FILTRAGEM SVD APLICADA À MELHORIA DO RASTREAMENTO DE HORIZONTES SÍSMICOS

No presente artigo apresentamos uma aplicação da filtragem SVD (Singular Value Decomposition) para o mapeamento automático de horizontes sísmicos. A filtragem SVD pode ser vista como um método de filtragem multicanal onde cada traço filtrado guarda certo grau de coerência com os traços imediatamente vizinhos. Esta filtragem preserva as relações de amplitude, fase e correlação espacial dos eventos sísmicos, ao tempo em que permite eliminar o ruído incoerente, normalmente associado aos últimos autovalores. A decomposição SVD é realizada sobre o subconjunto de traços vizinhos a cada traço da linha sísmica 2D ou de um volume 3D. O traço filtrado é obtido utilizando apenas alguns dos autovetores e autovalores associados. Ilustramos a aplicação do método sobre dados sísmicos terrestres. A melhoria da coerência dos eventos sísmicos permitiu maior robustez ao autotracking no mapeamento e interpretação automática dos horizontes sísmicos. A filtragem SVD é computacionalmente eficiente e tem o mérito de melhorar significativamente a coerência, a consistência e a continuidade dos eventos de reflexão facilitando muito o "trabalho", do tracker na busca de padrões no processo de autotracking.Keywords : mapeamento automático de horizontes; processamento sísmico; filtragem SVD; rastreamento de horizontes sísmicos.ABSTRACTWe present an application of a singular value decomposition (SVD) filtering approach to the automatic detection of seismic horizons. The SVD filtering approach may be seen as a multichannel filtering method where each filtered seismic trace retains the coherence of the neighbouring seismic traces. The SVD filtering preserves the amplitude and phase relations and reinforces the spacial correlation between seismic events, and at the same time it reduces the incoherent noise in data, which normally is associated to the last eigenvalues. The SVD decomposition is performed on each subset of traces around each trace of the original 2D or 3D seismic data. The filtered trace is obtained from the most important eigenvalues and eigenvectors. We illustrate the application of the new approach on 3D post-stack land seismic data. The improvement of the resultant coherence in the seismic reflected events allows for greater autotracking robustness during the automatic interpretation of the seismic horizons. The SVD filtering approach is computationally efficient and improves significantly the coherence, the consistency and the spacial continuity of the seismic events making easier the automatic detection of the commercial software in the search for patterns along the autotracking process.Keywords : automatic mapping of horizons; seismic processing; SVD filtering; tracking horizons seismic.