Seismic data compression using constrained dictionary learning and imaging in compressed domain

Under en marin seismisk undersøkelse sendes det ut seismiske bølger nær havoverflaten. Jordens respons overvåkes for å utlede informasjon om geologien i undergrunnen. Dette blir gjort ved å innhente data over tid fra sensorer plassert på et område. Derfor kan de målte dataene sies å være i tidsdomenet. Dataene blir behandlet for å produsere et kart av undergrunnen, der posisjonene til de geologiske grensene blir fremhevet. Denne databehandlingen innebærer anvendelse av en lang rekke geofysiske metoder, og hele arbeidsflyten blir referert til som seismisk prosessering og avbildning. Seismisk prosessering og avbildning har i hovedsak som mål å fjerne de uønskede signalene fra de registrerte dataene og å flytte den seismiske energien til det stedet der den ble spredt eller reflektert fra. De fleste av de seismiske prosesseringsmetodene blir utført i et annet domene enn tidsdomenet. Flytter man data til et annet domene kreves det ofte relativt kostbar bearbeiding av dataene først. Etter hvert behandlingstrinn flyttes dataene tilbake til det opprinnelige tidsromdomenet for å sjekke kvaliteten på dataene. Derfor er seismisk prosessering og avbildning en lang og grundig arbeidsflyt, noe som resulterer i et kart av undergrunnen i veldig høy kvalitet, men kostbart mhp. menneskelige ressurser og computerkraft. Det er allment akseptert at informasjonen i seismiske data har lavere dimensjonalitet enn selve dataene. Derfor kan de seismiske dataene uttrykkes med et redusert antall parametere sammenlignet med antall dataprøver ved å flytte dataene til et passende komprimert domene. I det først år av doktorgraden, har studenten utviklet en metode for seismisk datakomprimering som er basert på ?ordliste læring?, dvs. en datadrevet algoritme for sparsom representasjon. Han har testet komprimeringsmetoden på flere datasett og har vurdert effektiviteten i forhold til flere standard seismiske metoder. Blant alle de studerte metodene var metoden han utviklet den mest effektive for å avlevere høye komprimeringsgrad. I det andre året av doktorgraden, har kandidaten utvidet den metoden slik at den trekker ut kinematiske bølgefeltparametere fra de seismiske dataene samtidig som den komprimerer dataene. De kinematiske bølgefeltparametrene kan brukes av behandlingsoperatorer for å utføre trinn i seismisk prosessering og avbildning. Basert på de kinematiske bølgefeltparametrene, har kandidaten begynt å designe operatorer for å utføre bølgefeltseparasjon, dvs. et tidlig trinn i seismisk prosessering og avbildning, i det komprimerte domenet. Ved å bruke disse operatorene har kandidaten foreslåt en ny metode som kan komprimere dataene og å utføre ett trinn i seismisk prosessering og avbildning i det komprimerte domenet. I løpet av det tredje året av doktorgraden har kandidaten utviklet en metode for å anvende deghosting i det komprimerte domenet. Han har videre foreslått i sin avhandling en ny prosesseringsflyt basert på de tre metodene utviklet i hans PhD-studier for å komprimere seismiske data, og anvende typiske forprosesseringstrinn i komprimeringsdomenet. Den foreslåtte prosesseringsflyt reduserer disk- og dataoverføringskravene, og sparer menneskelig innsats og tid i forhold til den konvensjonelle arbeidsflyten.

It is recognized in the industry that conventional seismic processing is not optimal regarding the amount of stored data and compute necessary to perform the different processing step of the conventional seismic processing sequence. The candidate has researched on a new mathematical domain that would store more efficiently the relevant information from the seismic data and enable carrying out the seismic processing steps easily in this domain. He has identified a mathematical domain where the seismic data are sparsely represented, therefore saving storage, and described with kinematic parameters, hence enabling some processing operators to be applied in that domain. The candidate has identified and proposed specific operators to perform two preprocessing steps of the seismic processing sequence, namely, wavefield separation and deghosting. In the current state, the prototype developed in this thesis can be used as an alternative to the conventional process to carry out preprocessing of the seismic data, and potentially save cost related to data storage and transfer. If continued further, this research can be the start of a complete new and innovative way of processing seismic data.

Marine seismic surveying aims to acquire adequately sampled data according to Shannon's sampling condition both, in time and space. This aim is due to common requirements of conventionally used processing and imaging tools. Although the spatial sampling condition is not always achieved, this leads, nevertheless, for larger surveys to challenges of data handling, storage, processing and imaging. Based on characteristic wavefield information, such data is highly redundant and in a previous industrial PhD project, we have exploited this fact to reconstruct missing data in the crossline direction using constrained dictionary learning. In this project, we will derive and develop a new method of dictionary learning, constrained by Hamilton's characteristic function, with the objectives to 1) extract the kinematic wavefield parameters of seismic data and 2) represent the data in a sparse domain by preserving the inherent wavefield information. In the most general form Hamilton's characteristic function for reflection seismic data is defined by two slowness vectors and three traveltime curvature matrices, a total of 14 kinematic wavefield parameters, associated to one reference position (central ray position). Starting from the new dictionary learning we develop a method for data compression in order to facilitate seismic data storage, and finally by fully exploiting the inherent wavefield information, we build new processing and imaging methods which are specially tailored to run directly in the compressed parameter domain.