapkan bahwa wavelet yang keluar berupa spike
(zero lag spike) yaitu (1, 0, 0, 0, 0, ...). Proses tersebut
disebut Wiener Spiking Filter. Dengan demikian
bentuk matrik pada persamaan di atas akan menjadi,

gg gg gg
gg gg gg
gg gg gg
n
gh
n
n
n n
f
f
f
( ) ( ) ... ( )
( ) ( ) ... ( )
... .... ... ...
( ) ( ) ... ( )
...
( )
...
0 1
1 0 1
1 0
0
0
0
0
1

=
Contoh :
Diberikan wavelet masukan g
t
= (4, -2, 1), dan keluaran yang
diharapkan berupa spike yakni, h
t
= (1, 0, 0), maka filter yang akan dicari
adalah


dengan A
-1
= matrik inversi dari matrik A, yang elemennya fungsi auto
korelasi data masukan dan matrik c adalah korelasi silang antara masukan
g
t
dengan keluaran yang diinginkan h
t
.

Elemen matrik A :
gg
(i-j) =


(i-j) = 0,
gg
(0) =

(i-j) = 1,
gg
(1)

(i-j) = 2,
gg
(2)

f A c =
-1
g g
t t i j
t
n
+
=

0
g g g g g g g g
t t
t =

= + + = + + =
0
2
0 0 1 1 2 2
4 x 4 ( 2) x ( 2) 1 x 1 21
= + + = + + = g g g g g g
0 1 1 2 2 3
4 x (-2) ( 2) x 1 1 x 0 10
= + + = + + = g g g g g g
0 2 1 3 2 4
4 4 x 1 ( 2) x 0 1 x 0
Karena auto korelasi sifatnya simitri, maka


gg
(-1) =
gg
(1)
gg
(-2) =
gg
(2)
dengan demikian diperoleh matrik A , yaitu




Inversi matrik A dihitung melalui

A
-1
=


dengan adj A = (kofaktor A)
T



Maka diperoleh

A =

21 10 4
10 21 10
4 10 21
adj A
A
A

=
1
0 062 0 031 0 003
0 031 0 0775 0 031
0 003 0 031 0 062
, , ,
, , ,
, , ,
Elemen-elemen matrik c :

(i) = 0,
gh
(0) =

(i) = 1,
gh
(1)

(i) = 2,
gh
(2)

Sehingga matrik c



Dengan demikian elemen-elemen matrik f dapat dihitung, yakni





jadi filter yang dicari adalah f = ( 0,248 ; 0,124 ; 0,012 )

gh t
t
t i t
t
t i
i h g g h ( ) . . = =

g g g h g h g h
t t i
t
+
=

= + + = + + =
0
2
0 0 1 1 2 2
4 x 1 ( 2) x 0 1 x 0 4
0
3 2 2 1 1 0
= + + = h g h g h g
= + + = g h g h g h
0 2 1 3 2 4
0
c =
4
0
0
f A c =
-1
0 062 0 031 0 003
0 031 0 0775 0 031
0 003 0 031 0 062
4
0
0
0 248
0124
0 012
, , ,
, , ,
, , ,
,
,
,
=
Filter f tersebut dikenakan pada wavelet masukan sehingga
diperoleh keluaran sebenarnya,

h
sebenarnya
= g
t
* f
t
= (4, -2, -1) * ( 0,248 , 0,124 , 0,012 )
= (0,992 ; 0; 0,048 ; 0; 0,012)

Kesalahannya dihitung menurut rumus,

error = h
2

sebenarnya
- h
2

yg diinginkan


= (0,992)
2
+ (0,048)
2
+ (0,012)
2
- 1
2

= 0,0135 atau 1,35 %.



Dekonvolusi Prediktif
Dekonvolusi prediktif (gapped) adalah suatu filter yang berusaha
menghilangkan efek multipel. Prediksi waktu tunda (gap) filter ini
dapat diperkirakan dari selisih waktu tiba rambatan gelombang pantul
utama (primer) terhadap waktu tiba rambatan gelombang multipelnya.
Operator dekonvolusi prediktif serupa dengan filter Wiener di depan,
hanya data keluarannya untuk sinyal utama harus terjaga baik, dan nol
untuk sinyal multipelnya (phase multipel selisih 180
o
terhadap phase
sinyal utama).

Dengan demikian pada waktu tunda tertentu L ( = prediction lag ) filter
ini harus mempunyai efek mereduksi amplitudo multipel. Oleh karena
itu digunakan auto korelasi
gg
setelah waktu tunda L (dari
gh
) pada
keluarannya. Sehingga persamaan normalnya menjadi,



gg j
j
n
gg
i j f L i ( ) ( ) = +
=

0
Dekonvolusi Prediktif
dalam bentuk matrik,










Persamaan ini akan memberikan filter prediksi yang panjangnnya n+1
dan waktu tunda (gap) L. Secara grafis operasi dekonvolusi prediktif
ini dapat di-ilustrasikan pada gambar 7.1.

gg gg gg
gg gg gg
gg gg gg
gg gg gg
gg gg gg
L
L
n
gg
gg
gg
gg
n
n
L L L n
L L L n
n n
f
f
f
f
f
L
L
( ) ( ) ... ( )
( ) ( ) ... ( )
... ... ... ...
( ) ( ) ... ( )
( ) ( ) ... ( )
... ..... .... ...
( ) ( ) ... ( )
...
...
( )
( )
...
( )
0 1
1 0 1
1
1 1
1 0
1
0
0
1
1

+ +

+
+

( )
...
( )
1

gg
n L



OUTLINE
Step Dekonvolusi

Prediksi Dekonvolusi

Efek Length

Pre-whitening

Multipel Atenuasi

STEP DECONVOLUSI
WAVELET ESTIMASI
CONTOH DESAIN INVERSE FILTER
STEP DECONVOLUTION
WAVE SHAPING
FREQUENCY DOMAIN
TUJUAN
Seringkali kita ingin menggunakan bagian awal sinyal untuk memprediksikan bagian berikutnya,
dalam kasus ini wavelet adalah data observasi x(t) (disebut juga autokorelasi), diprediksikan
nilai pada waktu berikutnya (t+), dimana adalah prediksi lag. Wiener menunjukkan bahwa
filter digunakan untuk estimasi x(t+) dapat dikomputasikan dengan form matriks

Prediksi Dekonvolusi
Flowchart prediksi dekonvolusi menggunakan prediksi
filter
Flowchart prediksi dekonvolusi menggunakan prediksi
error filter
Efek length
Autokorelasi matriks seringkali
eigenvalue mendekati 0
solusi sistem tidak stabil
Spektrum amplitudo bernilai
mendekati 0
Bagian-bagian dekat nilai 0
tidak stabil
Pre-whitening spektrum
Penambahan nilai eigenvalue buatan
Penambahan nilai yang kecil pada diagonal matrik
Pre-whitening
test persen prewhitening untuk single,
wavelet isolasi input dimana =
operator jarak, = prediksi lag, dan =
persen prewhitening. (a) impuls
respons, (b) seismogram dengan wavelet
sumber fasa minimum
Test persen prewhitening dimana
= operator jarak, = prediksi lag,
dan
= persen prewhitening. (a)
reflektivitas, (b) seismogram dengan
wavelet sumber fasa minimum yang
diketahui
Multiple adalah pengulangan refleksi akibat
terperangkapnya gelombang seismik
dalam air laut atau terperangkap dalam
lapisan batuan lunak.
Multiple
Masing-masing multiple akan menunjukkan morfologi
reflektor yang sama dengan reflektor primernya tetapi
waktunya berbeda
Jika wavelet adalah sebuah spike,
sinyal berasal dari lapisan permukaan
yang multipel
r koefisien refleksi 0<r<1
Model konvolusinya bebas noise pada
lapisan multipel