بخشی از مقاله
چکیده
یکی از روشهای استفادهشده برای تشخیص گسل در تفسیر مقاطع لرزهای، بهکاربردن نشانگر شباهت میباشد. مقطع به دست آمده توسط این نشانگر به دلیل حساسیت زیاد به اندازه پنجره محاسباتی استفادهشده برای محاسبه شباهت، علاوه بر گسل پدیدههای دیگری که گسل نیستند را با شباهت کم نشان میدهد و نوفههای زیادی دارد که میتواند منجر به تفسیر اشتباه گردد. برای کاهش این مشکلات از روش های پردازش تصویر و الگوشناسی میتوان استفاده نمود. در این نوشته یکی از بهترین الگوریتمهای تشخیص لبه - کنی - با روش خوشه بندی -kمیانگین مقایسه شده است و از تلفیق این دو روش، روشی مناسبتر ارائه گردید.
.1 مقدمه و مبانی نظری
گسل هر سطح یا ناحیه باریکی است که جابجایی برشی قابل مشاهده در آن وجود دارد
گسل میتواند در مخزن بهصورت یک تلهنفتی عمل کند و یا باعث فرار هیدروکربن از پوشسنگ گردد. علاوه براین پیشبینی گسلهای موجود در مسیر عملیات حفاری نیز از اهمیت خاصی برخوردار میباشد ، لذا میتوان شناسایی گسلها را بهعنوان یک هدف اکتشافی مهم درنظر گرفت. گسل در مقاطع لرزهای بهصورت ناپیوستگی بازتابندهها دیده میشود که جدایش شیبی آن با استفاده از تطابق بازتابها قابل تشخیص میباشد .
نشانگرهای لرزهای ابزاری برای آشکارسازی اطلاعات پنهان درون دادههای لرزهای میباشند. تعدادی از این نشانگرها برای شناسایی گسلها و کانالها مورد استفاده قرار میگیرند. برای تشخیص گسلها میتوان از نشانگرهای همدوسی1، انحنا2، ردیابی مورچه3، میزان شیب و آزیموت شیب استفاده نمود.
در پردازش تصویر به مرز بین دو ناحیه که دارای تغییرات شدید محلی میباشند، لبه گفته میشود. تشخیص لبه یکی از اقدامات مهم در پردازش تصویر میباشد. الگوریتمهای تشخیص لبه اطلاعات غیرمفید زیادی را در تصویر کاهش میدهند وهمزمان اطلاعات ساختاری مربوط به لبهها را حفظ میکنند
تاکنون روشهای زیادی برای تشخیص لبه استفاده شدهاند که از رایجترین آنها میتوان به روش کنی1 اشاره نمود. روش کنی که بهعنوان روشی مناسب برای تشخیص گسلها و کانالها در مقاطع لرزهای مطرح شده است ، در سال 1986 مطرح گردید و بهصورت گستردهای مورد توجه پژوهشگران قرار گرفت، چراکه این روش براساس سه ملاک مهم توسعه یافتهبود :
-1 نرخ خطای کم این روش بهدلیل بیشینهنمودن احتمال انتخاب لبه واقعی و کمینه کردن احتمال لبه غیرواقعی مبتنی بر افزایش نسبت سیگنال به نوفه.
-2 نقاط موجود در لبه در مکان واقعی خود قرار گیرند، به بیان دیگر فاصله بین پیکسلهای لبه خروجی از سامانه با لبه موجود در تصویر کمینه باشد.
-3 پاسخ سامانه منحصر بهفرد باشد.
نحوه کار روش کنی به این صورت است که ابتدا تصویر ورودی هموار2 میشود تا اثرات نوفههای موجود حذف گردد سپس گردایان تصویر در دو جهت عمود برهم گرفتهشده و باهم ترکیب میشوند تا نواحی با تغییرات زیاد مشخص گردند. اگر میزان این تغییرات در یک نقطه خاص بیش از آستانه بالا باشند، آن نقطه بهعنوان لبه مقدار یک را به خود میگیرد و اگر این میزان اختلاف کمتر از آستانه پایین باشد، این نقطه مقدار صفر را بهعنوان غیرلبه به خود میگیرد. اگر مقدار این اختلاف، بین دو آستانه پایین و بالا قرار گیرد، درصورتیکه این نقطه قابل اتصال به لبههای شناساییشده باشد، به عنوان لبه شناخته میشود و در غیراین صورت این نقطه لبه نخواهد بود و مقدار صفر به خود میگیرد. در نهایت تصویر خروجی شامل مقادیر صفر - غیرلبه - و یک - لبه - ، نمایش دادهخواهدشد .
یکی از رایجترین الگوریتمهای استفادهشده برای خوشهبندی اطلاعات در الگوشناسی، الگوریتم -kمیانگین میباشد. این الگوریتم که اجرای آسانی دارد، تمامی دادههای ورودی را در k خوشه، خوشهبندی میکند که تعداد خوشهها توسط کاربر معرفی میگردد .اساس این الگوریتم درنظرگرفتن نقاطی بهعنوان مرکز خوشهها و کمینهنمودن فاصله بین دادهها با مرکز خوشهها میباشد
در این نوشتار با مقایسه دو روش مطرحشده، روشی مناسب ارائه گردید که بتواند گسلها را بهتر از دو روش قبل برای مفسر دادههای لرزهای قابل تشخیص نماید.
.2 روش و مراحل تحقیق
در این مطالعه ابتدا نشانگر شباهت با طول پنجره 40 میلیثانیه بر روی برش زمانی اعمال گردید و برای کاستن اثر طول پنجره محاسباتی و پدیدههای غیرخطی - غیرگسل - موجود در برش زمانی مورداستفاده و تجسم بهتر گسل، بااستفاده از نرمافزار متلب3 دو الگوریتم -kمیانگین و کنی مورد استفاده قرار گرفت. الگوریتم -kمیانگین برخی پدیدههای خطی را نمیتواند بهخوبی نمایش دهد و جواب حاصل از روش کنی نوفههای زیادی دارد و قطعیت کمی نیز در برخورد با گسل دارد - عدم اتصال کامل در خط گسل - . تعداد خوشههای درنظر گرفتهشده 2 عدد برای پدیدههای گسل و غیرگسل فرض شد.
همانطور که گفتهشد دومین مرحله اجرای روش کنی، محاسبه گرادیان تصویر در دوجهت عمود بر هم میباشد. در این مطالعه برای مقایسه این دو روش، الگوریتم -k میانگین بر گرادیان گرفته شده از برش زمانی اعمال گردید و مشاهده شد خروجی سامانه پاسخی بهمراتب بهتر از زمانی است که الگوریتمهای کنی یا -kمیانگین بهطور جداگانه بر مقطع اعمال میشد.
.3 ارائه و تحلیل نتایج
دادههای مورد استفاده در این مطالعه مربوط به برداشت دریایی بخش هلندی دریای شمال میباشد که در مساحت تقریبی 391 کیلومتر مربع انجام شده است و دارای 650 بهخط 1 و 950 برخط2 میباشد که فاصله نمونهبردای در این دادهها 4 میلیثانیه می باشد. شکل 1 برش زمانی 600 میلیثانیه را بدون اعمال نشانگر و در حضور اعمال نشانگر شباهت نمایش میدهد.
شکل .1 برش زمانی موردمطالعه - الف - بدون اعمال نشانگر و - ب - بااعمال نشانگر شباهت و مشخص شدن گسل مورد مطالعه که رنگ قرمز نشاندهنده شباهت کم میباشد.
همانگونه که مشاهده میشود در قسمت شمالی گسل مورد مطالعه شباهت به مراتب بیشتری بین ردلرزههای مجاور وجود دارد تا برخی دیگر از قسمتهای برش زمانی مورد مطالعه، و در قسمت جنوبی نیز برش در محدوده گسل دارای نوفه میباشد و این دو عامل میتوانند مفسر را به اشتباه وادار نمایند.
شکل 2 اعمال دو روش خوشه بندی دادهها در 2 خوشه و روش کنی را بر برش موجود در تصویر .1 - ب - نمایش میدهد. در این مطالعه برای روش کنی آستانه 0,8 به عنوان حد آستانه بالای بهینه درنظر گرفته شده است.
شکل .2 برش زمانی موردمطالعه - الف - خوشه بندی برش در دو خوشه گسل و غیرگسل و - ب - مشخص نمودن خط گسل بااستفاده از روش کنی با آستانه بالای .0,8
