Pengolahan data Geofisika 2

2.1 pengenalan

Survei Geofisika mengukur variasi dari kuantitas beberapa fisik, dengan hormat baik untuk
posisi atau waktu. Kuantitas, misalnya, mungkin kekuatan Medan magnet bumi sepanjang profil
di igneus. Mungkin gerakan permukaan tanah sebagai fungsi dari waktu yang terkait dengan
berlalunya Gelombang seismik. Dalam kedua kasus, cara paling sederhana untuk pra-dikirim
adalah data untuk membuat grafik (Fig. 2.1) menampilkan vari-ASI kuantitas diukur sehubungan
dengan jarak atau waktu yang sesuai. Grafik akan menampilkan beberapa lebih atau kurang
kompleks gelombang bentuk, yang akan mencerminkan fisik variasi dalam geologi mendasari,
superim-berpose pada variasi yang tidak diinginkan dari fea-tures bebas-Geologi (seperti efek
kabel listrik di magnetik contoh, atau getaran dari lalu lintas untuk kasus seismik yang lewat),
instrumental ketidaktepatan dan data col-lection kesalahan. Bentuk rinci dari bentuk gelombang
mungkin tidak menentu kesulitan dalam interpolasi kurva antara Stasiun luas spasi. Geofisika
tugas adalah untuk memisahkan the'signal' the'noise' dan menafsirkan sinyal dalam hal struktur
tanah.
Analisis dari bentuk gelombang seperti ini mewakili es - sential aspek Geofisika pengolahan data
dan inter-pretation. Dasar fisika dan matematika dari analisis semacam itu bukanlah novel,
sebagian karena telah ditemukan di 19 atau awal abad ke-20. Menggunakan ide-ide ini juga
meluas di daerah lain teknologi seperti radio, televisi, rekaman suara dan video, radio-astronomi,
Meteorologi dan pencitraan medis, serta aplikasi militer seperti radar, sonar, dan pencitraan
satelit. Sebelum ketersediaan umum digital com - menempatkan, kuantitas data dan kompleksitas
proses sangat terbatas penggunaan dikenal tech-niques. Hal ini tidak lagi berlaku dan hampir
semua tech-niques dijelaskan dalam bab ini dapat dilaksanakan dalam program-program
spreadsheet komputer standar.
Prinsip-prinsip dasar di mana berbagai metode analisis data didasarkan dibawa bersama-sama
dalam bab ini. Ini disertai dengan sebuah diskusi tentang teknik pemrosesan data digital oleh
komputer yang secara rutin digunakan oleh ahli geofisika. Seluruh bab ini, bentuk gelombang
dirujuk sebagai fungsi dari waktu, tetapi prinsip-prinsip yang dibahas sama berlaku untuk fungsi
jarak. Dalam kasus terakhir, frekuensi (num-ber gelombang siklus per satuan waktu) digantikan
oleh frekuensi spasial atau wavenumber (jumlah gelombang siklus per satuan jarak).
2.2 digitalisasi data Geofisika

Bentuk gelombang Geofisika menarik umumnya adalah fungsi contin-uous (analog) atau jarak
waktu. Untuk menerapkan kekuatan komputer digital tugas analisis, data harus dinyatakan dalam
bentuk digital, apapun bentuk di mana mereka awalnya direkam.
Fungsi kontinu, halus atau jarak waktu dapat dinyatakan secara digital oleh sampling fungsi pada
interval tetap dan merekam nilai seketika fungsi pada setiap titik pengambilan sampel. Dengan
demikian, fungsi analog f(t) waktu yang ditunjukkan pada gambar 2.2(a) dapat tersembunyi
mewakili-sented sebagai g(t) fungsi digital yang ditampilkan dalam Fig. 2.2(b) di mana Fungsi
kontinu telah digantikan oleh serangkaian nilai-nilai diskrit tetap, sama, interval waktu. Proses
ini melekat dalam banyak survei geofisika, mana bacaan yang diambil dari nilai beberapa
parameter (misalnya Medan magnet) pada titik-titik sepanjang garis survei. Sejauh mana digital
nilai setia tersembunyi mewakili - dikirim bentuk gelombang asli akan tergantung pada akurasi
pengukuran amplitudo dan interval antara sampel yang diukur. Menyatakan lebih formal, dua
ayat ini-meter dari sistem digitizing adalah sampling presisi (rentang dinamis) dan frekuensi
sampling.
Rentang dinamis adalah sebuah ekspresi dari rasio amplitudo terukur terbesar Amax untuk
terkecil terukur amplitudo Amin dalam fungsi sampel. Semakin tinggi dinamis rentang, semakin
setia variasi amplitudo gelombang analog akan diwakili dalam versi digital dari bentuk
gelombang. Rentang dinamis biasanya disajikan dalam skala desibel (dB) digunakan untuk Di
komputer digital, digital sampel dinyatakan dalam
bentuk biner (yaitu mereka terdiri dari urutan menggali-nya yang memiliki nilai 0 atau 1). Digit
biner setiap dikenal sebagai sedikit dan urutan bit mewakili nilai sampel dikenal sebagai sebuah
kata. Jumlah bit dalam
setiap kata menentukan rentang dinamis digitized gelombang. Sebagai contoh, berbagai dinamis
60 dB memerlukan kata-kata 11-bit sejak rasio sesuai amplitudo 1024 (= 210) diterjemahkan
sebagai 10000000000 dalam
bentuk biner. Rentang dinamis 84 DB mewakili rasio amplitudo 214 dan, karenanya,
mengharuskan sampling dengan kata-kata 15-bit. Dengan demikian, meningkatkan jumlah bit
dalam setiap kata dalam digital sampling meningkatkan jangkauan dinamik fungsi digital.
Frekuensi sampling adalah jumlah titik-titik contoh dalam satuan waktu atau satuan jarak. Secara
intuitif, mungkin muncul bahwa sampling digital Fungsi kontinu mau tidak mau mengarah ke
hilangnya informasi dalam func digital resultan-tion, karena yang terakhir hanya ditentukan oleh
nilai-nilai diskrit pada serangkaian poin. Lagi secara intuitif, akan ada tidak ada
kerugian yang signifikan informasi konten selama fre-quency sampling jauh lebih tinggi
daripada komponen frekuensi tertinggi dalam fungsi sampel. Mathe - matically, dapat
membuktikan bahwa, jika gelombang sinus kurva, ini dapat selalu direkonstruksi asalkan ada
minimal dua sampel per periode gelombang sinus.
Dengan demikian, jika gelombang sampel milidetik setiap dua (sampling interval), frekuensi
sampling adalah sam-ples 500 per detik (atau 500 Hz). Sampling pada tingkat ini akan menjaga
semua frekuensi hingga 250 Hz dalam fungsi sampel.
Indonesian
English
Jika frekuensi di atas frekuensi Nyquist pra-dikirim dalam fungsi sampel, bentuk yang serius dari
distorsi hasil dikenal sebagai aliasing, di mana frekuensi yang lebih tinggi
komponen 'dilipat kembali' ke Nyquist interval.
Pertimbangkan contoh diilustrasikan pada gambar 2.3 di mana
Gelombang sinus pada frekuensi yang berbeda dicicipi. The
gelombang frekuensi rendah (Fig. 2.3(a)) adalah akurat repro -
duced, tapi gelombang frekuensi yang lebih tinggi (Fig. 2.3(b), padat
jalur) dituliskan sebagai frekuensi fiktif, ditunjukkan oleh
garis putus-putus, dalam Nyquist interval. Hubungan-
kapal antara input dan output frekuensi dalam hal frekuensi sampling 500 Hz ditampilkan dalam
Fig. 2.3(c). Itu jelas bahwa frekuensi masukan 125 Hz, ujian-ple, masih dipertahankan dalam
output tetapi bahwa frekuensi masukan 625 Hz dilipat kembali ke menjadi output di 125 Hz juga.
Untuk mengatasi masalah aliasing, frekuensi sampling harus setidaknya dua kali sebagai tinggi
sebagai komponen fre-quency tertinggi yang hadir dalam fungsi sampel. Jika fungsi berisi
frekuensi di atas frekuensi Nyquist ditentukan oleh sampling, itu harus melewati sebuah filter
antialias sebelum digitalisasi. Antialias filter adalah frekuensi rendah-pass filter dengan cut-off
tajam yang menghilangkan komponen-komponen frekuensi di atas frekuensi Nyquist, atau
melemahkan mereka ke tingkat yang signifikan amplitudo.
2.3 analisis spektral

Ada matematika perbedaan penting antara bentuk gelombang periodik (Fig. 2.4(a)), yang
mengulang sendiri pada jangka waktu tetap T, dan bentuk gelombang sementara (Fig. 2.4(b)),
non-berulang. Dengan menggunakan teknik matematika analisis gelombang periodik setiap,
namun kompleks, mungkin mengeluarkannya menjadi serangkaian sinus (atau kosinus)
gelombang frekuensi adalah integer kelipatan dari dasar pengulangan frekuensi 1/T, dikenal
sebagai dasar frekuensi. Lebih tinggi frekuensi com-ponents, pada frekuensi n t (n = 1, 2, 3,...),
dikenal sebagai harmonik. Gelombang kompleks ara.
2.5(a) dibangun dari penambahan dua komponen individu gelombang sinus ditampilkan. Untuk
mengungkapkan setiap gelombang dalam hal komponennya konstituen gelombang sinus, hal ini
diperlukan untuk menentukan tidak hanya frekuensi masing-masing com-ponent tetapi juga
dengan amplitudo dan fase. Jika dalam contoh di atas relatif amplitudo dan fase hubungan
gelombang sinus individu diubah, penjumlahan dapat
menghasilkan gelombang sangat berbeda yang digambarkan dalam
2.5(b) gambar.
Dari di atas maka bahwa gelombang periodik dapat dinyatakan dalam dua cara berbeda: dalam
domain waktu akrab, mengungkapkan amplitudo gelombang sebagai fungsi dari waktu, atau
dalam frekuensi domain, mengungkapkan amplitudo dan fase gelombang sinus konstituen
sebagai fungsi frekuensi. Bentuk gelombang yang ditampilkan dalam Fig. 2.5(a) dan (b) diwakili
dalam gambar 2.6(a) dan (b) dalam hal mereka am-plitude dan fase spektrum. Ini spektrum,
dikenal sebagai garis spektrum, terdiri dari serangkaian nilai-nilai diskrit komponen amplitudo
dan fase dari bentuk gelombang frekuensi set nilai didistribusikan antara 0 Hz dan frekuensi
Nyquist.
Bentuk gelombang sementara tidak mengulangi sendiri; Begitulah, mereka memiliki jauh lama.
Mereka mungkin re-garded, dengan analogi dengan gelombang periodik, memiliki frekuensi
mendasar yang sangat kecil (1/T Æ
0) dan, akibatnya, harmonik yang terjadi di infinitesi - mally kecil frekuensi interval untuk
memberikan spektrum am-plitude dan fase yang terus-menerus daripada garis-garis spektrum
bentuk gelombang periodik. Namun, mustahil untuk mengatasi analitis dengan spektrum yang
mengandung ber num terbatas komponen gelombang sinus. Digitalisasi dari bentuk gelombang
dalam waktu domain (Bagian 2.2) menyediakan sarana berurusan dengan spectra terus menerus
sementara gelombang-bentuk. Gelombang sementara digital sampel telah sprktrumnya amplitudo
dan fase yang dibagi ke dalam sejumlah
iris tipis frekuensi, dengan setiap irisan yang memiliki frekuensi yang sama dengan frekuensi
berarti potongan dan amplifier-tude dan fase sebanding daerah sepotong spektrum sesuai
(gambar 2.7). Ungkapan ini digital spektrum berkelanjutan dalam hal jumlah terbatas komponen-
komponen frekuensi diskrit menyediakan representasi perkiraan dalam frekuensi domain
gelombang sementara dalam waktu domain. Meningkatkan frekuensi sampling di domain waktu
tidak hanya meningkatkan waktu-domain representasi dari bentuk gelombang, tetapi juga
meningkatkan jumlah irisan frekuensi domain frequen-cy dan meningkatkan akurasi approxima-
tion di sini juga.
Transformasi Fourier dapat digunakan untuk mengkonversi waktu fungsi g(t) ke yang setara
amplitudo dan fase spektrum A (f) dan f (f), atau ke fungsi yang kompleks dari frekuensi G (f)
dikenal sebagai spektrum frekuensi
Penggambaran waktu dan frekuensi domain
gelombang, g(t), dan G (f), dikenal sebagai sepasang Fourier, diwakili oleh notasi
Komponen dari sepasang Fourier dipertukarkan, sedemikian rupa sehingga, jika G (f) adalah
transformasi Fourier g (t), maka g(t) adalah transformasi Fourier G (f). Sosok Ilus-trates 2.8
Fourier pasangan untuk berbagai bentuk gelombang signifikansi Geofisika. Contoh-contoh yang
digambarkan memiliki spektrum tahap nol; yaitu komponen individu gelombang sinus bentuk
gelombang berada dalam tahap saat nol. Dalam kasus f (f)
= 0 untuk semua nilai angka f. 2.8(a) menunjukkan lonjakan func-tion (juga dikenal sebagai
fungsi Dirac), yang adalah gelombang sementara mungkin terpendek. Transformasi Fourier
menunjukkan bahwa fungsi spike memiliki spektrum frekuensi yang terus-menerus konstan
amplitudo dari nol hingga tak terbatas; dengan demikian, fungsi spike berisi semua frekuensi dari
nol hingga tak terbatas di amplitudo sama. The'DC bias'waveform dari gambar 2.8(b) memiliki,
seperti yang diharapkan, garis spektrum yang terdiri dari satu komponen pada frekuensi nol.
Catatan bahwa gambar 2.8(a) dan (b) menunjukkan prinsip interchangeability Fourier pasangan
yang dinyatakan di atas (equa-tion (2.4)). 2.8(c) angka dan (d) menggambarkan bentuk
gelombang sementara yang mendekati bentuk gelombang seismik, bersama dengan spectra
amplitudo mereka. Keduanya memiliki spektrum band-terbatas amplitudo, spektrum sempit
bandwidth yang dikaitkan dengan gelombang sementara lagi. Secara umum, semakin pendek
pulsa waktu lebih luas adalah dengan frekuensi bandwidth dan dalam kasus membatasi pulsa
spike memiliki bandwidth yang tak terbatas.
Bentuk gelombang dengan spectra tahap nol seperti-trated Ilus di Fig. 2.8 simetris tentang waktu
sumbu dan, untuk setiap spektrum amplitudo tertentu, menghasilkan amplitudo puncak
maksimum dalam gelombang yang dihasilkan. Jika fase linier bervariasi dengan frekuensi,
gelombang re-induk tidak berubah dalam bentuk tetapi dipindahkan dalam waktu; Jika fase
variasi dengan frekuensi ini non-linier bentuk gelombang yang berubah. Kasus yang sangat
penting dalam pemrosesan data seismik adalah fase spektrum terkait dengan minimum
penundaan, di mana ada con-centration maksimum energi di ujung depan dari bentuk
gelombang. Analisis seismik pulsa kadang-kadang mengasumsikan bahwa mereka menunjukkan
minimum penundaan (Lihat Bab 4).
Transformasi Fourier bentuk gelombang digitized mudah diprogram untuk komputer,
menggunakan 'transformasi Fourier cepat' algoritma (FFT) seperti dalam metode Cooley – Tukey
(Brigham 1974). FFT subrutin demikian dapat
rutin dibangun ke dalam pengolahan data program untuk melaksanakan analisis spektral
dari bentuk gelombang Geofisika.
Transformasi Fourier disediakan sebagai fungsi untuk standar spreadsheet seperti Microsoft
Excel. Transformasi Fourier dapat diperpanjang ke dalam dua dimensi (Rayner 1971), dan
dengan demikian dapat diterapkan ke areal
Ting distribusi-
tions data seperti gravitasi dan peta kontur magnetik.
Dalam kasus ini, variabel waktu digantikan oleh jarak horizontal dan variabel frekuensi oleh
wavenumber (jumlah gelombang siklus per satuan jarak). Penerapan dua dimensi Fourier teknik
interpretasi data lapangan potensial yang dibahas dalam Bab 6 dan 7.
2.4 gelombang pengolahan
Prinsip-prinsip lilitan, deconvolution dan cor-hubungan membentuk dasar umum untuk banyak
metode pengolahan data geofisika, terutama di bidang seis-mic refleksi survei. Mereka
diperkenalkan di sini dalam istilah umum dan disebutkan secara ekstensif dalam bab-bab
kemudiannya. Pentingnya mereka adalah bahwa mereka secara kuantitatif de-scribe bagaimana
gelombang dipengaruhi oleh filter. Penyaringan memodifikasi gelombang oleh membedakan
antara komponennya gelombang sinus con-stituent untuk mengubah mereka relatif am-plitudes
atau fase hubungan, atau keduanya. Kebanyakan sistem audio dilengkapi dengan sederhana filter
untuk mengurangi tinggi-

frekuensi 'desisan', atau untuk menekankan frekuensi rendah

'bass'. Penyaringan adalah karakteristik yang melekat dari setiap sistem di mana sinyal
ditransmisikan.

2.4.1 lilitan

Lilitan (Kanasewich 1981) adalah operasi matematika mendefinisikan perubahan bentuk

gelombang yang dihasilkan dari bagian melalui sebuah filter. Dengan demikian, untuk mantan-
cukup, sebuah pulsa seismik yang dihasilkan oleh ledakan yang berubah dalam bentuk dengan
menyaring efek, baik di tanah maupun di sistem pencatatan, sehingga seismogram (output
disaring) berbeda signifikan dari gelombang seismik awal (input).
Sebagai contoh sederhana penyaringan, mempertimbangkan berat ditangguhkan dari akhir
musim semi vertikal. Jika puncak musim semi terganggu oleh tajam down bergerak-ment (input),
gerakan berat (output disaring) adalah serangkaian teredam osilasi phase dengan gangguan awal
(Fig. 2.9).
Efek dari filter dapat dikategorikan oleh dorongan yang
respon yang didefinisikan sebagai output dari filter ketika input adalah fungsi spike (Fig. 2.10).
Impuls re-
respon adalah gelombang di domain waktu, tetapi dapat berubah ke domain frekuensi untuk
setiap gelombang lain. Transformasi Fourier impuls re-sponse dikenal sebagai fungsi transfer
dan ini menunjukkan amplitudo dan fase respon filter, dengan demikian mendefinisikan operasi
benar-benar. Efek dari filter digambarkan secara matematis melalui operasi lilitan sedemikian
rupa sehingga, jika input sinyal g(t) penyaring yang convolved dengan f(t) respon impulse filter,
dikenal sebagai con-putaran operator
masukan paku dan skala menurut amplitudo spike individu. Karena setiap gelombang sementara
dapat diwakili sebagai serangkaian lonjakan fungsi (Fig. 2.11(e)), bentuk umum output yang
disaring (Fig. 2.11 (f)) dapat dianggap sebagai penjumlahan dari serangkaian tanggapan
dorongan yang berkaitan
suksesi paku simulasi keseluruhan bentuk gelombang masukan.
Pelaksanaan matematika lilitan melibatkan waktu inversi (atau lipat) dari salah satu func-tions
dan progresif yang meluncur melewati fungsi lainnya, istilah-istilah individu dalam output
convolved menjadi de - rived oleh penjumlahan
Produk cross-multiplication atas bagian yang tumpang tindih dua fungsi
Indonesian
English
Dalam gambar 2.12 langkah-langkah individu dalam proses lilitan akan ditampilkan untuk dua
digital fungsi, fungsi ganda lonjakan yang diberikan oleh gi = g1, g2, g3 = 2, 0, 1 dan im -
pulsa fungsi respon yang diberikan oleh fi = f1, f2, f3, f4 = 4, 3, 2,
1, mana angka merujuk pada nilai-nilai amplitudo diskrit
pada titik pengambilan sampel dua fungsi. Dari ara.
2.11 dapat dilihat bahwa yi convolved output = y1, y2, y3, y4, y5, y6 = 8, 6, 8, 5, 2, 1. Perhatikan
bahwa convolved output lebih lama dari bentuk gelombang-masukan; Jika func-tions untuk
menjadi convolved memiliki panjang m dan n, output con-volved memiliki panjang (m + n - 1).
Lilitan dari dua fungsi dalam domain waktu menjadi semakin susah payah sebagai fungsi
menjadi
lagi. Khas aplikasi Geofisika mungkin memiliki func-tions yang masing-masing dari 250 ribu
beberapa sampel panjang. Hasil matematika yang sama dapat diperoleh dengan mengubah fungsi
ke domain frekuensi, kemudian mengalikan setara frekuensi penggunaan spektrum amplitudo
mereka bersama-sama dan menambahkan persyaratan spektrum tahap mereka. Yang dihasilkan
output amplitudo dan fase spec-tra dapat kemudian diubah kembali ke waktu domain. Dengan
demikian, penyaringan digital dapat diberlakukan dalam waktu yang baik
domain atau domain frekuensi. Dengan kumpulan data besar, penyaringan dengan komputer
lebih efisien dilakukan dalam frekuensi domain karena lebih sedikit matematika opera-tions yang
terlibat.
Lilitan, atau setara dengan frekuensi
domain, menemukan aplikasi yang sangat luas dalam pengolahan data geofisika, terutama dalam
penyaringan digital data lapangan seismik dan potensi dan pembangunan sintetis seismograms
untuk perbandingan dengan bidang seismograms (Lihat Bab 4 dan
6).
2.4.2 deconvolution

Deconvolution atau invers penyaringan (Kanasewich 1981) adalah proses yang melawan
sebelumnya lilitan (atau penyaringan) tindakan. Mempertimbangkan operasi lilitan diberikan
dalam persamaan (2.5)

y(t) = g (t) * f (t)

y(t) adalah output disaring berasal dengan g(t) masukan gelombang melewati filter dari f(t)
respon impulse. Mengetahui y(t) dan f(t), pemulihan dari g(t) merupakan sebuah operasi de-
lilitan.
mana d(t) adalah fungsi spike (unit amplitudo lonjakan saat nol); yaitu g(t) fungsi waktu
convolved dengan spike fungsi menghasilkan tidak berubah lilitan output fungsi g(t). Dari
persamaan (2,8) dan (2.9) dikatakan bahwa
Dengan demikian, disediakan f(t) respon impulse dikenal, f¢(t) dapat diturunkan untuk aplikasi
dalam persamaan (2.7) untuk re-cover g(t) sinyal input. Fungsi f ¢(t) mewakili deconvolution
operator.
Deconvolution adalah sebuah aspek penting dari pemrosesan data seismik, digunakan untuk
meningkatkan seismik catatan oleh re-bergerak efek penyaringan yang dihadapi oleh gelombang
seis-mic selama perjalanan mereka melalui tanah. Dalam kasus seismik, mengacu pada
persamaan (2.5), y(t) adalah catatan seismik yang dihasilkan dari bagian dari gelombang seismik
g(t) melalui sebagian dari bumi, yang bertindak sebagai filter dengan f(t) respon impulse. Prob-
lem tertentu dengan deconvolving rekor seismik adalah bahwa input gelombang g(t) dan f(t)
respon impulse filter bumi berada di umum diketahui. Dengan demikian 'deterministik'
pendekatan deconvolution yang diuraikan di atas tidak dapat digunakan dan deconvolution
operator harus
dirancang dengan menggunakan metode statistik. Pendekatan ini khusus untuk deconvolution
Records seismik, dikenal sebagai pra-dictive deconvolution, dibahas lebih lanjut dalam bab 4.

2.4.3 korelasi

Cross-korelasi antara dua bentuk gelombang digital melibatkan salib-perkalian dari unsur-unsur
individu gelombang dan ringkasan cross-multiplication produk selama interval waktu bentuk
gelombang. Fungsi cross-korelasi melibatkan semakin geser satu gelombang masa lalu yang lain
dan, untuk setiap waktu pergeseran, atau lag, menjumlahkan cross-multiplication produk untuk
mendapatkan lintas-korelasi sebagai fungsi dari nilai lag. Operasi lintas-korelasi mirip dengan
lilitan tapi tidak
melibatkan lipat dari salah satu bentuk gelombang.
mana t adalah lag dan m dikenal sebagai nilai maksimum lag fungsi. Dapat ditunjukkan bahwa
salib-korelasi dalam waktu domain adalah matematis
setara dengan perkalian dari spektrum amplitudo dan pengurangan tahap spektrum dalam
frekuensi domain.
Jelas, jika dua bentuk gelombang non-periodik identik salib-berkorelasi (Fig. 2.13) semua
produk cross-multiplication akan jumlah di nol lag memberikan maksimum nilai positif. Ketika
bentuk gelombang pengungsi dalam waktu
, bagaimana -
sebelumnya, produk cross-multiplication akan cenderung untuk membatalkan keluar untuk
memberikan nilai-nilai kecil. Salib-korelasi
fungsi karena puncak pada lag nol dan mengurangi nilai-nilai kecil yang luas waktu bergeser.
Dua bentuk gelombang yang sama persis juga akan menghasilkan fungsi cross-korelasi yang
kuat mencapai puncaknya di lag nol. Di sisi lain, jika dua bentuk gelombang yang berbeda cross-
berkorelasi dengan jumlah produk cross-multiplication akan selalu dekat dengan nol karena
kecenderungan untuk produk positif dan negatif untuk membatalkan semua nilai lag. Bahkan,
untuk dua bentuk gelombang yang mengandung hanya acak kebisingan fxy(t) fungsi cross-
korelasi adalah nol untuk semua nilai bukan nol t.
Dengan demikian, langkah-langkah fungsi cross-korelasi
tingkat kesamaan bentuk gelombang.
Aplikasi penting lintas-korelasi ini dalam deteksi sinyal lemah yang tertanam dalam kebisingan.
Jika bentuk gelombang yang mengandung sinyal dikenal tersembunyi
dalam kebisingan pada waktu un-dikenal, salib-korelasi dari bentuk gelombang dengan fungsi
sinyal akan menghasilkan fungsi cross-korelasi
berpusat pada nilai waktu di mana fungsi sinyal dan tersembunyi setara dengan gelombang
berada dalam tahap (Fig. 2.14).
Kasus khusus dari korelasi adalah bahwa yang berbentuk gelombang cross-berkorelasi dengan
dirinya sendiri, untuk memberikan hal yang sanggat menarik-autocorre fungsi fxx(t).
Fungsi Autokorelasi gelombang periodik ini juga periodik, dengan frekuensi yang sama dengan
frekuensi gelombang pengulangan. Jadi, misalnya, fungsi auto-korelasi gelombang kosinus
adalah juga gelombang kosinus. Untuk gelombang sementara, Autokorelasi fungsi pereputan
kecil nilai-nilai nilai-nilai besar lag. Properti ini berbeda dari Autokorelasi func-tion dari bentuk
gelombang periodik dan transien menentukan salah satu utama menggunakan dalam pemrosesan
data geofisika, yaitu, Deteksi tersembunyi periodicities dalam bentuk gelombang tertentu. Sisi
lobus dalam fungsi Autokorelasi (ara.
2.15) merupakan indikasi adanya periodicities dalam bentuk gelombang asli, dan jarak dari lobus
sisi mendefinisikan periode pengulangan. Properti ini khususnya-ly berguna dalam deteksi dan
penindasan beberapa refleksi dalam catatan seismik (Lihat Bab 4).
Autokorelasi berisi semua informasi am-plitude dari bentuk gelombang asli tetapi tidak ada
informasi fase, fase asli hubungan-kapal digantikan oleh spektrum tahap nol. Pada kenyataannya,
fungsi Autokorelasi dan alun-alun am-plitude spektrum A (f) dapat ditampilkan untuk
membentuk sepasang Fourier
Karena alun-alun amplitudo mewakili kekuatan istilah (energi terkandung dalam komponen
frekuensi) fungsi Autokorelasi dapat digunakan untuk menghitung daya spektrum gelombang.
2.5 digital penyaringan

Dalam bentuk gelombang Geofisika menarik, itu adalah prac-pengadilan standar untuk
mempertimbangkan gelombang sebagai kombinasi sinyal dan kebisingan. Sinyal adalah bagian
dari bentuk gelombang yang re-lates struktur geologi diselidiki. Kebisingan adalah semua
komponen lain dari bentuk gelombang. Kebisingan dapat lebih lanjut dibagi menjadi dua
komponen, acak dan koheren kebisingan. Acak kebisingan adalah hanya itu, Statistik
acak, dan biasanya karena efek tidak terhubung dengan survei Geofisika. Di sisi lain, koheren
kebisingan adalah komponen dari bentuk gelombang yang dihasilkan oleh percobaan geofisika,
tetapi yang tidak menarik langsung untuk interpretasi geologi. Sebagai contoh, dalam sebuah
survei seismik sinyal mungkin Gelombang seismik tiba di detektor setelah yang tercermin oleh
batas geologi di kedalaman. Acak kebisingan akan back ground getaran karena angin, hujan atau
lalu lintas jauh. Koheren kebisingan akan gelombang permukaan yang dihasilkan oleh sumber
seismik, yang juga bepergian ke detektor dan mungkin mengaburkan sinyal yang diinginkan.
Dalam keadaan yang menguntungkan signal-to-noise ratio (SNR) tinggi, sehingga sinyal mudah
diidentifikasi dan diekstraksi untuk analisis selanjutnya. Sering SNR rendah dan pengolahan
khusus diperlukan untuk meningkatkan isi infor-koordinasi dari bentuk gelombang. Pendekatan
yang berbeda diperlukan untuk menghilangkan efek jenis kebisingan. Acak kebisingan dapat
sering ditekan oleh re-
pengukuran peated dan rata-rata. Koheren kebisingan akan disaring keluar dengan
mengidentifikasi charac-teristics tertentu dari suara itu dan merancang filter khusus untuk re-
langkah itu. Sinyal tersisa itu sendiri dapat terkena distorsi karena efek dari sistem pencatatan,
dan sekali lagi, jika sifat sistem pencatatan yang akurat diketahui, Perapi dapat penyaringan
dapat dirancang. Penyaringan digital secara luas digunakan dalam pengolahan data geofisika
untuk meningkatkan SNR atau sebaliknya meningkatkan karakteristik sinyal. Sangat berbagai
macam filter digital yang rutin digunakan di geo-fisik, dan terutama seismik, pengolahan data
(Robin-anak & Treitel 2000). Dua jenis utama digital filter adalah filter frekuensi dan filter
invers (deconvolution).

2.5.1 filter frekuensi

Filter frekuensi diskriminasi terhadap komponen-komponen frekuensi dipilih dari gelombang

masukan dan mungkin low-pass (LP), high-pass (HP), band-pass (BP) atau band-menolak
(BR) dalam hal respon frekuensi mereka. Filter frekuensi bekerja ketika sinyal dan kebisingan
compo-nents dari gelombang memiliki frekuensi yang berbeda karakter-istics dan karena itu
dapat dipisahkan pada dasar ini.
Analog frekuensi penyaringan yang masih tersebar luas digunakan dan analog antialias (LP)
filter yang penting compo-nent sistem analog-ke-digital konversi (Lihat Sec-tion 2.2). Namun
demikian, digital frekuensi penyaringan dengan komputer menawarkan banyak fleksibilitas yang
lebih besar penyaring desain dan memfasilitasi penyaringan banyak kinerja yang lebih tinggi
daripada yang bisa didapatkan dengan filter analog. Untuk menggambarkan desain filter digital
frekuensi, mempertimbangkan kasus filter LP frekuensi cut-off yang adalah fc. Out diinginkan-
menempatkan karakteristik ideal LP filter diwakili oleh
spektrum amplitudo ditampilkan dalam Fig. 2.16(a). Spec-trum memiliki amplitudo unit konstan
antara 0 dan fc dan amplitudo nol di luar rentang ini: filter akan ada-kedepan lulus semua
frekuensi antara 0 dan fc tanpa atten-acara wisuda dan benar-benar akan menekan frekuensi di
atas fc. Spektrum amplitudo ini mewakili transfer func-tion filter LP ideal.
Invers Fourier transformasi transfer func-tion ke waktu domain menghasilkan respon impulse
ideal LP filter (Lihat rajah 2.16(b)). Namun, respon im-pulsa ini (fungsi sinus) jauh panjang dan
karena itu dapat dipotong untuk penggunaan praktis sebagai operator obrolan-lution dalam suatu
filter digital. Mencari 2.16(c) tersembunyi mewakili-sents respon frekuensi operator filter LP
praktis realisasi terbatas panjang (Fig. 2.16(d)). Lilitan dari bentuk gelombang masukan dengan
yang kedua akan mengakibatkan LP penyaringan dengan cut-off ramped (Fig. 2.16(c)) daripada
cut-off seketika filter LP ideal.
HP, BP dan BR waktu-domain filter dapat dirancang dalam cara yang mirip dengan menentukan
transfer khusus func-tion dalam frekuensi domain dan menggunakan ini untuk merancang fungsi
respon impulse terbatas-panjang dalam waktu do-main. Seperti dengan penyaringan analog,
digital frekuensi filter-ing umumnya mengubah spektrum fase gelombang dan efek ini mungkin
tidak diinginkan. Namun, filter tahap nol dapat dirancang yang memfasilitasi digital penyaringan
dengan-keluar mengubah spektrum tahap sinyal disaring.

2.5.2 filter invers (deconvolution)

Aplikasi utama dari invers penyaringan untuk menghilangkan efek operasi penyaringan
sebelumnya terletak di bidang pemrosesan data seismik. Diskusi tentang invers penyaringan
dalam konteks deconvolving catatan seismik diberikan dalam bab 4.

2.6 pencitraan dan pemodelan

Setelah bentuk gelombang Geofisika telah diproses untuk memaksimalkan sinyal konten, konten
harus diambil untuk interpretasi geologi. Pencitraan dan pemodelan adalah dua strategi yang
berbeda untuk bekerja.
Sesuai dengan namanya, dalam pencitraan bentuk gelombang diukur sendiri disajikan dalam
bentuk di mana mereka mensimulasikan gambar struktur permukaan. Contoh yang paling jelas
ini di radar penembus tanah (Bab 9) dan seismik refleksi (Bab 4) bagian, di mana gelombang
variasi mencerminkan-ed energi dengan waktu yang digunakan untuk memperoleh gambaran
yang berkaitan dengan terjadinya geologi batas di kedalaman. Sering magnetik survei untuk
dangkal teknik atau ahli arkeologi - penyelidikan Logis diproses untuk menghasilkan teduh,
berwarna atau berkontur maps mana shading atau warna berkorelasi dengan variasi dari Medan
magnet yang diperkirakan akan berkorelasi dengan struktur yang sedang dicari. Pencitraan
adalah alat yang sangat ampuh, karena menyediakan cara yang meringkas volume besar dari data
dalam format yang dapat dengan mudah dicerna, yaitu citra visual. Kelemahan dari pencitraan
adalah bahwa sering dapat
sulit atau mustahil untuk mengekstrak informa-tion kuantitatif dari gambar.
Dalam pemodelan, geofisika memilih jenis tertentu model struktur bawah permukaan dan
menggunakan ini untuk memprediksi bentuk bentuk gelombang aktual yang direkam. Model
kemudian disesuaikan untuk memberikan terdekat pertandingan menjadi-tween diperkirakan
(dimodelkan) dan mengamati bentuk gelombang. Kebaikan pertandingan diperoleh tergantung
pada sinyal-to-noise ratio dari bentuk gelombang dan pilihan awal terhadap model yang
digunakan. Hasil pemodelan biasanya ditampilkan sebagai lintas-bagian melalui struktur-saan
diselidiki. Model adalah bagian penting dari kebanyakan metode geofisika dan baik dicontohkan
dalam gravitasi dan interpretasi magnetik (Lihat Bab 6 dan 7).