3. 随机噪声的统计特性与记录表现

随机噪声是地震记录中无法用确定性函数描述的那部分扰动，它来自风吹草动、人车走动、仪器电子热噪声、检波器耦合不良等大量彼此独立的微小扰动源。与面波噪声不同，随机噪声没有稳定的视速度和相干同相轴，它在时间域"杂乱无章"，但在统计意义上却服从可描述的规律。理解这些统计规律，是后续设计压制手段（如叠加、f-x反褶积、中值滤波、异常振幅衰减）的前提——因为任何压制方法本质上都是在利用随机噪声与有效信号在某个统计维度上的差异。

概率分布：为什么常用高斯假设

随机噪声最核心的统计描述是振幅的概率分布。当大量独立、微小、方向随机的扰动叠加时，由中心极限定理，其瞬时振幅近似服从零均值高斯（正态）分布。设噪声振幅为 n，则概率密度为

p(n) = 1/(σ√(2π)) · exp(−n²/(2σ²))

其中 σ 为标准差，σ² 即噪声方差，直接对应噪声功率。零均值意味着噪声在正负方向对称，长时间平均趋于抵消——这正是多次叠加能提高信噪比的统计基础：叠加 N 次，若信号相干、噪声互不相关，则信号振幅按 N 增长，噪声按 √N 增长，信噪比改善约 √N 倍。

但实际记录中常出现偏离高斯的情况。例如工区附近有周期性机械振动，或存在个别强脉冲（如敲击、雷击、车辆颠簸），此时振幅分布会出现"重尾"，即大振幅出现的概率远高于高斯预测。这类非高斯成分恰恰是异常振幅衰减（去噪中的"野值压制"）能够奏效的依据：先估计一个稳健的振幅门槛（如基于中位数绝对偏差 MAD 的若干倍），把超过门槛的样点识别为异常并压制。需要强调的是，高斯假设是分析工具而非教条，实际处理前应先看振幅直方图或分位数统计，判断是否需要先做野值处理再进入后续流程。

频谱特征：宽带与有色噪声

理想白噪声的功率谱密度在全部频率上平坦，自相关为冲激函数，任意两个不同时刻样点互不相关。但真实地震随机噪声多为"有色"的：

• 低频段：受地表微风、气压波动、长周期仪器漂移影响，低频能量抬升，常表现为 1/f 型衰减；
• 中频段：相对平坦，是有效反射信号的主要频带，也是随机噪声相对"白"的区域；
• 高频段：受检波器自然频率、电缆电容、采样率与仪器电子噪声限制，能量下降或出现仪器噪声平台。

因此随机噪声的频谱通常呈"低频抬升—中频平坦—高频衰减"的形态。这一特征决定了频域压制策略：对低频强噪声可用低截滤波或分频处理，对中频则更多依赖统计类方法（叠加、f-x域预测滤波），而不能简单用带通滤波"一刀切"，否则会连带损失有效信号频带。判断噪声是否近似白噪声，可计算功率谱并观察其平坦度，或用自相关函数看是否在非零延迟处迅速衰减到接近零。

空间相关性：道间是否"各自为政"

随机噪声在空间上的相关性是区分它与相干噪声的关键。理想随机噪声在相邻道之间互不相关，道间互相关在零延迟附近应接近零（仅有少量因检波器组合、共检波点接收造成的局部相关）。而面波、折射波等相干噪声在相邻道上高度相关，且相关峰随道间距移动，对应一个稳定视速度。

实际工作中可用道间互相关函数来判别：取相邻若干道，计算零延迟附近的互相关系数。若系数普遍很低（例如绝对值小于 0.2～0.3），说明该频带以随机噪声为主；若某频带相关系数很高且峰值随道号线性移动，则说明存在相干噪声，应优先用 f-k 滤波或相干噪声减去法处理，而不是当作随机噪声对待。这一判别直接决定了后续去噪方法的选择，是处理流程中非常实用的一步。

不同采集环境下的记录表现

随机噪声的"面貌"随采集环境显著变化，识别这些差异有助于在现场就判断记录质量并调整采集参数。

平原、农田等低噪声区：背景随机噪声弱，记录上有效同相轴清晰，噪声主要表现为均匀的"细麻点"。此时应重点保护高频，避免过度滤波；叠加次数可适当降低以节省成本。

城镇、工业区、公路附近：随机噪声强且含大量脉冲野值，记录上呈现密集杂乱的高频"毛刺"，局部有强振幅单点。此类记录在进入叠加前应先做异常振幅衰减，否则强野值会污染叠加结果。同时应尽量避开交通高峰时段施工，或采用检波器组合压制高频随机干扰。

山地、大风区：低频随机噪声突出，记录上可见长周期"波浪状"漂移叠加在信号上，常与面波低频成分混在一起。此时低截滤波要谨慎，需结合面波频散特征区分，避免把有效低频反射一并滤除。

一个实用的现场判断方法是：抽取若干道计算振幅直方图与功率谱，若直方图明显重尾则先做野值压制；若功率谱低频异常抬升则检查风噪与仪器漂移；若道间互相关在非零延迟出现稳定峰，则说明相干噪声占优，应改用相干噪声压制手段。把这三项统计检查作为处理流程的"入口体检"，可以避免用错方法、白费算力，也能让后续每一步去噪都有明确的统计依据。