一种微地震监测初至的拾取方法与流程

本发明属于非常规油气开发的微地震监测技术，更加具体地讲，涉及一种利用地表记录提取相关信息，使用算法进行初至拾取的方法。

背景技术：

初至拾取在微地震记录中一直都是一个基础而又十分重要的问题。初至拾取在VSP解析、浅层折射波勘测、层析成像勘测以及折射波形校正中都扮演了重要的角色。初至拾取的结果影响到后续的步骤对这部分数据处理的准确性。而且对于庞大的微地震数据，初至拾取的工作量是十分巨大的，能否快速的进行微地震数据的初至拾取，是影响数据处理效率的关键。

目前为止，通过观察地震剖面图并记录初至的手动拾取方法有很多种：相关法、分形维法、能量比法、最大振幅法及神经网络法等。他们各自存在优缺点。

(1)能量比方法

初至时间在剖面图中是一个非常特殊的点，在这个点指点的有效信号为零，存在的只是噪声；相反，在该点之后则是非常重要的地震信号。根据这个特性，我们可以设计一个时窗，将该时窗放在初始时间之前，则能量比较少；但是将该时窗放在初始点时则是有非常大的能量，因此前后两个时刻的时窗中的能量是存在非常大的差异的，所以，可以根据时窗能量之比来判断初至时间。

用如下的等式来表示时窗前后能量比的特性：

上式中，x(t)表示地震数据幅度值；T₁表示时窗起点；T₀为时窗中点；T₂为时窗终点。利用该方法时，在初始设定时窗长度时，可以根据自己的需要来设定，但是在用户设定初始值后，时窗的长度不能进行改变。但是该方法存在如下问题：当初至落在某个时窗内时，该时窗的能量和与前一个时窗的能量和之比很有可能小于该时窗内的能量和之后一个时窗的能量和之比。这样按照能量比方法，我们就要确定该时窗之后的时窗中的最大振幅点，但是初至却是不再这个时窗内的，进而产生了初至拾取错误的情况。

(2)振幅比方法

该方法与上述的能量比方法相似，在方法的初始阶段要设立时窗，该方法的原理如下：因为在初至到来的前后，地震波形有很大的起伏，在初至时间之前波形几乎为零，那么相应的这个时窗内的振幅值应该普遍比较小；而对于初至时间所在的时窗内，波形会变得特别大，那么相应的振幅值应该也普遍比较大，因此我们也可以用曲线长度比值的大小来判断初至时间，初至时间所在的那个时窗的曲线长度值将是最大的；

用如下等式来表示时窗前后振幅比的特性：

上式中，x(t)表示地震数据幅度值；T₁表示时窗起点；T₀为时窗中点；T₂为时窗终点。

(3)曲线长度比方法

该方法与能量比方法类似，但是在能量比方法中用到地震数据的性质是能量，而在该方法中用到的特征是曲线长度。通过计算时窗内的曲线长度来区分该时窗中是否有初至时间点落在其中。

(4)分形维数方法

Boschetti等发现可以利用分形维数随时间变化这个特性来应用于初至的拾取。通过对比“分隔法”和“赫斯特法”得出以下结论：分形维数的时间复杂度高于赫斯特法，但是初至的拾取效果更好。对于信噪比很低的情景，计算分形维的方法更多，应用也更加灵活。对于不同的地震数据以及不同的地震数据得到的分形维变化的特征可能会有不用。但是由于分形维的出现一般都是在噪声与信噪叠加信号的分界附近出现，这个分界也就是我们所说的“初至”。所以虽然对于具体的场景可能采用不同的方法来获得更高的效率，但是得到的结果却相似说明分形维的方法是很灵活的。

(5)极值

若函数f(x)在x₀的一个邻域D有定义，且对D的所有点，都有f(x)≤f(x₀)，则称f(x₀)是函数f(x)的一个极大值。同理，若对D的所有点，都有f(x)≥f(x₀)，则成f(x₀)是函数f(x)的一个极小值。

(6)微分

微分的概念是在解决直与曲的矛盾中产生的，在微小局部可以用直线去近似替代曲线，他的直接应用就是函数的线性化。微分具有双重意义：它表示一个微小的量，同时有表示一种与求导密切相关的运算。

总的来说，目前初至的拾取主要在人工的条件下进行，但在很多情况中由于噪声的影响，地震数据中的初至位置并不明显，这种缺陷一方面导致拾取的精度无法保证，另一方面也导致初始拾取的效率过低。

技术实现要素：

针对现有技术中存在的问题，本发明的目的在于解决现有技术存在的上述不足中的至少一项。例如，本发明的目的在于针对手动拾取微地震数据效率低下的问题，提出一种基于初至趋势的自动拾取方法，通过观察初至的趋势来确定自动拾取的起始终止点，计算该区间内的初至，实现了微地震数据初至的快速拾取。

为了实现上述目的，本发明提供了一种微地震监测初至的拾取方法，所述拾取方法将微地震数据的初至趋势线性分解为多段呈直线或近直线的初至拾取区间，在每个初至拾取区间内拾取每道微地震数据的波峰初至、波谷初至或跳变点初至，其中，在任一初至区间内拾取任一道微地震数据的波峰初至、波谷初至或跳变点初至包括以下步骤：

根据式1计算经过任一初至拾取区间的起始点A(m₁，n₁)和终止点B(m₂，n₂)的直线的斜率k，式1为：其中，m₁为起始点A的CDP号，n₁为起始点A的时间值，m₂终止点B的CDP号，n₂为终止点B的时间值。

根据式2确定任一道微地震数据波峰初至或波谷初至寻找的起始点Node(N_trace,n)，式2为：其中，N_trace为所述任一微地震数据的道数，n是所述直线与微地震数据二维数组相交得出的节点对应的时间值。

从所述起始点Node(N_trace,n)开始沿时间方向寻找波峰点，并将所得波峰点集合中振幅值最大的点作为所述任一道微地震数据的波峰初至点；或者，从所述起始点Node(N_trace,n)开始沿时间方向寻找波谷点，并将所得波谷点集合中振幅值最小的点作为所述任一道微地震数据的波谷初至点；或者，从所述起始点Node(N_trace,n)开始沿时间方向寻找波峰点或波谷点，将所得波峰点集合中振幅值最大的点作为所述任一道微地震数据的波峰初至点，将所得波谷点集合中振幅值最小的点作为所述任一道微地震数据的波谷初至点；然后以所述任一道微地震数据的波峰初至点和波谷初至点中时间值较小的点为跳变点初至寻找起始点，在时间方向上向上查询，如果查询的当前采样点的振幅值与其前一个点的振幅值满足异号关系，则选取所述当前点与其前一个点中振幅绝对值较小的点作为所述任一道微地震数据的跳变点；其中，向上查询跳变点时，所述当前采样点的时间值大于所述起始点Node(N_trace,n)的时间值n。

根据本发明微地震监测初至的拾取方法的一个实施例，在所述寻找波峰点或波谷点的步骤在从所述起始点Node(N_trace,n)开始沿时间方向分别向上寻找j个采样点和向下寻找j个采样点后结束，20≤j≤50，优选为40个。

根据本发明微地震监测初至的拾取方法的一个实施例，所述波峰点集合中波峰点的数量为k个，3≤k≤10，优选为5个。

根据本发明微地震监测初至的拾取方法的一个实施例，所述波谷点集合中波谷点的数量为k个，3≤k≤10，优选为5个。

根据本发明微地震监测初至的拾取方法的一个实施例，所述从起始点Node(N_trace,n)开始沿时间方向寻找波峰点的步骤为：

判断当前采样点的振幅值Num[N_cur]与其前一个采样点Num[N_pre]和其后一个采样点的振幅值Num[N_next]的关系，若满足式3和式4，则判定当前采样点的为波峰点，式3为：Num[N_cur]≥Num[N_pre]；式4为：Num[N_cur]≥Num[N_next]；其中，沿时间方向向上寻找波峰点时，所述当前采样点的时间值大于所述起始点Node(N_trace,n)的时间值；沿时间方向向下寻找波峰点时，n所述当前采样点的时间值小于所述起始点Node(N_trace,n)的时间值n。

根据本发明微地震监测初至的拾取方法的一个实施例，所述从起始点Node(N_trace,n)开始沿时间方向寻找波谷点的步骤为：

判断当前采样点的振幅值Num[N_cur]与其前一个采样点Num[N_pre]和其后一个采样点的振幅值Num[N_next]的关系，若满足式5和式6，则判定当前采样点的为波峰点，式5为：Num[N_cur]≤Num[N_pre]；式6为：Num[N_cur]≤Num[N_next]；其中，沿时间方向向上寻找波谷点时，所述当前采样点的时间值大于所述起始点Node(N_trace,n)的时间值n；沿时间方向向下寻找波谷点时，所述当前采样点的时间值小于所述起始点Node(N_trace,n)的时间值n。

根据本发明微地震监测初至的拾取方法的一个实施例，所述近直线的曲率接近于0。

根据本发明微地震监测初至的拾取方法的一个实施例，所述拾取方法还包括对所述微地震数据进行归一化处理，其中，对所述微地震数据中任一道进行归一化处理包括以下步骤：

求取任一道微地震数据的平均振幅值将所述任一道微地震数据逐一与所述平均振幅值相减，得到平均振幅值为零的道数据A′[n]；求取道数据A′[n]中的最大振幅值a′_max；对道数据A′[n]中的每个数据除以所述最大振幅值a′_max，得到振幅值均在[-1，+1]的道数据A″[n]。

根据本发明微地震监测初至的拾取方法的一个实施例，在所述寻找波峰点的步骤中，若某一采样点的振幅值小于零，则直接跳过该采样点去判断下一个采样点。

根据本发明微地震监测初至的拾取方法的一个实施例，在所述寻找波谷值的步骤中，如果某一采样点的振幅值大于零，则直接忽略该采样点去判断下一个采样点。

与现有技术相比，本文提出了一种基于微地震初至趋势的自动拾取方法，通过初至的趋势分段拾取，计算每一段区间内的波形的某一性质，进而得到该区间的初至，主要有益技术效果如下：

1)提出了针对某道微地震数据，快速准确计算某探测点周围的波形极大值、极小值或者跳变点。

2)针对初至的趋势，进行分段处理，避免了长区间内初至周围其他波形的强烈干扰导致前面的拾取结果对后面的影响。

3)尽量保持了每道数据拾取结果的独立性，将波形干扰降到最低。

附图说明

图1示出了根据本发明的示例性实施例的微地震监测初至的拾取方法的波峰初至拾取的流程图。

图2示出了根据本发明示例性实施例的微地震监测初至的拾取方法的波谷初至拾取的流程图。

图3示出了根据本发明示例性实施例的微地震监测初至的拾取方法的跳变点初至拾取的流程图。

图4示出了根据本发明示例性实施例的微地震监测初至的拾取方法的归一化的流程图。

具体实施方式

在下文中，将结合示例性实施例和附图来详细说明本发明的微地震监测初至的拾取方法。

由于微地震数据在复杂地区中，初至的波形变化大，各个波形相互干扰严重。且相比传统地震数据而言，信号更弱，干扰更多。传统的手动拾取对于这样的复杂数据效率较低，仅通过人的肉眼很难观测出剖面图各个波形在某处时间值所对应的数据的大小关系。本发明是根据微地震数据形态特征所设计，只需拾取首尾两个点，便可自动计算出指定区域内的微地震数据的初至拾取，从而解决手动拾取效率低下的问题。

本发明通过初至的趋势分段拾取，计算每一段区间内的波形的某一性质，进而得到该区间的初至，可以包括以下操作：

1、数据预处理

对微地震数据进行分析可以发现，道数据之间差距是十分大的，有些道数据方差是很大的，而其相邻的数据相差又比较小，这样以其绝对的数据进行可视化时，相邻的道数据可能会出现将本道数据覆盖的情况进而影响观察。所以在应用道数据之前优选先将数据进行预处理，例如归一化，找出每道数据的最大值，将该道所有数据除以该道数据的最大值，从而保持每道数据的值均保持在[-1，+1]这个范围，使得剖面图呈现的更加清晰。

图4示出了根据本发明示例性实施例的微地震监测初至的拾取方法的归一化的流程图。如图4所示，归一化主要分为三个步骤：

首先，取得一道数据A[n]，求取该道数据的平均值将该道数据逐一与平均值相减，使得该道数据的平均值(即平均振幅值)为0，得到零均值的该道数据A′[n]；其次，求取数据A′[n]中的最大值(即最大振幅值)a′_max；最后，对A′[n]中的每个数据进行归一化处理：a′＝a′/a′_max得到最后归一化道数据A″[n]。

通过上面三步对道数据A[n]的处理，将该道数据的平均值保持为0，并且将所有的值都确定在[-1，+1]这个区间，从而是每道数据不会相互重叠干扰，剖面图更加清晰，为下一步肉眼观察初至确定直线拟合趋势奠定基础。

2、线性分解初至趋势

对于微地震数据中的初至，通过观察其剖面图可以看到，有些位置的初至是近线性的，而有些地方是曲率比较大的抛物线。对于近线性的初至，通过在初至的起点和终点进行连线便可确定该初至的趋势从而为下一步的每道数据初至点查询做好准备；对于曲率比较大的抛物线型初至，可以通过两条或这三条直线段来确定该抛物线的趋势，对于这样的曲率比较大的抛物线，利用微分思想：

微分概念是用于解决直线和曲线的矛盾中产生的，在微小的局部可以用直线去近似替代曲线，微分的直接应用就是曲线的直线化。在利用两条或者三条直线段去近似抛物线型的曲线时，就是在利用直线来替代曲线，而直线的相对计算复杂度会小很多，更容易进行直线计算。并且在下一步的单道找寻初至值的时候并没有确定按照直线拟合求解出的节点为初至点，而是在一段阈值区间内进行找寻初至点，所以对于将曲率较大的初至按照趋势分解为多段的直线段进行拟合是一种快速而又复杂度低的方法。

所以对于肉眼观察的初至趋势，视趋势的弯曲程度构造一段或者是多段的直线段。

3、道内数据初至找寻

通过直线拟合确定了某段初至的大致趋势后，通过直线段确定了某道数据的初至起始找寻点后，通过初至查找方法，确定出该道数据的初至点信息(CDP号和时间值)并保存，通过对初至区间内直线拟合点的迭代进而求解出这段区间内的初至序列。

图1示出了根据本发明示例性实施例的微地震监测初至的拾取方法的波峰初至拾取的流程图，图2示出了根据本发明示例性实施例的微地震监测初至的拾取方法的波谷初至拾取的流程图，图3示出了根据本发明示例性实施例的微地震监测初至的拾取方法的跳变点初至拾取算法的程图，如图1至图3所示，根据本发明示例性实施例的微地震监测初至的拾取方法对初至拾取技术包括：对波峰的初至拾取、对波谷点的初至拾取或者对跳变点的初至拾取。

A、波峰初至拾取

第一步，对于微地震数据，观察出微地震数据中的初至的大致趋势，截取出初至趋势近直线或是曲率较小的初至，选择初至趋势中的起始点、终止点A(m₁，n₁)，B(m₂，n₂)。由于所处理的是微地震数据中的二维数组数据，所以m₁和m₂对应这两点的CDP号，n₁、n₂各自对应这点的时间值。得知了这两点的“横坐标”和“纵坐标”，就可以得出经过这两点的直线斜率该直线是对这段初始进行拾取的大致趋势。因为用直线来对所观察的初至进行了拟合，所以通过直线上的点来上下适当的寻找初至是正确率比较高的做法。

确定了该初至的近似拟合直线斜率后，计算每道初至寻找的起始点。假定每道微地震数据为Num[N_trace]，N_trace表示当前道号。从点A所在的道数据开始，计算该道数据初至寻找起始点：其中N_trace是表示当前道数，n即是拟合直线与微地震数据二维数组“相交”得出的节点对应的时间值，这样我们就确定了直线拟合上的点Node(N_trace,n)，(注：Node表示当前道数据进行初至寻找的起始点)。

确定了每道微地震数据初至寻找的起始点后，以该点为标准沿时间方向分别向上、向下寻找波峰初至点。由于波峰初至点对应微地震数据二维数组该道内的某个数据，而波峰初至又有一段区域内突然变化强烈的波形对应的波峰点，所以对于每一道数据，可以认为这是一段数据内的极大值，那么以起始点分别向上向下找寻极大值即可。

但是一个普通的微地震数据并不是在一段区域内只有一个波峰存在，往往在这个波峰初至点的前后都有若干个干扰的“波峰”，通过直线拟合求得的找寻起始点向上向下一定会分别找到波峰值，仅仅通过某一道的数据无法判断出哪一个的值是波峰初至，因为干扰很多，存在这两个波峰值都是“干扰”波峰的可能性很大，所以优选地，通过对于起始点上下设定阈值_ValueLimit，只在该阈值范围内的进行波峰初至的查找，超过这个阈值便不在寻找。

通过对众多的微地震数据观察测试，将该阈值_ValueLimit设定为40个采样点是比较合理的；对应于当前道数N_trace，通过直线拟合得知了该点的时间值n；对于找寻的过程分成向上找寻和向下找寻两个阶段：

第二步，向上找寻极大值。假定当前点为Node_cur(m_cur,n_cur)，m_cur、n_cur分别对应当前点的CDP号、时间值；假定当前点的“前一个点”为Node_pre(m_pre,n_pre)，m_pre和n_pre分别对应“前一个点”的CDP号和时间值；假定当前点的“后一个点”为Node_next(m_next,n_next)。设定集合upTimeSet_max用来存储向上查询到的波峰点的位置信息，downTimeSet_max用来存储向下查询到的波峰点的位置信息。由于是向上寻找，因此，首先判断n_cur＜n是否成立，如果不成立那么Node_cur之前的点便不再判断，如果成立便进行下一步的判定：即判断是否为波峰值。

一段经过零点波形的波峰值有如下特征：(1)、波峰值一定是大于零的；(2)、在该点的振幅值比该点前后的点对应的振幅值都要大或者相等。所以在向上寻找波峰值的时候首先判断该点对应的振幅值是否大于0：如果小于0直接去判断下一个点；如果振幅值大于0，进行下一步的判断：采用Num[N_cur]≥Num[N_pre]和Num[N_cur]≥Num[N_next]双重判决标准；如果成立便将这个点的位置信息(CDP号、时间值)放入到upTimeSet_max中。这个条件成立说明当前点的振幅值大于“前一个点”的振幅值和“下一个点”的振幅值，根据振幅波形的特点可以推算出这个点应该就是这段波形的波峰值。在比较振幅值的时候并没有采用严格关系符号＜和＞，因为微地震数据对应的波形并不是数学概念上的正弦余弦波形，它存在采样点，这就导致可能一段波形中对应的采样点并没有严格地在波峰出，有可能会在波峰相对便宜一段距离的位置。这样就会存在Num[N_cur]＝Num[N_pre]或者Num[N_cur]＝Num[N_next]，所以放宽数值比较关系主要是为了解决采样率导致波形不是绝对连续的问题。对于不满足该条件的，那么当前点一定不是这段波形的波峰值，需要继续向前找寻。“前一个点”有可能是波峰值，将“前一个点”当成当前点，将“前一个点”的前一个点当成“前一个点”继续进行判断是否满足判决标准，当：Num[N_cur]≥Num[N_pre]和Num[N_cur]≥Num[N_next]，该算法对节点的处理采用了BFS广度优先算法，对阈值内的点进行遍历，求解出规定的阈值内出现的所有可能的波峰值。

第三步，向下寻找极大值，方法原理与向上寻找时是相同的。同样对阈值内的点进行判断是否满足Num[N_cur]≥Num[N_pre]和Num[N_cur]≥Num[N_next]，成立则说明改点是这段波形内的波峰值，存入集合downTimeSet_max。

在本示例性实施例中，对波峰集合upTimeSet_max和downTimeSet_max的大小是有限定的，例如，将波峰集合的采样点数量设置成5。通过观察微地震数据的波峰值时可以发现在初至和初至之间是存在小的噪声波形的，而噪声的振幅值是没有特定规律的，有一些噪声是以冲积的形式出现的，这样在利用上述求取极大值的算法的时候就会将该冲积噪声存在波峰集合upTimeSet_max和downTimeSet_max中，这样该噪声最后很可能成为本发明方法所判定出的波峰值，因此限定波峰集合的大小。

对于直线拟合求出的初至找寻点，与该点距离越近的波峰点是最终的初至点的可能性是十分大的，但是距离是特别近的又有可能是噪声，距离找寻点太远又很有很多被误认为波峰的噪声点。基于此，选取5作为波峰集合的尺寸。

第四步、提取upTimeSet_max和downTimeSet_max中最大值(即振幅值最大的点)作为该道波峰初至点。

B、波谷初至拾取

与波峰初至拾取的方法相比，波谷初至的拾取只是在判决标准上出现了变化。上述的波峰初至查询的判决标准是：Num[N_cur]≥Num[N_pre]和Num[N_cur]≥Num[N_next]，而波谷是对应一段波形的最低点，所以波谷初至的判决标准为Num[N_cur]≤Num[N_pre]和Num[N_cur]≤Num[N_next]。

第一步，同样选取出初至趋势中的起始点、终止点A(m₁,n₁)，B(m₂，n₂)。通过这两点的“横坐标”和“纵坐标”，就可以得出经过这两点的直线斜率该直线是对这段初始进行拾取的大致趋势。通过该趋势确定每道数据确定的初至查找起始点；假定每道微地震数据为Num[N_trace]，N_trace表示当前道号；从点A所在的道数据开始，计算该道数据初至寻找起始点：其中N_trace是表示当前道数，n即是拟合直线与微地震数据二维数组“相交”得出的节点对应的时间值，这样我们就确定了直线拟合上的点Node(N_trace,n)，(注：Node表示当前道数据进行初至寻找的起始点)。

与波峰初至拾取类似，波谷初至查询同样分为向上查找和向下查找两步。对于地震数据，由于经过了数据预处理阶段，使得每道数据的均值为0，这样波谷一定是负数，所以在查询的时候如果发现改点数据是正数那么直接忽略查询下一点，提高算法的时间效率。

在查找波谷初至的时候，同样会出现前后干扰的“波谷”以及算法误认的“噪声波谷”，所以对于上下查找的范围限定一个阈值_ValueLimit(该阈值设定成40的效果比较好)，超过该阈值则不再处理；对于在阈值内找到的波谷点，只保存一定数量(5个时的效果较好)；如果保存太多的点，那么该范围内产生诸多的“波谷”通常是因为周围有很多噪声，这样会影响对波谷的判别，同时单个道数处理太多波谷点会影响算法的效率。

第二步和第三步同样是向上向下找寻波谷初至点。逐个遍历；判断当前点Node_cur(m_cur,n_cur)、前一个点Node_pre(m_pre,n_pre)及后一个点Node_next(m_next,n_next)，直到满足判决标准：Num[N_cur]≤Num[N_pre]和Num[N_cur]≤Num[N_next]，将该点保存到提取upTimeSet_min或downTimeSet_min中中，直到遍历的点不在阈值范围内，或者所保存的点达到五个时，停止查询波谷初至。

第四步：提取upTimeSet_min和downTimeSet_min中最小值(即振幅值最小的点)作为该道波谷初至点。

C、跳变点拾取

根据微地震数据的特点：在初至之前的波形，只有噪声的干扰，并且干扰一般都是比较小的；当到达初至处时，由于道数据中初至点要比噪声相对大一些，因此波形会迎来一个比较大的振幅变化，该点对于勘测下一步的研究是有很重要的作用，这个点就是跳变点。

通过观察剖面图可以发现关于跳变点的一些特点：有时跳变点之后经历的是波形的波谷，而有的时候跳变点之后经历的是波形的波峰，所以利用上述算法中单纯去找波峰初至或者是波谷初至的算法已经不能正确的找出这个跳变点，但是跳变点拾取可以将上述的波峰和波谷点拾取进行结合。

对于跳变点来说，可能下面的时刻经历波峰值或者是波谷值，这些都是不确定的，但是可以确定在其中的跳变点查找过程中一定会经历其中的一个，或是波峰值或是波谷值，所以在跳变点查找的时候，先将该道数据N_trace中根据直线拟合的初至趋势先查找波峰初至并保存在upTimeSet_max和downTimeSet_max中，然后将波谷初至保存在upTimeSet_min和downTimeSet_min中。

因为跳变点之后可能是波峰点可能是波谷点，但是无论是波峰点还是波谷点，这个点一定与跳变点的距离更近；那么针对upTimeSet_max、downTimeSet_max、upTimeSet_min、downTimeSet_min中求得的波峰点、波谷点中对应的时间值较小的认定它是跳变点找寻起始点，向上一直查询，如果查询的点N_trip(m′,n′)对应的振幅值Value_A)与它前一个点N_pre(m″,n″)对应的振幅值Value_B满足异号关系：Value_A*Value_B≤0，这说明这两点连成的线一定穿过零点；而根据前面跳变点的理解：波峰或者波谷前噪声起始点为跳变点，即是波峰或者波谷前第一个零点。所以N_trip(m′,n′)和N_pre(m″,n″))中一定有一个是跳变点(由于采样率的原因不存在绝对的零点)，选取其中绝对值较小的点作为该道数据的跳变点，依次遍历其他道数据，找到所有的跳变点。

本发明将为复杂微地震数据的快速拾取提供一种新的方法。通过将拾取趋势进行适当的分解，然后根据部分的拾取趋势计算每道数据的极大、极小或者跳变点，快速完成区间内的初至自动拾取。和手动拾取相比，大大降低了所用的时间，提高了数据处理的效率。该方法采用统一的分析方法和求解方法。适用于各种形态的微地震数据，无论极大值、极小值异或是跳变点，都可以相对准确地计算出来。

尽管上面已经结合附图和示例性实施例描述了本发明，但是本领域普通技术人员应该清楚，在不脱离权利要求的精神和范围的情况下，可以对上述实施例进行各种修改。