3. 地震道振幅均衡与异常振幅压制

为什么先做振幅均衡，再做异常振幅压制

CMP 道集里同时存在两类会破坏速度谱聚焦的振幅问题：一类是横向能量不均——近偏移距能量强、远偏移距能量弱，或某几道整体偏亮/偏暗；另一类是局部异常振幅——单道单时窗内的野值（尖脉冲、强能量噪声、坏炮残余）。前者会让速度谱的能量团被强偏移距道“拉偏”，后者会在谱上形成虚假能量脊。处理顺序应为：先做道均衡把各道能量拉到同一量级，再用中值滤波类方法识别并压制偏离邻域统计的异常振幅，最后用分偏移距能量曲线和振幅直方图验证。

处理链与判读逻辑

关键实现：道均衡 + 中值偏差异常振幅压制

下面给出一个可直接运行的 Python 实现，输入为二维数组 gather（形状 [n_traces, n_samples]，行=道、列=时间样点）。道均衡采用全道 RMS 归一化；异常振幅压制采用沿时间方向的滑动中值作为局部参考，用邻域绝对偏差的中值估计尺度 σ，超过 k·σ 的样点按比例限幅。两个参数 win（中值窗长）与 k（阈值倍数）是本节最需要调的对象。

import numpy as np

def trace_balance(gather, eps=1e-10):
    """按道 RMS 归一化，使各道能量处于同一量级。"""
    rms = np.sqrt(np.mean(gather**2, axis=1, keepdims=True)) + eps
    return gather / rms

def despike_median(gather, win=11, k=3.0, eps=1e-10):
    """沿时间方向滑动中值，压制偏离邻域统计的异常振幅。"""
    n_tr, n_s = gather.shape
    half = win // 2
    out = gather.copy()
    pad = np.pad(gather, ((0, 0), (half, half)), mode="reflect")
    for i in range(n_s):
        seg = pad[:, i:i + win]                 # [n_tr, win]
        med = np.median(seg, axis=1)            # 局部中值 M(t)
        dev = np.abs(seg - med[:, None])
        sigma = np.median(dev, axis=1) + eps    # 稳健尺度估计
        a = gather[:, i]
        mask = np.abs(a - med) > k * sigma
        # 超阈值样点限幅到 k*sigma 边界，保留符号
        clipped = med + np.sign(a - med) * k * sigma
        out[:, i] = np.where(mask, clipped, a)
    return out

# 示例：构造含近强远弱与单道野值的道集
rng = np.random.default_rng(7)
n_tr, n_s = 24, 400
t = np.arange(n_s)
gather = np.zeros((n_tr, n_s))
for it in range(n_tr):
    amp = 1.0 / (1.0 + 0.08 * it)               # 近道强、远道弱
    gather[it] = amp * np.sin(2 * np.pi * t / 40.0) + 0.02 * rng.standard_normal(n_s)
gather[5, 180] = 8.0                            # 注入单道野值
gather[12, 260] = -6.5

bal = trace_balance(gather)
clean = despike_median(bal, win=11, k=3.0)

def trace_rms(g):
    return np.sqrt(np.mean(g**2, axis=1))

print("原始  RMS 范围: %.3f ~ %.3f" % (trace_rms(gather).min(), trace_rms(gather).max()))
print("均衡后 RMS 范围: %.3f ~ %.3f" % (trace_rms(bal).min(), trace_rms(bal).max()))
print("压制后 峰值: %.3f" % np.abs(clean).max())
print("野值点 (5,180) 处理前 %.2f → 处理后 %.2f" % (bal[5, 180], clean[5, 180]))

参数选择与结果判读

判读要点：① 均衡后各道 RMS 应落在同一量级（示例中原始 RMS 差异可达数倍，均衡后应接近 1）；② 压制后单道最大绝对值应显著下降，且野值点幅值回落到邻域水平；③ 目视检查有效反射同相轴连续性未被破坏；④ 若后续速度谱上仍出现横向条带状虚假能量，说明异常振幅未压干净，应减小 k 或缩短 win 重跑。