DEKONVOLUSI

Kuliah: Analisis Data Digital

Geofisika
 DEKONVOLUSI
Tahapan dalam pengolahan data seismik yang
bertujuan untuk mengambil komponen reflektivitas
dari data seismik dengan cara membuang efek
wavelet seismik, termasuk ghost dan shortperiod
multiples.

Deconvolusi umumnya dilakukan sebelum stacking

akan tetapi dapat juga diterapkan setelah
stacking.
 DEKONVOLUSI
Secara umum, dekonvolusi terbagi menjadi 2 kategori,
yaitu:
Dekonvolusi deterministik
Dekonvolusi di mana sebagian dari sistem seismik
diketahui. Tidak ada elemen acak yang terlibat.
Contoh: dekonvolusi source signature.

Dekonvolusi statistik
Dekonvolusi di mana tidak ada informasi yang tersedia
mengenai satu pun komponen dari model konvolusi.
Karena itu, pendekatan statistik diperlukan untuk
menentukan informasi tentang wavelet itu sendiri.
 DEKONVOLUSI
Dekonvolusi statistik memiliki 2 jenis yang
paling umum digunakan, yaitu:
Dekonvolusi prediktif menggunakan informasi
dari bagian awal dari trace seismik untuk
memprediksi dan melakukan dekonvolusi bagian
akhir dari trace seismik. Metode ini dikenal juga
dengan istilah gapped deconvolution.

Dekonvolusi spiking kasus khusus dari

dekonvolusi prediktif, di mana lebar gap-nya
adalah selebar interval sampel
 DEKONVOLUSI
Deconvolusi dilakukan dengan melakukan konvolusi antara data
seismik dengan sebuah filter yang dikenal dengan Wiener Filter .
 FILTER WIENER
Persoalan filter inversi dapat dipecahkan dengan
mereformulasi persoalan dasar sebagai berikut:
Untuk suatu input xt dan output yang diinginkan yt, maka
untuk mendapatkan filter bt yang panjangnya terbatas;
=x*b
Merupakan pendekatan Least Square (LS) dari yt yaitu:
E = (yt )2 sekecil mungkin

E= (yt bk xt-k )2
t k
Akan minimum jika E = 0

bj
 FILTER WIENER
E = -2 (yt bk xt -k ) xt-j = 0 dimana j = 0, 1, 2, ...
bj t k

k bk t xt -k xt-j =
t
yt xt-j

Ingat:

t
xt -k xt-j =t xt xt+k-j = ak-j = Auto korelasi

t
yt xt-j = cj = Cross korelasi

n
Sehingga persamaan menjadi: bk ak-j = cj
k=
0
 FILTER WIENER

hasil autokorelasi hasil cross korelasi

wavelet input Filter Wiener antara wavelet input
dgn outpu
Matriksadiatas merupakan matriks dengan bentuk spesial yakni
matriksToeplitz, dimana solusi persamaan diatas secara efisien dapat
dipecahkan dengan solusi Levinson. Dengan demikian operasi Deconvolusi
jenis ini seringkali dikenal dengan Metoda Wiener-Levinson:

b= A-1 C
 DEKONVOLUSI
Output yang dikehendakiterbagi menjadi beberapa jenis [Yilmaz,
1987]:

1. Zerolagspike (spiking deconvolution)

2. Spike padalagtertentu.
3. time advanced form of input series (predictive deconvolution)
4. Zero phase wavelet
5. Wavelet dengan bentuk tertentu (Wiener Shaping Filters)

Zero lag spike memiliki bentuk [1 , 0, 0, 0, ..., 0] yakni amplitudo

bukan nol terletak para urutan pertama.
JikaOutput yang dikehendakimemiliki bentuk[0 , 0, 1, 0, ..., 0]
maka disebut spike pada lag 2 (amplitudo bukan nol terletak para
urutan ketiga) dan seterusnya.
DEKONVOLUSI
 SPIKING DECONVOLUTION
Output yang diinginkan :t [1 , 0, 0, 0, ..., 0]
x t * bt = t
xt-1 *(xt * bt )= xt-1 t
t * bt = xt-1
atau bt = xt-1

Filter yang dihasilkan merupakan

pendekatan untuk invers xt : xt-1 dapat
dicari dengan metode Wiener:
t
cj = xt t+j = x0
 SPIKING DECONVOLUTION
xt t+j = x0
t

a0 a1 a2 an b0 x0
. . . . b1 0
. . . . . =
. . . . .
an an-1 an-2 a0 bn 0
 SPIKING DECONVOLUTION
Contoh:
Tinjau xt = (2,1) dan yt = (1,0), Tentukan
spiking filter wiener (2 titik) yang merupakan
aproksimasi dari invers xt. Tentukan pula error
pada pendekatan tersebut

Jawab:
xt = (2,1) Autokorelasi dari xt (at) = (2, 5,2)
untuk t 0, at = (5,2)
 SPIKING DECONVOLUTION
Cross corelation xt dengan spike yt = (1, 0)
ct = ( 1, 2, 0) ;untuk t 0, ct = (2, 0)

Matrik Toeplitz dari fungsi auto-korelasi adalah:

A= 5 2
2 5
Maka invers dari matrik A (A-1)
A-1 = 5/21 -2/21
-2/21 5/21
 SPIKING DECONVOLUTION
Jadi spiking filter Wiener adalah:
b = A-1 c = 5/21 -2/21 2 10/21
=
-2/21 5/21 0 -4/21
Atau bt = (10/21, -4/21)
= xt * bt = (20/21, 2/21, -4/21)

Error: E = (yt )2
= (1/21)2 + (-2/21)2 + (4/21)2
= 0.051
 SPIKING DECONVOLUTION
Bagaimana jika xt = (1,2) ?
 SPIKING DECONVOLUTION
Spiking decon sulit dilakukan untuk
signal yang bersifat max delay.
Kelemahan spiking decon:
Menurunkan S/N
Proses spiking decon tidak terkontrol
(sulit untuk menarik kesimpulan dari
perubahan detail wave form pada suatu
seismik section)
PREDICTIVE DECONVOLUTION
 SPIKING DECONVOLUTION
function [f,o] = spiking(d,NF,mu);
%SPIKING: Spiking deconvolution using Levinson's recursion.
%
% [f,o] = spiking(d,NF,mu)
%
% IN d: data (trace are columns)
% NF: lenght of the spiking operator
% mu: prewhitening in percentage
%
% OUT f: the filter
% o: the ouput or convolution of the data with
% the filter (adjusted to the length of the
% input data and normalized).
%
% Note: We assume a minimum phase wavelet, we also assume
% that the reflectivity is a white process. The latter
% allows us to estimate the autocorrelation of
% the wavelet from the autocorrelation of the trace.
%
% Reference: Robinson and Treitel, 1980, Geophysical Signal Analysis, Prentice Hall
% Note: some clarity was lost in order to use Matlab function "levinson"
% Copyright (C) 2008, Signal Analysis and Imaging Group
% For more information: http://www-geo.phys.ualberta.ca/saig/SeismicLab
% Author: M.D.Sacchi
NF = NF - 1;
[ns,ntraces] = size(d);
dmax = max(max(abs(d)));
R = xcorr(d(:,1),d(:,1),NF); % Compute data autocorrelation for trace 1
if ntraces>1;
Ra = R;
for k=2:ntraces;
R = xcorr(d(:,k),d(:,k),NF); % Compute data autocorrelation
Ra = Ra + R;
end;
R = Ra/ntraces;
end;

Rs = R(:,1).*hamming(NF*2+1);
r = Rs(NF+1:2*NF+1,1);
r(1,1) = r(1,1)*(1 + mu/100.); % Add pre-whitening for stability
[f] = levinson(r,NF); % Fast inversion of Toeplitz system via Levinson's recursive algorithm
f = [f']; % I like column vectors
if nargout == 2
o = conv2(d,f);
o = o(1:ns,:);
omax = max(max(abs(o)));
o = o * dmax/omax;
end
Return
...
 Contoh Spiking Decon

Model data seismik Model data Autokorelasi

seismik + Noise
(reverberasi)
Spiking decon Autokorelasi