I de tidigare anteckningarna har vi täckt några steg angående rensning av geometri och laddning av rå GPR-matrisdata. I den här anteckningen kommer vi att ta itu med några nödvändiga bearbetningssteg innan datatolkning.
Rådata
Figur 1 nedan visar rådata från en del av ett projekt. Den nedre bilden visar data med en överlagring av geometrin. Denna datamängd är inte på något sätt idealisk. För det första finns det ganska stora luckor i uppgifterna. För det andra, och mer slående, är den inkonsekventa täckningen, med olika orienteringar, insamlingsmönster och överlappande data. Viss filtrering har tillämpats i form av ett dc-borttagningsfilter och en tröskelnivå för tid-noll-justering. Vi får se nu hur det ser ut efter några enkla steg.
Steg 1 – förbearbetning
Figur 2 visar tillgängliga förbehandlingsrutiner, av vilka följande tre är de vanligaste.
- Antennnedringning (500 spår i bakgrundsborttagning)
- Bandpass (170–600 MHz)
- Amplitudkorrigering (sfärisk divergenskorrigering utan parametrar)
Standardinställningarna för varje rutin är väl definierade, så det finns vanligtvis inget behov av att ändra inställningar, bara välj och kör.
Effekten av dessa grundläggande förbearbetningsrutiner visas nedan i figur 3. I det här fallet kan man tro att det är möjligt att börja tolkningen här. Men vi tittar bara på ett enda djupsnitt nu, och djupare kan vara mycket mer suddiga. Därför rekommenderar vi att du fortsätter till efterbehandlingen. 
I originaldata från figur 1 var linjära (människangjorda) egenskaper synliga, men de förbearbetade data i figur 3 representerar en betydande förbättring. Striping i data är borta, och de flesta funktioner är mer uppenbara.
Steg 2 – Regularisering/interpolation
Hittills har endast 1D- och 2D-rutiner använts.
För att tillämpa en 3D-migreringsrutin måste vi interpolera data till vanliga fack (vars storlek (4 cm) valdes när data laddades). I detta skede fylls luckor också genom att interpolera data från angränsande punkter.
Figur 4 visar alternativen för interpolationsrutinen, inklusive det maximala gapet som programvaran kommer att försöka fylla. Skälet bakom denna parameter är att det inte är någon idé att försöka fylla i betydande luckor med någon interpolationsalgoritm, eftersom det inte kommer att fungera om gapet är för stort. Sedan har vi också möjligheten att använda segmentgenomsnitt, vilket kan spara en del diskutrymme. Figur 5 visar resultatet efter interpolering. Notera - detta steg är vanligtvis den mest tidskrävande rutinen som tillämpas på 3D-data.
Migrering och efterbearbetning
Migration är den process under vilken hyperboliska anomalier kollapsar till punkter med hjälp av en känd hastighet och en vald algoritm. Det finns några matematiska algoritmer att välja mellan, var och en med sina för- och nackdelar. Nyckeln till att hantera 3D-GPR-data är dock att tillämpa en sann 3D-migrering efter interpolering. Alternativet är att använda 2D-migrering och sedan interpolera de migrerade profilerna till en 3D-volym, men detta tillvägagångssätt ger inte samma utmärkta resultat.
När vi tillämpar migration måste vi veta till vilken hastighet. Istället för att gissa kan vi använda ett interaktivt verktyg för att välja det optimala värdet, och den processen kommer att diskuteras senare i en separat teknisk notis. För närvarande hoppar vi direkt till efterbehandlingsstadiet.
Figur 6 visar tillgängliga efterbearbetningsrutiner, varav majoriteten kommer att diskuteras senare i en separat teknisk not. För närvarande koncentrerar vi oss på det vanligaste Amplitude Envelope.
Amplitude Envelope är processen att applicera en Hilbert-transform på data. Enkelt uttryckt flyttar detta effektivt negativa datavärden över till den positiva sidan och drar linjer mellan toppar. Det kan minska upplösningen något, men detta är i allmänhet acceptabelt på grund av den enklare tolkningen som följer.
Naturligtvis, i modern mjukvara kan en användare alltid hoppa mellan de olika bearbetningsstegen för att använda högre upplösning tillgänglig i andra datainstanser, även om detta sällan behövs.
Figur 7 visar effekten av migrering och efterbearbetningsrutiner på arbetsdataexemplet. Efter några enkla bearbetningssteg har vi nu data som är mycket lättare att tolka. Återigen, detta är bara en djupskiva, så att rulla genom hela djupområdet kommer att avslöja alla mål.
Ta bort
Modern och interaktiv bearbetningsprogramvara gör Raptor 3D GPR-data lätt att hantera. Du behöver inte vara vetenskapsman; följ bara några enkla riktlinjer, och den resulterande datan är betydligt enklare att tolka än vanliga 2D GPR-data, och oklarheterna är borta!
