4. 初至拾取方法与质量控制

初至拾取是折射静校正的“第一道数据关口”。折射静校正依赖近地表速度模型，而模型反演所需的输入正是每一道的初至时间；初至时间哪怕只有几毫秒的系统偏差，经过延迟时分解后也会转化为炮点或检波点静校正量的偏差，最终影响叠加成像的横向一致性。因此，初至拾取不只是“点一下起跳位置”的操作，而是一项需要理解算法特性、并能识别和修正异常的质量控制工作。

手工拾取：基准与兜底手段

手工拾取由解释人员逐道观察初至波形的起跳点，在波形突变处标记时间。它的优势在于判断灵活：面对低信噪比、强面波干扰、初至与续至波交叉、极性反转等复杂情况，人眼能结合相邻道波形连续性做出合理推断。手工拾取通常用于三类场景：一是作为自动拾取的训练样本或质量抽查基准；二是处理自动算法明显失效的局部坏道；三是小数据量或试验线段的精细拾取。其代价是效率低、主观性强，长排列大数据量下难以全量完成，且不同解释员之间可能存在数毫秒的判读差异。因此实际生产中手工拾取更多承担“种子”和“校核”角色，而非全量作业。

自动拾取算法及其适用条件

能量比法（STA/LTA）是最经典的做法：对每道计算短时窗能量与长时窗能量之比，当比值超过阈值时判定为初至。短时窗通常取初至子波主周期的1～2倍（例如2～4 ms采样时取10～20 ms），长时窗取短时窗的5～10倍。该方法计算快、实现简单，适用于信噪比较高、初至能量明显强于背景的炮记录。但它对阈值敏感：阈值偏低会提前触发到噪声上，偏高则滞后到初至子波峰值，产生系统性延迟；在强面波或强环境噪声段容易误拾。

AIC法（赤池信息准则）把初至视为信号统计特性的突变点，对波形计算AIC函数，其最小值位置对应初至。AIC对突变点定位精度高，尤其适合初至起跳清晰、子波形态较规则的资料，定位误差常可控制在1～2个采样点内。但它对噪声敏感，在低信噪比道或初至缓慢起跳时会给出虚假极小值，且计算量大于能量比法，通常需要先限定搜索时窗（如用能量比给出粗略初至，再在±20 ms窗口内用AIC精修）。

神经网络拾取将初至拾取建模为逐采样点的二分类或回归问题，用人工拾取样本训练网络学习波形到初至时间的映射。它对低信噪比、复杂波场具有更强的鲁棒性，能适应不同激发条件和检波器耦合状态，适合大数据量、地表条件多变的工区。其适用前提是有足够且质量可靠的人工标注训练集，并且训练集与生产数据的采集参数、噪声特征应尽量一致；否则网络会把训练集的偏差带入生产，且错误往往以“看似合理”的形式出现，更难发现。

拾取异常的识别

自动拾取完成后，不能直接进入反演，必须先做异常识别。工程上常用三类判据。第一是相邻道时差判据：同一炮内相邻检波点的初至时差应大致对应近地表视速度，若某道与相邻道时差突然增大数倍，往往说明拾到了续至波或噪声尖峰。第二是时距曲线离群判据：把同一炮的初至时间按偏移距排列，正常应呈平滑单调趋势，孤立跳点即为离群点，常见于坏道、极性反转或检波器耦合不良。第三是模型预测偏差判据：用初步反演的近地表模型正演预测初至，与实际拾取比较，残差超过阈值（例如±15 ms）的道需重点复核。三类判据互为补充，实际中常组合使用。

编辑流程与结果判断

识别出异常后，编辑流程一般按“定位—分类—修正—验证”推进。定位即锁定异常道及其炮号、检波点号；分类即判断属于时差突变、离群点还是系统偏移，因为不同成因的修正方式不同——时差突变和离群点通常需要人工重拾或剔除，系统偏移则要回到算法参数（如STA/LTA阈值、AIC搜索窗）整体调整后重跑。修正后必须验证：抽查约10%的道进行人工复核，统计拾取残差的均值与标准差，观察残差直方图是否近似零均值、无长尾；同时检查时距曲线是否恢复平滑。若残差仍存在明显的空间分区性偏差，说明问题可能不在单道拾取，而在于近地表速度横向变化未被模型吸收，需回到模型反演环节处理，而非继续在拾取上反复修补。

综上，初至拾取的质量取决于“算法选得对、异常识得准、编辑改得有理有据”。能量比法负责快速圈定，AIC负责精修定位，神经网络负责复杂资料的大规模适应，而手工拾取始终是基准与兜底。把异常识别判据和编辑验证闭环建立起来，初至时间才能真正成为可靠的静校正输入。