Filtrage de Donnees Sismiques Multicomposantes Et

See discussions, stats, and author profiles for this publication at: https://www.researchgate.
net/publication/30518318
Filtrage de données sismiques multicomposantes et estimation de la

polarisation
Article · September 2006

Source: OAI
CITATIONS READS
3 1,889
1 author:
Caroline Paulus
Atomic Energy and Alternative Energies Commission
45 PUBLICATIONS 221 CITATIONS
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
Eurosky View project
All content following this page was uploaded by Caroline Paulus on 27 January 2017.
The user has requested enhancement of the downloaded file.

Filtrage de données sismiques multicomposantes et
estimation de la polarisation
Caroline Paulus
To cite this version:

Caroline Paulus. Filtrage de données sismiques multicomposantes et estimation de la polarisa-
tion. Sciences de la Terre. Institut National Polytechnique de Grenoble - INPG, 2006. Français.
<tel-00204504>
HAL Id: tel-00204504

https://tel.archives-ouvertes.fr/tel-00204504
Submitted on 14 Jan 2008
HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non,
lished or not. The documents may come from émanant des établissements d’enseignement et de
teaching and research institutions in France or recherche français ou étrangers, des laboratoires
abroad, or from public or private research centers. publics ou privés.
INSTITUT NATIONAL POLYTECHNIQUE DE GRENOBLE
N ◦ attribué par la bibliothèque
THESE
pour obtenir le grade de
DOCTEUR DE L’INPG
Spécialité : ((Signal, Image, Parole et Télécoms))
préparée au Laboratoire des Images et des Signaux de Grenoble
dans le cadre de l’École Doctorale ((Électronique, Électrotechnique, Automatique,

Télécommunications et Signal))
présentée et soutenue publiquement
par
Caroline PAULUS
le 25 septembre 2006
Titre :
FILTRAGE DE DONNÉES SISMIQUES MULTICOMPOSANTES

ET ESTIMATION DE LA POLARISATION
Directeur de thèse : Jérôme MARS
JURY
Madame G. Jourdain, Présidente

Monsieur P. Larzabal, Rapporteur
Monsieur M. Najim, Rapporteur
Monsieur J. Guilbot, Examinateur
Madame S. Marcos, Examinatrice
Monsieur J. Mars, Directeur de thèse
Table des matières
Introduction 5
1 Éléments de sismique 9
1.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.1.1 Prospection sismique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.1.2 Acquisitions terrestres . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.1.3 Types d’enregistrement . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.2 Physique des ondes sismiques . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.2.1 Ondes élastiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.2.2 Différents milieux de propagation . . . . . . . . . . . . . . . . . . . . . 18
1.2.3 Polarisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.2.4 Trajets des différentes ondes sismiques . . . . . . . . . . . . . . . . . . 21
1.3 Modélisation des signaux sismiques . . . . . . . . . . . . . . . . . . . . . . . . 23
1.3.1 Modèle des signaux 1-Composante (1C) . . . . . . . . . . . . . . . . . 24
1.3.2 Modèle des signaux n-Composante (nC) . . . . . . . . . . . . . . . . . 25
1.4 La séparation d’ondes : une étape majeure du traitement . . . . . . . . . . . 26
1.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
I Filtrage et séparation d’ondes 29
2 État de l’art sur les méthodes de séparation d’ondes 31

2.1 Méthodes à gabarit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.1.1 Filtrage f − k . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.1.2 Filtrage τ − p . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.2 Méthodes matricielles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.2.1 Filtrage par décomposition en valeurs singulières (SVD) . . . . . . . . 36
2.2.2 Filtrage par décomposition de la matrice spectrale (SMF) . . . . . . . 43
2.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3 Filtrage matriciel spectral large-bande multicomposante 47

3.1 Modèle du signal et définition de la matrice spectrale large-bande multicom-
posante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.1.1 Modèle du signal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.1.2 Définition de la matrice spectrale large-bande multicomposante . . . . 49
3.1.3 Rang des matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.2 Étapes du filtrage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
1
2 TABLE DES MATIÈRES
3.2.1 Estimation de la matrice spectrale . . . . . . . . . . . . . . . . . . . . 52

3.2.2 Estimation du sous-espace signal . . . . . . . . . . . . . . . . . . . . . 55
3.3 Influence de l’arrangement en long-vecteur . . . . . . . . . . . . . . . . . . . . 58
3.4 Liens entre vecteurs de propagation et vecteurs propres . . . . . . . . . . . . 59
3.5 Pré-traitement possible : correction de vitesse . . . . . . . . . . . . . . . . . . 61
3.6 Exemple : onde de vitesse infinie avec un bruit additionnel . . . . . . . . . . . 62
3.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
4 Applications sur des données sismiques synthétiques et réelles 65

4.1 Application du filtrage sur des données synthétiques . . . . . . . . . . . . . . 67
4.1.1 Simulation 1 : Amélioration du rapport signal à bruit . . . . . . . . . 67
4.1.2 Simulation 2 : Séparation d’ondes . . . . . . . . . . . . . . . . . . . . . 72
4.1.3 Discussion sur la méthode . . . . . . . . . . . . . . . . . . . . . . . . . 76
4.2 Comparaison avec d’autres filtres . . . . . . . . . . . . . . . . . . . . . . . . . 81
4.2.1 Simulation 1 : Amélioration du rapport signal à bruit . . . . . . . . . 81
4.2.2 Simulation 2 : Séparation d’ondes . . . . . . . . . . . . . . . . . . . . . 83
4.2.3 Évaluation des performances . . . . . . . . . . . . . . . . . . . . . . . 85
4.3 Applications sur des données réelles . . . . . . . . . . . . . . . . . . . . . . . 87
4.3.1 Données de sismique réflexion . . . . . . . . . . . . . . . . . . . . . . . 87
4.3.2 Données de surface proche à 2 composantes . . . . . . . . . . . . . . . 91
4.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
II Attributs de polarisation et de direction d’arrivée 97
5 Estimation de la polarisation 99
5.1 Introduction sur l’analyse de polarisation . . . . . . . . . . . . . . . . . . . . 100
5.1.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
5.1.2 Intérêts de l’analyse de polarisation . . . . . . . . . . . . . . . . . . . 104
5.1.3 Comment faire l’analyse de polarisation ? . . . . . . . . . . . . . . . . 105
5.2 Méthode basée sur la matrice spectrale large-bande multicomposante . . . . . 108
5.2.1 Estimation du rapport d’amplitude et du déphasage . . . . . . . . . . 109
5.2.2 Exemple sur un jeu de données synthétiques . . . . . . . . . . . . . . . 111
5.3 Applications sur des données sismiques simulées et réelles . . . . . . . . . . . 114
5.3.1 Comparaison de la méthode proposée avec la méthode de Flinn . . . . 115
5.3.2 Application sur un profil sismique de données réelles . . . . . . . . . . 117
5.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
6 Estimation de la direction d’arrivée des ondes 121

6.1 Méthode à haute résolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
6.1.1 MUSIC ou goniomètre . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
6.1.2 MUSIC Actif Large-bande (MUSICAL) . . . . . . . . . . . . . . . . . 125
6.1.3 Long-Vecteur-MUSIC (LV-MUSIC) : cas des données multicomposantes 127
6.2 MultiComponent WideBand MUltiple SIgnal Classification (MCWB-MUSIC) 128
6.3 Étude des performances de MCWB-MUSIC . . . . . . . . . . . . . . . . . . . 131
6.3.1 Application de MCWB-MUSIC en sismique . . . . . . . . . . . . . . . 131
6.3.2 Nombre de sources détectables . . . . . . . . . . . . . . . . . . . . . . 132
TABLE DES MATIÈRES 3
6.3.3 Étude du pouvoir de résolution . . . . . . . . . . . . . . . . . . . . . . 134

6.3.4 Étude de la variance de l’estimateur . . . . . . . . . . . . . . . . . . . 137
6.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
Conclusions et perspectives 141
Bibliographie 153
4 TABLE DES MATIÈRES
Introduction
La sismique est une méthode de prospection qui permet d’avoir une connaissance sur les
structures géologiques du sous-sol grâce à l’analyse des ondes élastiques qui se propagent dans
le sol. Les méthodes sismiques sont essentiellement utilisées en prospection pétrolière dans le
but de localiser et caractériser des gisements d’hydrocarbures ou de gaz naturel. Elles peuvent
aussi être utilisées en génie civil pour la construction de grands ouvrages tels que des ponts,
des digues, etc.
Le traitement des données sismiques apparaı̂t donc comme un formidable champs d’appli-
cation pour les traiteurs de signaux. La diversité des milieux étudiés se traduit par une
grande complexité des signaux à traiter. L’analyse visuelle des données issues des campagnes
sismiques est alors impossible. Le traitement du signal intervient donc en proposant des
méthodes de représentation et de caractérisation permettant de faciliter l’interprétation de
ces signaux.
La technique fondamentale utilisée en sismique consiste à produire des ondes sismiques

à partir d’une source (camion vibreur, explosifs, canon à air, etc.) et à mesurer le temps de
propagation mis par ces ondes pour atteindre des capteurs posés sur le sol. L’étude des tra-
jets des ondes observées, des variations des amplitudes et des fréquences des signaux permet
d’obtenir des informations sur le sous-sol et en particulier sur sa structure. Pour mesurer
les mouvements du sol, des capteurs directionnels sont utilisés, permettant d’enregistrer une
vibration selon une direction définie. Pendant longtemps, les capteurs enregistraient ce mou-
vement dans une seule direction de l’espace (généralement verticale). Récemment, on assiste
à une utilisation grandissante de capteurs dit multicomposantes ou vectoriels. Ces capteurs
n’enregistrent plus seulement l’information relative à une unique direction de l’espace mais
dans deux ou trois directions. Ceci permet l’accès à une caractéristique fondamentale des
ondes sismiques : leur polarisation. Les données récoltées sur ces capteurs forment des enre-
gistrements multicomposantes, de taille souvent très importante.
L’objectif de ce travail de thèse est de proposer des méthodes de traitement et de ca-

ractérisation des ondes pour des signaux reçus sur des antennes de capteurs vectoriels. Du
fait de la nature vectorielle de ce type de signaux, les traitements classiques (filtre f − k,
τ − p, SVD...) ne sont pas nécessairement adaptés, car ils n’exploitent pas l’information dis-
ponible de manière optimale. Dans ce manuscrit, nous nous intéressons particulièrement au
5
6 Introduction
débruitage des données qui est une étape fondamentale du processus d’interprétation des
profils sismiques. L’objectif de nos traitements est d’améliorer le rapport signal à bruit, de
séparer et de caractériser les ondes présentes. Autrement dit, le but est de rehausser l’informa-
tion pertinente pour l’application visée par rapport à l’information considérée comme inutile,
en utilisant les propriétés physiques du signal telle que la polarisation. Une fois les ondes
séparées, nous nous attachons à caractériser plusieurs de leurs attributs : leur polarisation,
mais aussi leur direction et leur temps d’arrivée sur l’antenne de capteurs. L’extraction de ce
type d’information est une problématique typique en traitement d’antenne.
Nous commençons cette étude par un chapitre introductif permettant de fixer le cadre du
travail en présentant quelques généralités sur la prospection sismique et les caractéristiques
des signaux auxquels nous allons nous intéresser. Un bref rappel sur la physique des ondes
est tout d’abord proposé car il s’avère nécessaire à l’élaboration d’un modèle mathématique
pour les signaux reçus sur les antennes de capteurs multicomposantes.
Par la suite, le travail de thèse s’organise en deux grandes parties. La première s’attaque
aux problèmes de filtrage et de séparation des ondes. Nous commençons par un état de l’art
des méthodes de séparation d’ondes en allant des méthodes les plus classiquement utilisées
(filtres f −k et τ −p) aux méthodes les plus récentes (filtre 3C-SVD...). Nous proposons ensuite
une nouvelle technique adaptée au traitement des signaux multicomposantes, basée sur une
extension de la méthode de filtrage utilisant la matrice spectrale (Spectral Matrix Filtering).
Nous présentons en détails les principes de ce traitement basé sur la décomposition d’une ma-
trice spectrale large bande multicomposante. La définition de cette matrice assure la prise en
compte de toute l’information disponible à la fois sur l’ensemble des composantes et sur tous
les canaux fréquentiels, permettant ainsi un filtrage efficace. Le sigle anglais MCWB-SMF
pour ”MultiComponent WideBand Spectral Matrix Filtering” désigne cette méthode dans le
reste du document. Pour valider cette méthode, nous présentons des simulations et montrons
que les résultats du filtrage sont meilleurs que ceux obtenus avec les méthodes présentées dans
l’état de l’art. Enfin, nous appliquons la méthode sur des signaux réels issus de campagnes
sismiques terrestres.
La deuxième partie aborde des problèmes couramment rencontrés en traitement d’an-

tenne : la caractérisation de divers attributs des ondes sismiques. Nous abordons plus par-
ticulièrement le problème de l’analyse de la polarisation puis de l’estimation de la Direction
D’Arrivée des ondes (DDA). Le chapitre 5 est dédié au traitement fondamental qu’est l’analyse
de polarisation, permise par l’utilisation de capteurs multicomposantes. Après avoir introduit
l’intérêt de cette analyse de polarisation, nous proposons une méthode qui tire profit de la
décomposition de la matrice spectrale large bande multicomposante définie dans la première
partie. Nous montrons que les paramètres de polarisation, à savoir le déphasage et le rapport
d’amplitude entre les composantes, se retrouvent dans les termes composant les matrices de
rang 1 issus de la décomposition de la matrice spectrale. Nous présentons les résultats de notre
traitement sur des données synthétiques et comparons ses performances avec un algorithme
développé par Flinn qui est classiquement utilisé en analyse de polarisation.
Le chapitre 6 est consacré à l’estimation de la Direction D’Arrivée des ondes. Après avoir
présenté les méthodes Haute Résolution (HR), nous faisons le choix d’étendre l’algorithme
MUSIC (MUltiple SIgnal Classification) au cas large bande multicomposante. Cette méthode
Introduction 7
HR permet l’estimation conjointe des directions et des temps d’arrivée sur l’antenne des
différentes ondes. L’algorithme, appelé MCWB-MUSIC (MultiComponent WideBand MU-
SIC), prend en compte l’ensemble de l’information disponible sur le signal sans avoir à utiliser
d’opérateurs de focalisation en fréquence. Nous comparons ensuite les performances de cet
algorithme avec d’autres algorithmes HR en terme de pouvoir de résolution et de variance de
l’estimateur.
8 Introduction
Chapitre 1
Éléments de sismique
Sommaire
1.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.1.1 Prospection sismique . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.1.2 Acquisitions terrestres . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.1.3 Types d’enregistrement . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.1.3.1 Enregistrements monocomposantes . . . . . . . . . . . . . . 13
1.1.3.2 Enregistrements multicomposantes (2C/3C/4C) . . . . . . 14
1.2 Physique des ondes sismiques . . . . . . . . . . . . . . . . . . . . . 15
1.2.1 Ondes élastiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.2.1.1 Les ondes de volume . . . . . . . . . . . . . . . . . . . . . . 15
1.2.1.2 Les ondes de surface . . . . . . . . . . . . . . . . . . . . . . 17
1.2.2 Différents milieux de propagation . . . . . . . . . . . . . . . . . . . . 18
1.2.3 Polarisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.2.4 Trajets des différentes ondes sismiques . . . . . . . . . . . . . . . . . 21
1.2.4.1 Réflexion, transmission, réfraction . . . . . . . . . . . . . . 21
1.2.4.2 Cas des ondes élastiques : couplage de mode . . . . . . . . 22
1.2.4.3 Phénomènes d’atténuation . . . . . . . . . . . . . . . . . . 23
1.3 Modélisation des signaux sismiques . . . . . . . . . . . . . . . . . 23
1.3.1 Modèle des signaux 1-Composante (1C) . . . . . . . . . . . . . . . . 24
1.3.2 Modèle des signaux n-Composante (nC) . . . . . . . . . . . . . . . . 25
1.4 La séparation d’ondes : une étape majeure du traitement . . . . 26
1.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
9
10 Chapitre 1. Éléments de sismique
Le but de cet chapitre introductif est de fixer le cadre de travail proposé et de présenter
les caractéristiques des signaux auxquels nous allons nous intéresser dans ce manuscrit. Nous
commençons par quelques généralités sur les acquisitions de données sismiques et sur les
différents types d’enregistrements sismiques disponibles.
Un résumé des bases de la physique des ondes sismiques est ensuite proposé car il s’avère
nécessaire à l’élaboration d’un modèle mathématique pour les signaux sismiques multicom-
posantes.
Après avoir présenté les bases de physique nécessaires et le modèle utilisé, nous revien-
drons sur la problématique de ce travail. En effet, une fois les signaux sismiques enregistrés
sur un réseau de capteurs, une série de traitements est réalisée afin d’arriver au but recherché
par le géophysicien, à savoir l’interprétation des données en vue de la caractérisation des
couches du sous-sol. Dans notre cas, nous nous intéressons plus particulièrement à l’étape
d’amélioration de rapport signal à bruit et de séparation des ondes qui consiste à isoler les
ondes susceptibles d’apporter de l’information sur la nature du sol. De nombreuses méthodes
ont déjà été développées dans le cas d’enregistrements sismiques monocomposantes (c’est à
dire enregistrant les signaux dans une seule direction de l’espace), cependant peu de méthodes
sont adaptées au cas des enregistrements multicomposantes (plusieurs directions orthogonales
de l’espace).
1.1 Généralités
1.1.1 Prospection sismique
Le sous-sol de notre planète renferme une grande quantité de richesses exploitables par
l’homme. Pour pouvoir utiliser ces ressources, il est nécessaire de connaı̂tre la stratigraphie
et les structures géologiques présentes dans le sous-sol. Ces informations n’étant pas directe-
ment décelables à la surface de la terre, il faut avoir recours à des moyens de prospection. La
méthode géophysique la plus utilisée pour imager les structures du sous-sol est la méthode de
prospection sismique où l’on utilise les propriétés élastiques ou acoustiques du terrain et
sa capacité à transmettre les ondes. Les différentes couches sont alors caractérisées par divers
attributs telles que la vitesse de propagation des ondes, l’atténuation, la densité...
La prospection sismique consiste à produire des séismes de faible amplitude à partir d’un
dispositif de source émettrice qui seront enregistrés sur un dispositif d’acquisition
composé de capteurs. Ce dispositif d’acquisition peut prendre des formes très variées sui-
vant les caractéristiques recherchées : antennes horizontales ou verticales, en réseau, en étoile,
circulaires... Dans la suite, nous nous intéressons au cas d’antennes horizontales linéaires et
uniformes (c-à-d avec un pas, ou intertrace, constant entre les capteurs). L’enregistrement
obtenu sur un capteur est appelé trace sismique et l’ensemble de ces traces forme un profil
sismique. Un des axes correspond à l’abscisse géographique des récepteurs le long du profil
d’acquisition et l’autre axe correspond au temps d’écoute et peut être directement relié à la
profondeur (cf. Fig. 1.1) [Yil01].
Les événements sismiques présents sur l’enregistrement correspondent à l’arrivée des ondes
sismiques sur le réseau de capteurs après propagation dans le sous-sol. L’énergie émise par
1.1. Généralités 11
le dispositif source se répartit entre les ondes de volume et les ondes de surface. La sismique
réflexion privilégie ce premier type d’ondes car ce sont elles qui remontent à la surface après
s’être réfléchies sur des interfaces. Ces interfaces correspondent à une variation de l’impédance
acoustique et caractérisent les limites entre les différentes couches géologiques du sous-sol.
L’analyse d’un profil sismique permet donc d’obtenir une information sur la structure stra-
tigraphique et lithologique du sol dans le cas où la géométrie de l’ensemble de la campagne
d’acquisition est connue avec précision (position précise des sources et des capteurs).
Il existe une grande quantité d’ouvrages généraux traitant de la prospection sismique, le

lecteur pourra par exemple se référer à [Yil01, She02, Lav86, Cla76].
a b
Capteurs a Source b
0
Onde
directe 0.02
Couche 1 0.04
0.06
Interface Onde
0.08
réfléchie 1
Couche 2
Onde 0.1
Interface
réfléchie 2
0.12
Couche 3
0.14 Capteurs
0 5 10 15 20 25 30
Temps (s)
Fig. 1.1 – Exemple synthétique de prospection sismique (sismique réflexion) au moyen d’un
réseau de capteurs et d’une source placée en son centre. Le sous-sol est modélisé par 3 couches
(figure de gauche) dans lesquelles sont visualisés les trajets de trois ondes arrivant sur des
capteurs symétriques par rapport à la source (une onde directe et deux ondes réfléchies).
La figure de droite montre le profil sismique résultant de l’enregistrement des signaux sur
l’ensemble des capteurs formant l’antenne.
1.1.2 Acquisitions terrestres

Différents types d’acquisitions sont envisageables en sismique terrestre (cf. Fig. 1.2). Bien
souvent, le positionnement des structures géologiques à imager détermine le type de disposi-
tifs à mettre en place [Yil01, She87, Har00, Lav86].
– Sismique réflexion et sismique réfraction

Dans ce cas, la source et les capteurs sont situés à la surface et les ondes qui se propagent
dans le milieu ont des caractéristiques variées. Lorsque l’onde rencontre une interface
géologique avec un angle égal à l’angle critique (voir paragraphe 1.2.4.1), nous faisons
alors de la sismique réfraction. Dans ce cas, l’onde réfractée se propage le long de l’in-
terface et réémet régulièrement une onde vers la surface avec le même angle critique.
Si l’onde arrive sur l’interface avec un angle supérieur à l’angle critique, elle se réfléchie
totalement et nous obtenons une acquisition dite de sismique réflexion [Yil01, MGC01].
Enfin, il existe des ondes très énergétiques, appelées ondes de surface, qui se propagent
Puits 1 Puits 2
Source Capteurs
Sismique
Emetteur
réflexion
Couche 1
Sismique Sismique
de puits réfraction
Couche 2
Emetteur
Emetteur
Sismique Recepteur
inter−puits
Couche 3
Fig. 1.2 – Les différents types de campagnes d’acquisition en sismique terrestre
parallèlement à la surface.
– Sismique de puits
La sismique de puits permet d’obtenir des informations plus précises en terme de
résolution et de profondeur dans la mesure où le système est descendu dans un puits.
La source est située à la surface terrestre mais les capteurs sont situés dans le puits. Il
n’y a alors plus d’ondes de surface mais des ondes dites de tube qui sont générées par
la discontinuité de vitesse qui existe entre la roche et l’eau ou la boue présente dans
le puits. Si la source est à la verticale du puits, on obtient un profil sismique vertical
(PSV), sinon un profil sismique oblique (PSO) [Har92, Har00].
Enfin, si nous disposons de plusieurs puits, nous avons de la sismique inter-puits (cross-
well ). Ce type d’acquisition facilite l’investigation des zones situées entre les puits
[Har92].
– Sources
Plusieurs types de sources peuvent être utilisés en sismique terrestre [SG82, She87,
MGC01] : les explosions qui fournissent un signal très bref en temps, les camions vi-
breurs qui envoient un signal large-bande dans le sous-sol et sont particulièrement uti-
lisés par les compagnies de géophysique dans les régions habitées et enfin les chutes de
masses (de moins en moins utilisées à cause de leur manque de maniabilité).
– Capteurs
Les capteurs utilisés sont appelés géophones. Classiquement, ils sont composés d’un
aimant fixe autour duquel une bobine mobile peut coulisser. Le passage d’une onde
sismique provoque le mouvement de l’aimant qui va générer un courant induit dans la
bobine. Ce courant, par son amplitude, traduit la vitesse du déplacement provoqué par
le passage d’une onde sismique. Les géophones enregistrent les vibrations du sol dans une
certaine direction de l’espace. Ils peuvent être utilisés seuls (capteurs monocomposantes)
ou en doublets ou triplets formant ainsi un trièdre (capteurs multicomposantes) et
1.1. Généralités 13
permettant l’enregistrement des mouvements du sol dans plusieurs directions de l’espace

[TM91]. Ces capteurs sont disposés régulièrement et de façon rectiligne à la surface de la
terre ou bien dans un puits, dans le but de réaliser un échantillonnage spatial uniforme.
Il existe maintenant des capteurs numériques 3C. Enfin, si l’on se place en sismique
marine, on parle alors d’OBS (Ocean Bottom Seismometer ). Les OBS sont des capteurs
posés sur le sol marin et composés de trois géophones et d’un hydrophone.
1.1.3 Types d’enregistrement
1.1.3.1 Enregistrements monocomposantes
Comme nous l’avons vu brièvement, les acquisitions énumérées dans la partie 1.1.2 per-
mettent l’enregistrement des signaux dans un plan vertical contenant l’axe source-capteurs.
Les capteurs monocomposantes utilisés enregistrent les signaux dans une seule direction de
l’espace qui est la verticale.
Ce type d’acquisition est appelé profil 2D car l’enregistrement est fonction de deux variables :
la distance source-capteurs et la durée d’enregistrement qui correspond à la profondeur (en
effet, plus un évènement sismique se produit en profondeur et plus il met longtemps à reve-
nir à la surface). Il permet d’obtenir une image d’une ”tranche” du sous-sol (Fig. 1.3 à gauche).
Afin de reconstituer de façon plus fidèle le sous-sol, il est de plus en plus fréquent que l’on
image des volumes de terrain. La méthode 2D peut alors être étendue à un réseau de capteurs
quadrillant la surface ; dans ce cas nous parlons de sismique 3D (Fig. 1.3 à droite) [CGP00].
Ce quadrillage est obtenu par mise en place de plusieurs lignes d’antenne. Les enregistrements
dépendront alors d’une troisième variable de distance qui désigne la position des différentes
acquisitions 2D translatées, on obtient alors un cube de données sismiques.
Enfin, si la mesure est faite à différentes dates sur une même région avec le même dispositif
3D, nous ajoutons une nouvelle variable temporelle et nous obtenons un enregistrement 4D.
Ces enregistrements peuvent être fait à plusieurs jours, voir plusieurs mois d’intervalle. Ce type
d’acquisition 4D est souvent utilisé pour la surveillance de réservoirs d’hydrocarbures (moni-
toring) et permet une extraction maximale des constituants d’un réservoir [She87, MC98].
Distance 1
Source
Distance
Source Capteurs Distance 2
Capteurs
Couche 1 Couche 1
Couche 2 Couche 2
Temps Temps
2D 3D
Fig. 1.3 – Acquisitions sismiques 2D et 3D

1.1.3.2 Enregistrements multicomposantes (2C/3C/4C)

En sismique terrestre et marine, l’utilisation d’antennes de capteurs vectoriels est de plus
en plus répandue. Ils permettent l’enregistrement des mouvements du sol simultanément dans
plusieurs directions de l’espace orthogonales entre elles. On obtient alors un enregistrement
multicomposantes 2C (2 composantes) dans le cas d’un doublet et 3C (3 composantes) dans
le cas d’un triplet. Ces composantes sont généralement constituées d’une composante verti-
cale (notée Z), et d’une ou deux composantes horizontales (notées X et Y) (Fig. 1.4). Ces
enregistrements forment alors un cube sismique. Chaque profil 2D correspondant aux données
récoltées sur une composante est rangé dans une tranche du cube (Fig. 1.5).
Source y
x
Capteurs 3C
z
Couche 1
Couche 2
Temps
Fig. 1.4 – Acquisitions sismiques multicomposantes
500
Composantes 550
600
500
650
550
700
DIstance (m)
600
750
500
650
800
550
700
DIstance (m)
850
600
750
900
650
800
950
700
DIstance (m)
Distance
850
1000
0 0.5 1 1.5 2 2.5 3 3.5 4
750 Temps (s)
900
800
950
850
1000
0 0.5 1 1.5 2 2.5 3 3.5 4
900 Temps (s)
950
1000
0 0.5 1 1.5 2 2.5 3 3.5 4
Temps (s)
Temps
Fig. 1.5 – Section sismique multicomposantes. Chaque ”tranche” correspond à l’ensemble des
traces reçues sur une des composantes.
Dans le cas d’une acquisition sismique marine, il est possible de réaliser des enregistre-
ments 4C. Les capteurs utilisés possèdent 4 composantes (un géophone 3C formant un trièdre
et un hydrophone enregistrant l’information de pression).
La possibilité d’avoir accès aux mouvements du sous-sol dans les trois directions de l’es-
pace et aux variations de pression à l’interface sol-eau permet une meilleure caractérisation
des champs d’ondes propagés et notamment l’accès à l’information de polarisation des ondes
(cf. paragraphe 1.2.3). Cette information est très importante en prospection sismique car
1.2. Physique des ondes sismiques 15
elle permet de faire la différence entre différents types d’ondes (ondes de surface, ondes de
volume...) qui sont la marque d’un évènement sismique particulier [She02]. Connaı̂tre la pola-
risation permet une identification plus fine du type d’onde et donc une description plus exacte
des structures du sous-sol investigué.
En sismique, c’est au début des années 90 que les capteurs multicomposantes ont commencé à
remplacer les capteurs scalaires [Cal99]. Ces acquisitions multicomposantes sont actuellement
en plein développement et offrent de nouvelles perspectives en imagerie et en caractérisation
sismique.
1.2 Physique des ondes sismiques

Dans la suite, nous nous intéressons au cas de la sismique terrestre et par conséquent,
limitons notre étude au cas des ondes élastiques [EJP57, Bri60].
1.2.1 Ondes élastiques

En prospection sismique, le milieu de propagation peut-être considéré comme élastique.
Les ondes sismiques sont des ondes élastiques qui peuvent se propager sur des distances très
importantes. L’impulsion de départ (source) va déplacer les particules élémentaires présentes
dans le milieu, qui elles-mêmes vont à leur tour déplacer d’autres particules avant de reprendre
leur place, se propageant ainsi en créant une réaction en chaı̂ne.
Les vibrations engendrées par la source sismique se propagent dans toutes les directions.
On distingue deux types d’ondes, les ondes de volume qui traversent la terre et les ondes
de surface qui se propagent en surface. Sur un enregistrement sismique, ces ondes peuvent
se succéder ou bien se superposer. Leurs vitesses de propagation et leurs amplitudes sont
modifiées par les structures géologiques qu’elles traversent. Ainsi, les signaux enregistrés sont
la combinaison d’effets liés à la source, aux milieux traversés et aux instruments de mesure.
1.2.1.1 Les ondes de volume

Supposons que le milieu traversé par les ondes soit homogène, isotrope (ces propriétés ne
varient pas suivant la direction) et élastique, les équations des ondes qui naissent dans un tel
milieu obéissent à la loi de Hooke et sont solutions de l’équation qui lie les contraintes et les
déformations dans le solide. Sous forme vectorielle, l’équation des ondes s’écrit :
→
−
−−→ →
− →
− ∂2 U
(λ + 2µ)grad(div U ) + µ∆ U = ρ 2 (1.1)
∂t
où λ et µ sont les coefficients de proportionnalité pour un milieu élastique homogène et
→
−
isotrope, appelés coefficients de Lamé, U est le vecteur déplacement observable en tout point
du milieu traversé par l’onde élastique et ρ est la masse volumique du milieu. On peut exprimer
le vecteur déplacement par sa décomposition de Helmholtz :
→
− −−→ −→→−
U = gradΦ + rot Ψ (1.2)
→
−
où Φ est le potentiel de dilatation (scalaire) et Ψ le potentiel de cisaillement (vectoriel).
→
−
Si l’on considère un vecteur déplacement défini par le potentiel scalaire Φ tel que U =
−−→ −→→−
gradφ avec rot Ψ = 0, l’équation des ondes devient :
1 ∂2Φ
∆Φ = . (1.3)
VP2 ∂t2
Cette équation correspond à l’équation de propagation des ondes P (ou ondes primaires)
appelées aussi ondes de compression. Elles correspondent à des vibrations longitudinales qui
agitent les particules en tout point du milieu parallèlement à la direction de propagation (cf.
Fig. 1.6). Si on note (Oxz) le plan vertical du profil formé par la direction source-récepteur
(x) et la verticale (z), alors les déplacements des particules ont lieu dans le plan (Oxz). Le
déplacement du sol qui accompagne le passage des ondes P se fait par dilatation et compression
successives. Ces ondes se propagent à la fois dans les liquides et les solides et ont une vitesse
de propagation VP qui est égale à :
s
λ + 2µ
VP = . (1.4)
ρ
Les ondes P sont les plus rapides et sont donc généralement enregistrées en premier sur les
capteurs, d’où leur nom.
Si l’on considère un mouvement rotationnel défini par le potentiel vecteur Ψ, de compo-

→
− −→→
−
sante Ψi , tel que U = rot Ψ , l’équation des ondes devient :
1 ∂ 2 Ψi
∆Ψi = . (1.5)
VS2 ∂t2
Cette équation correspond à l’équation de propagation des ondes S (ou ondes secondaires)
appelées aussi ondes de cisaillement (shear waves). Elles correspondent à des vibrations trans-
versales qui agitent les particules en tout point du milieu perpendiculairement à la direction
de propagation. Ces déplacements perpendiculaires ont lieu soit dans le plan du profil (x,z)
et ces ondes sont alors appelées ondes SV (vibration dans le plan vertical)(cf. Fig. 1.6), soit
perpendiculairement au plan du profil et ces ondes sont appelées ondes SH (vibration dans le
plan horizontal)(cf. Fig. 1.6). Ainsi, les mouvements du sol s’effectuent perpendiculairement
au sens de propagation de l’onde. Ces ondes ne se propagent pas dans les liquides. Elles ont
une vitesse de propagation VS qui est égale à :
r
µ
VS = . (1.6)
ρ
La vitesse des ondes S est généralement plus lente que celle des ondes P.
Le rapport entre les vitesses VP et VS est un précieux indicateur de la nature de la roche.

Il sert par exemple d’indicateur de présence d’hydrocarbure [DT95].
De plus, comme les équations (1.4) et (1.6) le montrent, la vitesse de propagation des
ondes P et des ondes S dépend de la nature du milieu traversé (ρ). Avec la profondeur, les
couches ont tendance à devenir de plus en plus denses. Par conséquent, la vitesse de propa-
gation des ondes de volume augmente avec la profondeur (sauf en cas de présence d’une zone
à moindre vitesse).
Les ondes de volume se propagent comme les rayons lumineux : elles peuvent être réfléchies
ou réfractées, c’est-à-dire déviées à chaque changement de milieu. Elles peuvent ainsi suivre
des trajets très complexes à l’intérieur de la Terre. Leur temps de parcours dépend de ce
trajet, elles n’arrivent donc pas toutes en même temps au même endroit. Nous voyons cela
plus en détails dans la partie 1.2.4.
Onde P Onde SH Onde SV

Source Capteurs Capteurs Source Capteurs
Source
Direction Déplacement Direction Déplacement

Direction Déplacement des particules
de propagation des particules de propagation
de propagation des particules
Fig. 1.6 – Propagation et polarisation des ondes P et des ondes S
1.2.1.2 Les ondes de surface

Les ondes de surfaces sont des ondes guidées. Elles apparaissent lorsqu’un milieu est li-
mité par une surface libre, et leur énergie décroı̂t très rapidement avec la profondeur. Elles
sont moins rapides que les ondes de volume mais leur amplitude est généralement plus forte.
Ces ondes se propagent dans les couches superficielles et par conséquent ne contiennent pas
d’information sur les structures géologiques profondes que l’on souhaite identifier. Comme ces
ondes sont très énergétiques, elles ont tendance à gêner l’interprétation des données sismiques
en contexte pétrolier. Néanmoins, il existe quelques applications pour lesquelles ces ondes
présentent un intérêt, on peut citer par exemple la sismique de sub-surface [MACG98].
Plusieurs types d’ondes de surface peuvent exister en fonction de la topologie du milieu

et de la nature de la source émise :
– ondes de Love : ces ondes ont été découvertes par l’anglais A. Love en 1911 [Lov11].
Elles naissent des interférences entre les ondes P et les ondes SH et sont caractérisées
par un mouvement horizontal perpendiculaire à la direction de propagation et sans
déplacement vertical. Elles sont souvent présentes dans les données sismologiques.
– ondes de Rayleigh : ces onde ont été découvertes par J. Rayleigh en 1885. Elles
naissent des interférences entre les ondes P et les ondes SV, dans un milieu homogène,
semi-infini à vitesse constante [Lav86, She02]. Leur déplacement est complexe, composé
à la fois d’un mouvement horizontal et vertical, elliptique. Ces ondes ont une polarisation
elliptique contenue dans le plan vertical de propagation. Les ondes de Rayleigh ont une
faible vitesse de propagation et présentent un fort caractère dispersif, c’est à dire que
la vitesse de propagation dépend de la fréquence.
– ondes de Stoneley : ce sont des ondes d’interface ou de surface, de grande amplitude

que l’on retrouve à l’interface solide-fluide. Elles existent sous certaines conditions par-
ticulières d’interface solide-liquide. On les appelle également ondes de tube en sismique
de puits où elles constituent une source importante de bruit [She02].
L’ensemble de ces ondes de surface forme ce que l’on appelle le ”ground-roll” en sismique
pétrolière et caractérise le bruit de surface [She02, MACG99]. Il est présent dans la plupart
des enregistrements sismiques. Ces ondes sont caractérisées par une très forte énergie, par des
vitesses relativement faibles, et un contenu fréquentiel basse fréquence. La plupart du temps,
ce sont des ondes de Rayleigh ou de pseudo-Rayleigh (dans le cas où le milieu n’est pas ho-
mogène). Le ”ground-roll” a tendance à masquer les évènements intéressants (ondes réfléchies
par exemple). Pour le géophysicien pétrolier, ce sont des ondes à éliminer, généralement par
des filtrages. Pour le géotechnicien, c’est plutôt l’inverse car l’étude de ces ondes donne des
informations sur les formations proches de la surface.
1.2.2 Différents milieux de propagation

Dans ce manuscrit, nous ne considérons que des milieux homogènes, c’est à dire dont les
paramètres élastiques et la densité sont constants dans un même milieu. Il est possible de
classer ces milieux de propagation en plusieurs catégories :
– les milieux de propagation anisotropes pour lesquels la vitesse des ondes dépend de la
direction,
– les milieux de propagation isotropes pour lesquels les propriétés sont identiques quelle
que soit la direction d’observation.
Ces deux types de milieu peuvent de plus être dispersifs ou non-dispersifs. La dispersion
correspond à la déformation d’un train d’ondes due à la variation de la vitesse de propagation
avec la fréquence [Lav86]. Ainsi, un signal large-bande propagé dans un milieu dispersif se
déforme au cours de la propagation. La dispersion s’accompagne d’une séparation de la vitesse
de phase et de la vitesse de groupe. La vitesse de phase correspond à la distance parcourue
par unité de temps par un point de phase constante de la surface d’onde. La vitesse de
groupe est la vitesse de propagation de l’enveloppe du train d’ondes. La mise en évidence
d’une différence entre ces deux vitesses permet de juger de la dispersion de l’onde sismique
examinée. Cette mesure de dispersion peut être directement reliée aux paramètres physiques
des milieux traversés par l’onde [MACG99].
Dans la nature, il est courant de rencontrer des milieux dispersifs. Nous verrons par la suite que
pour prendre en compte ce phénomène de dispersion, il est intéressant de traiter les signaux
sur toute leur bande de fréquence, c’est à dire en prenant en compte toutes les fréquences
simultanément.
1.2.3 Polarisation
La polarisation d’une onde décrit le comportement des particules du sous-sol au passage de
cette onde. L’image de la houle qui avance horizontalement mais oscille verticalement donne
une idée de ce qu’est la polarisation. La polarisation d’une onde appartient à un plan appelé
plan de polarisation qui peut être stationnaire ou bien changer d’orientation au cours de la
propagation.
Dans le domaine des ondes élastiques, suivant la nature de la source émise et les milieux
traversés, les ondes sismiques peuvent avoir différents types de polarisation :
– polarisation rectiligne : la direction de l’oscillation est constante,
– polarisation elliptique : la direction de l’oscillation tourne autour de l’axe de propagation
à la fréquence de l’onde.
Les ondes longitudinales (de type P) et transversales (de type S) ont des polarisations linéaires
orientées respectivement dans la direction de la propagation de l’onde et perpendiculairement
à la direction de propagation. Pour les ondes de surface telles que les ondes de pseudo-Rayleigh,
la polarisation est beaucoup plus complexe et se rapproche d’un mouvement elliptique.
Cette information de polarisation n’est accessible qu’avec des enregistrements multicom-

posantes réalisés avec des capteurs vectoriels [AN96]. Une onde enregistrée sur un tel capteur
arrive en même temps sur les composantes. Les différents signaux correspondant aux compo-
santes ont la même enveloppe à un facteur multiplicatif près. La notion de polarisation est
donc indépendante de l’enveloppe, elle est directement liée aux répartitions d’amplitude et
aux variations de phase sur les différentes composantes. L’étude de la polarisation consiste
donc à connaı̂tre les relations d’amplitude et de phase des ondes observées sur les différentes
composantes des capteurs. Dans le cas de la prospection sismique, pour un type d’onde donné,
ces relations ne varient que faiblement avec la fréquence et les considérer comme constantes
dans la bande passante du signal constitue une bonne approximation.
Source
x
Capteurs 2C
z
Fig. 1.7 – Modèle d’un capteur à 2 composantes X et Z
Dans ces conditions, nous allons exprimer les relations existantes entre les signaux recueillis
sur chaque composante. Nous considérons les signaux recueillis sur des capteurs à deux com-
posantes, notées X et Z. La composante X est une composante horizontale colinéaire à l’axe de
l’antenne et la composante Z est une composante verticale (Fig. 1.7). Dans le but de pouvoir
modéliser des déphasages directement dans le domaine temporel, nous allons travailler sur les
signaux analytiques1 . On peut alors donner l’expression du signal analytique h(t) enregistré
par un capteur à deux composantes X et Z :
Ã ! Ã !
hx (t) 1 1
h(t) = =√ w(t) = p w(t) (1.7)
hz (t) 1 + α2 αejϕ
1
Le signal analytique sA (t) d’une signal monodimensionnel réel s(t) est le signal complexe donné par la
relation sA (t) = s(t) + jH(s(t)), avec H(.) la transformée de Hilbert d’un signal réel [Vil48]
avec :
– w(t) est une ondelette,
– la phase de w(t) est la phase de la composante X, hx (t),
– ϕ est le déphasage entre les composantes X et Z,
– α est le rapport d’amplitude entre les composantes X et Z.
Tous les signaux h, hx , hz , w sont sous leur forme analytique. Le vecteur p définit l’ellipse de
polarisation.
1 0.5
Composante
Amplitude de la composante Verticale

0.8 Verticale 0.4
Composante
Horizontale 0.3
0.6
0.2
0.4
Amplitude
0.1
0.2
0
0
−0.1
−0.2
−0.2
−0.4 −0.3
−0.6 −0.4
0 20 40 60 80 100 120 −1 −0.5 0 0.5 1
Temps Amplitude de la composante Horizontale
Fig. 1.8 – Onde polarisée linéairement (signaux en phase) : signaux enregistrés sur la com-
posante Verticale Z et Horizontale X (à gauche) et diagramme de polarisation associé (à
droite)
1 0.4
Composante
Verticale
Amplitude de la composante Verticale
0.8 0.3
Composante
Horizontale
0.2
0.6
0.1
0.4
Amplitude
0
0.2
−0.1
0
−0.2
−0.2
−0.3
−0.4 −0.4
−0.6 −0.5
0 20 40 60 80 100 120 −1 −0.5 0 0.5 1
Temps Amplitude de la composante Horizontale
Fig. 1.9 – Onde polarisée elliptiquement (signaux déphasés) : signaux enregistrés sur la com-
posante Verticale Z et Horizontale X (à gauche) et diagramme de polarisation associé (à
droite)
Si les signaux reçus sur les deux composantes X et Z sont en phase et diffèrent unique-
ment en amplitude (Fig. 1.8), alors la polarisation de l’onde associée à ces signaux est linéaire
(ϕ = 0). Cette appellation vient de l’allure du diagramme de polarisation associé. Ce dia-
gramme, appelé aussi figure de Lissajous, correspond au tracé de l’amplitude de l’une des
composantes en fonction de l’amplitude de l’autre composante. Dans le cas d’une onde pola-
risée linéairement, ce diagramme représente une droite.

Si les deux composantes sont à la fois déphasées et d’amplitudes différentes (Fig. 1.9), alors
la polarisation de l’onde associée à ces signaux est elliptique (ϕ 6= 0).
Ainsi, sur les différentes composantes d’un capteur, nous avons des relations de phase et
d’amplitude entre les signaux enregistrés, permettant de caractériser la polarisation des ondes
reçues sur le capteur.
1.2.4 Trajets des différentes ondes sismiques

Au cours de leur propagation, les ondes traversent des milieux dont la nature diffère (vi-
tesse, densité,...). Ainsi, lors du passage d’une couche à l’autre, il se produit un changement
d’impédance du milieu. Ce paramètre caractéristique du milieu est lié à la vitesse de propaga-
tion des ondes et à la densité du matériau qui constitue le milieu. Il caractérise la résistance
qu’un milieu oppose à sa mise en mouvement lorsqu’il est traversé par une onde. Lors d’un
changement de milieu, au niveau d’une interface, les ondes subissent différents phénomènes
tels que des réflexions et des transmissions.
Dans un premier temps, nous allons présenter les lois de réflexion et de transmission puis
nous verrons les spécificités des ondes élastiques liées au couplage de mode.
1.2.4.1 Réflexion, transmission, réfraction

On considère deux milieux (1) et (2) caractérisés par leurs masses volumiques ρ 1 et ρ2 et
les vitesses des ondes V1 et V2 . Les ondes planes se propagent dans le plan Oxz. L’interface
est le plan orthogonal à Oz (cf. Fig. 1.10).
z
Onde incidente Onde réfléchie
r
i
(1)
x
O
(2)
t
Onde transmise
Fig. 1.10 – Réflexion et transmission d’une onde au niveau d’une interface
0n note i l’angle d’incidence, r l’angle de réflexion et t l’angle de transmission. D’après

la première loi de Snell-Descartes, il existe une relation entre l’angle d’incidence et l’angle de
réflexion :
i = r. (1.8)
D’après la deuxième loi de Snell-Descartes, il existe une relation entre l’angle d’incidence et
l’angle de transmission :
sin i sin t
= . (1.9)
V1 V2
La valeur de l’angle d’incidence détermine la façon dont les ondes vont se propager à l’interface
des milieux. Ainsi, lorsque l’angle de transmission est de 90 degrés, on atteint l’angle critique
noté ic :
ic = arcsin(V1 /V2 ). (1.10)
Toute onde dont l’angle d’incidence est supérieur à ic n’est pas transmise, il y a réflexion
totale. Dans le cas où l’onde atteint l’interface exactement avec l’angle critique i c , il y a
création d’ondes réfractées. L’onde ainsi produite va se propager à la vitesse V 2 un certain
temps à l’interface entre les deux milieux avant d’être réémise vers la surface. Enfin, si l’onde
atteint l’interface avec un angle d’incidence inférieur à l’angle critique, il y a création à la fois
d’une onde réfléchie et d’une onde transmise. Ces considérations sont valables dans le cas où
V2 > V1 et sont représentées schématiquement sur la figure 1.11.
V2 > V1
z
Onde incidente Onde réfléchie
i Ondes
réfractées
ic Onde réfléchie
Onde totalement
incidente
(1) x
(2) O
Onde transmise
i < ic
i = ic
i > ic
Fig. 1.11 – Cas limites de réflexion et transmission
En résumé, les différents types de méthodes sismiques sont liés à la valeur des angles
d’incidence des ondes. Ainsi, pour des angles d’incidence i < ic , on est dans le cas de la
sismique réflexion, si i = ic de la sismique réfraction et si i > ic de la sismique réflexion grand
angle. Dans ce dernier cas, il n’y a plus de transmission mais uniquement de la réflexion.
1.2.4.2 Cas des ondes élastiques : couplage de mode

Dans un milieu homogène, les ondes élastiques se propagent selon les modes P ou S. Nous
donnons sur la figure 1.12 la description de la réflexion et de la transmission d’une onde
incidente P. Lorsqu’une onde de type P atteint une interface, elle donne en général naissance
à quatre ondes, deux ondes transmises (une onde P et une onde S) et deux ondes réfléchies
(une onde P et une onde S). Les relations angulaires entre les directions de propagation des
différentes ondes sont fournies par la loi de Descartes :
sin i sin rP sin rS sin tP sin tS
= = = = . (1.11)
VP 1 VP 1 VS1 VP 2 VS2
La création d’une onde S (réciproquement d’une onde P) à partir d’une onde P (réciproquement
S) est appelée phénomène de conversion. Les ondes SH ne peuvent pas produire de phénomènes
1.3. Modélisation des signaux sismiques 23
de conversion.
z
S réfléchie
P incidente
P réfléchie
rs
i
rp
(1) Vp1 Vs1
PSfrag replacements x
O
(2) Vp2 Vs2
tp
P transmise
ts
S transmise
Fig. 1.12 – Réflexion et transmission d’une onde P
1.2.4.3 Phénomènes d’atténuation

Une onde émise se propage dans une série de milieux pouvant posséder des propriétés
différentes. En général, plus l’onde se propage en profondeur et plus elle rencontre des roches
compactes. Ainsi, l’onde va subir une série d’atténuations qui induira une décroissance de son
amplitude et une déformation de sa forme d’onde.
– Atténuation géométrique
En se propageant, l’amplitude de l’onde va s’atténuer du fait de l’expansion du front
d’onde. Cette atténuation du mouvement des particules est proportionnelle à la distance
r parcourue par l’onde. L’amplitude de l’onde décroı̂t suivant une loi en 1/r soit 1/V t
avec t le temps de parcours et V la vitesse de propagation de l’onde. Cette atténuation
est toujours présente, indépendamment du milieu.
– Atténuation du milieu
Chaque milieu possède un certain facteur de qualité Q [Lav86] qui caractérise de manière
quantitative l’absorption de ce milieu et qui est sans dimension. Plus ce facteur de
qualité est faible, plus le milieu traversé par l’onde est atténuant et plus il s’éloigne du
cas élastique. En revanche, plus il est élevé et moins la roche absorbe l’énergie.
1.3 Modélisation des signaux sismiques

Avant d’aborder les techniques de séparation d’ondes visant à aider le géophysicien dans
son interprétation, il est important de présenter une modélisation des signaux sismiques enre-
gistrés sur les réseaux de capteurs. Les signaux traités sont généralement numérisés en temps
après la phase d’acquisition. De plus, une discrétisation spatiale est réalisée en utilisant un
réseau rectiligne de capteurs. On suppose que le théorème de Shannon est vérifié à la fois
dans le domaine spatial et dans le domaine temporel.
Le but de cette partie est de proposer un modèle associé aux signaux reçus sur des réseaux
de capteurs scalaires puis sur des réseaux de capteurs vectoriels (multicomposantes).

En géophysique, le signal émis par la source se trouve renvoyé par les différentes interfaces du
sous-sol après avoir subi diverses déformations (réflexion, réfraction...). Dans la suite, nous
considérons comme source tous les signaux issus des réflections, des réfractions...
1.3.1 Modèle des signaux 1-Composante (1C)

Nous considérons les signaux reçus sur une antenne linéaire composée de N x capteurs
monocomposantes équidistants et espacés d’une distance ∆. Le signal reçu est un mélange
des P sources (lesquelles sont en fait issues des différents trajets, dans notre cas où il n’existe
qu’une seule source émettrice) et de bruits additifs qui trouvent leur origine dans le milieu de
propagation ou encore dans les capteurs. De plus, on considère que le milieu de propagation
est homogène et isotrope de sorte que la propagation peut être assimilée à un retard temporel.
Le signal reçu sur le capteurs i à l’instant t correspond à un modèle convolutif [Rob67] et
peut s’écrire :
XP
xi (t) = ap wp (t − τi (θp )) + bi (t) (1.12)
p=1
avec :
– wp (t) le signal émis par la source p. Ce terme est déterministe et contient l’information
sur l’évolution du signal émis au cours du temps,
– ap l’amplitude de la source p aléatoire,
– bi un bruit additif supposé gaussien, blanc temporellement et spatialement, et décorrélé
des sources,
– τi (θp ) le retard dû au temps de propagation entre la source p et le capteur i. Ce terme
dépend de θp , qui est la direction d’arrivée (DDA) de la source p par rapport à la nor-
male de l’antenne.
Dans le domaine fréquentiel, le signal s’écrit :

P
X
xi (f ) = ap wp (f )e−j2πf τi (θp ) + bi (f ) (1.13)
p=1
avec xi (f ), wp (f ) et bi (f ) les transformées de Fourier respectives de xi (t), wp (t) et bi (t).

Le retard τi (θp ) dû au temps de propagation entre la source p et le capteur i est en fait
une somme de deux termes :
τi (θp ) = τ0,p + ξi (θp ) (1.14)
avec τ0,p , l’offset, correspondant au temps de propagation entre la source p et le capteur de
référence (i = 1), et ξi (θp ) le temps de propagation entre le capteur de référence et le capteur
i qui dépend de la source p, de sa direction d’arrivée θp et du capteur i. A partir de la figure
1.13, on montre facilement que :
∆ sin(θp )
ξi (θp ) = (i − 1)ξ(θp ) = (i − 1) (1.15)
V
avec V la vitesse de propagation de l’onde dans le milieu et ∆ le pas inter-capteurs.
1.3. Modélisation des signaux sismiques 25
Capteur i ∆ i+1
∆ sin(θp )
θp
PSfrag replacements
Fig. 1.13 – Arrivée d’une onde sur un réseau de capteurs
L’équation (1.13) peut s’écrire sous la forme matricielle suivante :
X(f ) = S x (f ) A + B(f ) (1.16)
avec :
– X(f ) = [x1 (f ), · · · , xi (f ), · · · , xNx (f )]T un vecteur de taille Nx contenant les signaux
enregistrés sur l’ensemble des capteurs à la fréquence f . T correspond à la transposition.
X(f ) est appelé vecteur d’observation ;
h i
– S x (f ) = Sx 1 (f ), · · · , Sx p (f ), · · · , Sx P (f ) une matrice de taille Nx × P dont les co-
lonnes sont les vecteurs directionnels (steering vector en anglais) décrivant la propaga-
tion de chaque onde sur l’antenne avec Sx p (f ) = [sx,1,p (f ), · · · , sx,i,p (f ), · · · , sx,Nx ,p (f )]T
et sx,i,p (f ) = wp (f )e −j2πf τi (θp ) . Tous ces termes sont déterministes ;
– A = [a1 , · · · , ap , · · · , aP ]T les amplitudes aléatoires des P sources ;
– B(f ) = [b1 (f ), · · · , bi (f ), · · · , bN x (f )]T les bruits additifs.
Si l’on a Nf échantillons fréquentiels, les signaux décrits par ce modèle peuvent être
organisés dans une matrice X ² CNx ×Nf telle que :
X = { xi,f = xi (f ) | 1 ≤ i ≤ Nx et 1 ≤ f ≤ Nf }. (1.17)
Les lignes de cette matrice correspondent aux transformées de Fourier des traces sismiques.
1.3.2 Modèle des signaux n-Composante (nC)

Comme nous l’avons vu, nous allons nous intéresser essentiellement aux signaux multi-
composantes car ils permettent d’accéder aux attributs de polarisation des ondes. Dans ce
type de configuration, les capteurs ne sont plus composés d’une seule composante mais de
deux (2C) ou trois (3C) composantes qui enregistrent simultanément dans plusieurs directions
orthogonales de l’espace. Les données sont donc collectées sur un réseau de capteurs rectiligne
et pour chaque position de capteurs, on a Nc signaux correspondant aux Nc composantes.
Par conséquent, les données dépendent de trois paramètres : le temps (Nt échantillons), la
distance (Nx capteurs) et la direction (Nc composantes) et peuvent être rangées dans un
tableau de taille Nx × Nt × Nc .
Dans la suite, par souci de simplification des écritures, nous considérons le cas de capteurs à
deux composantes (2C), notées X pour la composante horizontale dans le plan de l’antenne
et Z pour la composante verticale (Nc = 2).
Si l’on suppose que l’équation (1.13) correspond au signal reçu sur le capteur i à la
fréquence f et sur la composante X, on peut exprimer le signal reçu sur la composante Z du
même capteur par :
P
X
zi (f ) = αp ejϕp ap wp (f )e−j2πf τi (θp ) + bi (f ) (1.18)
p=1
avec αp et ϕp respectivement le rapport d’amplitude et le déphasage entre le signal reçu sur

la composante Z et celui reçu sur la composante X. Ces paramètres rendent compte de l’état
de polarisation de l’onde p. Le bruit additif bi est supposé gaussien, blanc temporellement et
spatialement, indépendant des sources et non polarisé (décorrélé d’une composante à l’autre).
Les signaux décrits par ce modèle peuvent être organisés dans un tableau T de taille
Nx × Nf × Nc , avec dans le cas deux composantes :
T = {Ti,f,c | Ti,f,1 = xi (f ) et Ti,f,2 = zi (f ) avec 1 ≤ i ≤ Nx et 1 ≤ f ≤ Nf }. (1.19)
1.4 La séparation d’ondes : une étape majeure du traitement

Le traitement des données sismiques consiste en une succession de traitements élémentaires
permettant de passer des données acquises sur le terrain à une section à 2D ou 3D interprétable
[MGC01].
La première phase du traitement vise à extraire des tirs élémentaires les ondes réfléchies en
filtrant tous les éléments perturbateurs tels que les ondes de surface, les ondes réfractées,
le bruit... Cette étape a aussi pour but d’améliorer la résolution et de compenser les pertes
d’amplitude liées à la propagation. La deuxième phase est appelée correction des statiques,
cette étape est spécifique à la sismique terrestre. La troisième phase est la sommation des
données en cas de couverture multiple. La quatrième phase est consacrée aux traitements
après sommation tels que la migration ou l’inversion pour transformer la section sismique en
section en impédance acoustique [MGC01].
Après l’acquisition et les pré-traitements et avant l’interprétation, une première étape
primordiale dans la chaı̂ne de traitement des données sismiques consiste à séparer les ondes
du bruit sismique (amélioration du rapport signal sur bruit) et aussi les ondes entre elles
(séparation des champs d’ondes) (Fig. 1.14).
Il est d’abord nécessaire de définir la notion de signal et de bruit. De façon générale, nous
appelons signal sismique ou ”signal pertinent”, tous les événements enregistrés dont on peut
tirer une information. Tout ce qui ne fait pas partie du signal pertinent sera considéré comme
bruit. Ce bruit est en fait constitué d’événements différents. Tout d’abord, le bruit sismique lié
au sous-sol est un signal non modélisable qui correspond physiquement à des hétérogénéités,
à la non-stationnarité en distance des réflecteurs et aux phénomènes de diffraction. À ce bruit
se superposent des bruits d’origines très diverses non identifiables tels que des phénomènes
1.4. La séparation d’ondes : une étape majeure du traitement 27
Profil sismique initial
Composante
Distance
Temps
Séparation des ondes et

du bruit
Premier champs d’onde Deuxième champs d’onde Bruit
Fig. 1.14 – Exemple de séparation de deux ondes et du bruit sur un profil sismique multi-
composante simulé
environnementaux (vent, pluie...), du bruit électronique, du bruit industriel... Enfin, le bruit

comprend aussi toutes les ondes indésirables. En effet, en sismique, les ondes qui présentent un
réel intérêt sont celles qui véhiculent une information relative à la nature des milieux traversés.
Ainsi, les ondes de surface qui ne traversent que la première formation géologique en surface
n’apportent que peu d’informations et peuvent donc être considérées comme indésirables.
En prospection sismique, l’objectif majeur du traitement du signal sera donc la séparation et
l’identification des ondes en vue d’une meilleure interprétation des enregistrements.
De nombreuses techniques de séparation d’ondes ont été conçues à cette fin. Elles peuvent
être appliquées dans des domaines différents tels que le domaine temps-distance, noté (x, t)
ou fréquence-nombre d’ondes, noté (f, k). On peut principalement classer ces méthodes en
trois catégories :
– les méthodes à gabarit comprenant le filtre (f, k) [CS91, EBB63, Han88, SG85, ZG94b],
le filtre (τ, p) ou filtre de Radon [FM92, GML+ 90, MCTD86, RH90a, RH90b, ZG94a],
– les méthodes d’inversion ou méthodes paramétriques [Esm90],
– les méthodes matricielles basées sur des décompositions de matrices en sous-espace :
la SVD (Singular Value Decomposition) [CU01, FU88, KL80, Tri03], la SMF (Spectral
Matrix Filtering) [Mer76, Sam83, Bie83, BK83, MG90, GGM93], la TKL (Transformée
de Karhunen-Loeve) [HM78, DK92, DKM91, KD91, KD99, Kir01]...
Si ces méthodes, essentiellement monocomposantes, ont fait leurs preuves dans des cadres
précis, elles ont néanmoins certaines limites, qui peuvent apparaı̂tre par exemple lorsque les
ondes ont des vitesses très proches ou des énergies voisines. Nous présentons ces techniques
en détails dans le chapitre suivant.
La plupart des méthodes de séparation d’ondes existantes sont utilisables sur des enre-
gistrements monocomposantes ou bien sur des enregistrement multicomposantes en les ap-
pliquant indépendamment sur chaque composante. Bien que les enregistrements multicom-
posantes tendent à être de plus en plus utilisés en sismique, encore assez peu de méthodes
de séparation d’ondes leur sont dédiées [HH03, NP94a, MBVP06]. Ainsi, un des objectifs de
cette thèse est de proposer une nouvelle méthode de séparation d’ondes adaptée aux
profils sismiques multicomposantes.
1.5 Conclusion
Dans cette première partie, nous avons proposé le contexte de l’étude et présenté les ca-
ractéristiques principales des signaux qui vont être traités tout au long de cette thèse. Ces
signaux correspondent à l’enregistrement d’ondes sur des réseaux de capteurs multicompo-
santes lors de campagnes d’acquisitions sismiques. Nous avons présenté brièvement la physique
de la propagation et les conséquences sur la nature des signaux. Enfin, nous avons présenté
les différentes phases du traitement de ces données et en particulier la phase de séparation
des ondes qui va susciter notre intérêt par la suite.
Première partie
Filtrage et séparation d’ondes
Cette première partie présente une méthode originale de séparation d’ondes et d’améliora-
tion du rapport signal à bruit adaptée aux données sismiques de type multicomposante. Cette
méthode est basée sur la matrice spectrale.
Nous commençons par un état de l’art des méthodes de séparation d’ondes en allant de
celles les plus classiquement utilisées aux plus récentes notamment dans le domaine multicom-
posante. Cet état de l’art ne se veut pas exhaustif tant la diversité des méthodes est importante
et nous nous focalisons sur les méthodes dites à gabarit et matricielles.
Ensuite, nous nous focalisons sur le descriptif de la méthode que nous proposons pour
réaliser une séparation efficace des ondes polarisées reçues sur des réseaux de capteurs multi-
composantes. Nous présentons en détail les principes de ce traitement basé sur la décomposi-
tion d’une matrice spectrale large bande multicomposante. La définition de cette matrice assure
la prise en compte de toute l’information disponible à la fois sur l’ensemble des composantes
et sur tous les canaux fréquentiels. Pour désigner cette méthode, nous utilisons le sigle anglais
MCWB-SMF pour ”MultiComponent WideBand Spectral Matrix Filtering”.
La validation de la méthode sera effectuée par son application sur des signaux sismiques
synthétiques et réels et par la comparaison de ses performances avec celles des méthodes
décrites dans l’état de l’art.
Enfin, pour conclure cette partie consacrée à la séparation des ondes et l’amélioration
du rapport signal à bruit, nous proposons un tableau comparatif des différentes méthodes de
filtrage en présentant, pour chacune, les avantages et inconvénients.
29
30
Chapitre 2
État de l’art sur les méthodes de

séparation d’ondes
Sommaire
2.1 Méthodes à gabarit . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.1.1 Filtrage f − k . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.1.2 Filtrage τ − p . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.2 Méthodes matricielles . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.2.1 Filtrage par décomposition en valeurs singulières (SVD) . . . . . . . 36
2.2.1.1 Cas d’une antenne de capteurs 1C . . . . . . . . . . . . . . 36
2.2.1.2 Extension au cas multicomposante : 3C-SVD . . . . . . . . 40
2.2.2 Filtrage par décomposition de la matrice spectrale (SMF) . . . . . . 43
2.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
31
32 Chapitre 2. État de l’art sur les méthodes de séparation d’ondes
Cette partie correspond à un état de l’art des méthodes de séparation d’ondes, allant des
plus classiques tel que le filtre f − k aux plus récentes tel que le filtre 3C-SVD. Cet état de
l’art n’est pas exhaustif tant il existe un grand nombre de méthodes [MLMG04, MRL99].
Mari et Glangeaud [MG94] ont proposé de classer ces traitements en trois catégories : les
méthodes à gabarit, matricielles et paramétriques [Esm90]. Nous avons fait le choix de décrire
les méthodes issues des deux premières classes. Ces méthodes sont toutes adaptées au cas
d’enregistrements monocomposantes hormis la méthode 3C-SVD qui peut traiter des données
de type multicomposante. Ceci est bien en adéquation avec le fait qu’il existe un très grand
nombre de traitements adaptés aux données monocomposantes mais encore assez peu pour
les données multicomposantes [HH03, NP94b, NP94a, MBVP06].
2.1 Méthodes à gabarit

Les méthodes à gabarit (ou à masque) réalisent un changement de domaine permettant
à des ondes qui n’étaient pas séparées dans le domaine temps-distance de le devenir dans le
nouveau domaine. Un masque est alors appliqué aux données pour sélectionner les événements
intéressants puis les données filtrées sont repassées dans le domaine initial.
Nous allons décrire succinctement deux des méthodes à gabarit les plus utilisées : le filtre
f − k et le filtre τ − p.
2.1.1 Filtrage f − k
Le filtre f − k utilise la transformée fréquence - nombre d’ondes (transformée f − k) qui
s’obtient en prenant le module de la double transformée de Fourier en temps et en distance de
la section sismique initiale. f correspond aux fréquences temporelles et k aux fréquences spa-
tiales aussi appelées nombres d’ondes. Ce filtre, appelé également ”filtre en vitesse”, est très
souvent utilisé en séparation d’ondes sismique car le paramètre discriminant pour séparer
les événements est leur vitesse (entité facilement interprétable). Il a été introduit pour la
première fois en sismique par Embree et al. [EBB63]. Il est facile d’utilisation et assez effi-
cace. Ce filtre a été utilisé à plusieurs reprises notamment pour atténuer l’effet des multiples
[CS91, Han88] ou pour séparer les champs d’ondes montants et descendants dans les profils
sismiques verticaux [SG85].
À partir d’une fonction p(t, x) dépendant du temps et de la distance (profil sismique), sa

transformée f − k est définie par :
P (f, k) = T Fx {T Ft {p(t, x)}}. (2.1)
Cette transformée est particulièrement intéressante dans le cas de signaux p(t, x) décrivant
la propagation d’une onde plane h(t) à une vitesse constante V et observée sur un réseau de
capteurs espacés régulièrement suivant l’axe des distances x. Dans ce cas, le signal observé
p(t, x) en temps sur chaque capteur peut s’écrire comme :
p(t, x) = h(t − x/V ). (2.2)
La transformée de Fourier par rapport au temps s’exprime par :

x
P (f, x) = T Ft {p(t, x)} = H(f )e−j2πf V . (2.3)
2.1. Méthodes à gabarit 33
En opérant la seconde transformée de Fourier par rapport à la distance x et en prenant

le module, on obtient la représentation f − k :
f
|P (f, k)| = |T Fx {T Ft {p(t, x)}}| = |H(f )|δ(k + ). (2.4)
V
Dans le plan f − k, δ(k + f /V ) représente une droite passant par l’origine du plan et de
pente égale à −V . Ainsi, la représentation d’une onde plane h(t) se propageant à la vitesse V
est une droite. Si le spectre de l’onde H(f ) est large-bande (ondelette limitée en temps), la
représentation f − k de l’onde aura une forme allongée d’axe principal une droite d’équation
k + f /V = 0.
Dans le cas d’une onde dispersive dont la phase varie au cours de la propagation, cette droite
ne coupe plus l’axe k à l’origine mais à une certaine position qui est proportionnelle au
déphasage de l’onde [MGM04].
L’opération de filtrage consiste à sélectionner un événement particulier en appliquant un

masque dans le plan f − k. Ce filtrage est réalisé par des filtres à gabarit de différents types
selon l’application (filtres en éventail, filtres en polygone et filtres en bande [MRL99]). Après
avoir appliqué le masque, l’onde filtrée est obtenue dans le plan temps-distance en effectuant
une double transformée de Fourier inverse.
4
20
40
Frequence temporelle en Hz
60 3
80
Distance en m
100 2
120
140
1
160
180
0
−4 −2 0 2 4
200 Frequence spatiale en 1/m −4
x 10
0 0.02 0.04 0.06 0.08 0.1 0.12

Temps en s
Fig. 2.2 – Représentation f − k associée à la

Fig. 2.1 – Section sismique simulant une section sismique de la figure 2.1 (la droite est
onde plane bruitée dans le plan x − t l’axe central du masque en éventail)
La figure 2.1 présente une onde plane simulée se propageant à une vitesse V = 8000 m/s
et un bruit additif. La figure 2.2 correspond à la représentation f − k associée (|P (f, k)|). À
partir de la droite tracée dans le plan f − k, il est possible de retrouver la vitesse de groupe
de l’onde par :
f
Vestim = . (2.5)
k
Le bruit présent dans cette section peut être filtré en appliquant un filtre en éventail autour
du motif de l’onde dans le plan f − k. Le résultat du filtrage est présenté sur la figure 2.3
dans le plan temps - distance et sur la figure 2.4 dans le domaine f − k.
20
40 4
60
Frequence temporelle en Hz
80 3
Distance en m
100
120 2
140
160
1
180
200
0
−4 −2 0 2 4
0 0.02 0.04 0.06 0.08 0.1 0.12 Frequence spatiale en 1/m −4
Temps en s x 10
Fig. 2.3 – Onde filtrée par un filtre f − k en Fig. 2.4 – Représentation f − k associée à
éventail l’onde filtrée de la figure 2.3
La double transformée permet donc de séparer des ondes planes de vitesses différentes,
d’estimer leurs vitesses de groupe et d’améliorer le rapport signal à bruit. Cependant, en rai-
son de l’opération de transformée de Fourier selon l’axe des distances, le filtre f − k nécessite
un grand nombre de capteurs pour être efficace. De plus, l’application d’un masque avec une
transition brutale (de type fonction porte) en fréquence peut entraı̂ner des rebonds dans le
domaine temporel (cf. Fig. 2.3). Afin d’éviter ces effets de bords, il peut être construit en
utilisant des coefficients de type Hanning pour définir la zone de transition.
Par ailleurs, le critère principal du filtre f − k étant la vitesse, les ondes ayant la même vitesse
ne pourront être séparées. De plus, pour les ondes réfléchies (non-planes), la discrimination en
vitesse n’est pas toujours simple. Mais ce filtre est tout de même une procédure très utilisée
en raison de sa simplicité de mise en oeuvre.
Ce filtre a été étendu au cas des acquisitions 3D [GDD02, KCSA03]. On le nomme alors
filtre f − kx − ky 3D. Il est réalisé en mettant en cascade les transformées de Fourier le long
de chaque dimension spatiale. Le filtrage est ensuite effectué en multipliant les coefficients de
la transformée de Fourier 3D par un masque à 3 dimensions.
2.1.2 Filtrage τ − p
Le filtre τ − p, appelé aussi filtre de Radon [Bar84], utilise la transformée de Radon (ou
transformée de Hough). τ correspond au temps d’arrivée de l’onde sur le premier capteur et
est aussi appelé intercept et p est la lenteur (inverse de la vitesse). Cette transformée consiste
à faire la sommation de la section sismique dans le plan temps - distance selon des droites de
pente p positionnées à l’intercept τ et correspond à une décomposition en ondes planes. Elle
transforme donc les profils sismiques enregistrés comme des fonctions du temps t et de l’offset
x en des fonctions de l’intercept τ et de la lenteur p. La transformée de Radon, utilisée en
sismique pour la première fois dans les années 80 [Cha81, MCTD86, Die88], est depuis décrite
par de nombreux auteurs [RH90a, RH90b, GML+ 90] notamment pour son utilité concernant
la suppression des multiples [FM92].
2.1. Méthodes à gabarit 35
Pour une section sismique r(t, x), sa transformation de Radon directe s’exprime par :
Nx
X
R(τ, p) = T R[r(t, x)] = r(τ + ip∆x , i∆x ) (2.6)
i=1
avec ∆x le pas d’échantillonnage en distance et Nx le nombre de capteurs.

La transformation de Radon inverse est :
Nx
X
r(t, x) = T RI[R(τ, p)] = R0 (τ − ix∆p , i∆p ) (2.7)
i=1
d
avec ∆p le pas d’échantillonnage en lenteur et R0 (τ, p) = dτ T Hτ [R(τ, p)] la dérivée selon τ de
la transformée de Hilbert de R selon τ .
L’intérêt de cette transformation est de focaliser (approximativement) en un point de

l’espace {τ, p} chaque arrivée d’onde plane de lenteur p et d’offset τ . Ainsi, des ondes qui se
propagent à des vitesses différentes et qui ont des temps d’arrivée différents sont séparées.
Il est alors possible de sélectionner une arrivée en appliquant un masque autour du point
focalisé et en revenant par transformée inverse dans le plan temps - distance.
La figure 2.5 montre la transformation τ − p d’un profil sismique contenant une onde
directe de vitesse constante et deux ondes réfléchies de vitesses variables. Par transformée
τ − p, on voit que l’onde directe se focalise en un point de l’espace alors que les ondes
réfléchies deviennent des hyperboles.
Lenteur p
0
Onde
directe 0.02
0.04
0.06
Onde
0.08
réfléchie 1
Onde 0.1
réfléchie 2
0.12
Intercept
PSfrag replacements 0.14 Capteurs
0 5 10 15 20 25 30
τ Temps (s)
Fig. 2.5 – Exemple de transformation τ − p d’un profil sismique
Cette méthode présente beaucoup d’intérêt pour la suppression des multiples et est bien
adaptée pour les ondes de vitesse constante même en présence de fluctuations d’amplitude.
Cet outil est très utilisé pour la détection des ondes réfléchies pour lesquelles est appliquée
une paramétrisation hyperbolique [Yil02, Hug98, ZG94a]. Cependant, comme pour le filtre
f − k, l’application du masque peut engendrer des effets de bords nécessitant l’utilisation de
fenêtres d’apodisation.
2.2 Méthodes matricielles

La deuxième partie de cet état de l’art est consacrée aux méthodes dites matricielles.
Elles sont basées sur la construction puis la décomposition d’une certaine matrice. L’étape
de filtrage est ensuite effectuée par une réduction de rang. L’idée principale exploitée par ces
techniques est la prise en compte de la cohérence spatiale, temporelle ou fréquentielle des
données selon le type de matrices utilisées.
2.2.1 Filtrage par décomposition en valeurs singulières (SVD)

2.2.1.1 Cas d’une antenne de capteurs 1C
Une des méthodes de filtrage les plus utilisées est basée sur la décomposition en valeurs
singulières (SVD ou Singular Value Decomposition). Elle s’applique sur les profils sismiques
2D dans le domaine temps-distance dans le but de faire de la séparation d’ondes et de la
réduction de bruit. La SVD a été introduite pour la première fois en sismique dans les années
80 par Freire et Ulrych [FU88] puis a été réutilisée à maintes reprises [CU01, Tri03]. A partir
d’une section sismique, le but est de rechercher un sous-espace de dimension la plus petite
possible dans lequel les ondes sont représentées.
Le principe de ce filtre est basé sur la décomposition en valeurs singulières des données
initiales X ² RNx ×Nt , avec :
X = { xi,t = xi (t) | 1 ≤ i ≤ Nx et 1 ≤ t ≤ Nt } (2.8)
avec Nx le nombre de capteurs et Nt le nombre d’échantillons temporels. Ainsi, cette matrice
peut se décomposer dans le plan temps-distance en Nx sections singulières [GL96] :
N
X
X = U x ∆ Ut T = λi ux i ut Ti (2.9)
i=1
avec :
– N = min(Nx , Nt ), soit N = Nx dans le cas général de la sismique où le nombre de
capteurs est plus petit que le nombre de points,
– ∆ est une matrice pseudo-diagonale de taille Nx × Nt contenant sur sa diagonale les
valeurs singulières λi ordonnées de façon décroissante λ1 ≥ · · · ≥ λN x ≥ 0,
– Ux = [ux 1 , · · · ux Nx ] est une matrice orthogonale de taille Nx ×Nx contenant les vecteurs
singuliers gauches uxi (ou vecteurs propres de la matrice XX T ),
– Ut = [ut 1 , · · · ut Nt ] est une matrice orthogonale de taille Nt × Nt contenant les vecteurs
singuliers droits ut i (ou vecteurs propres de la matrice X T X).
Les propriétés des matrices Ux et Ut peuvent se résumer par :
Ux Ux T = I
Ut Ut T = I (2.10)
λ1 ≥ · · · ≥ λ N x ≥ 0
avec I la matrice identité. Les matrices Ux et Ut étant orthogonales, ceci assure l’unicité de
la décomposition [Bro94].
2.2. Méthodes matricielles 37
Le produit de deux vecteurs ux i ut Ti est une matrice de rang 1 [GL96] de même taille
qu’une section sismique (Nx × Nt ). Par conséquent, on voit d’après l’équation (2.9) que la
matrice des données initiales se décompose en une somme pondérée de matrices de rang 1 ap-
pelées sections singulières. La valeur singulière λk (pondération) peut être interprétée comme
l’amplitude associée à la k ème section singulière.
Les vecteurs ux i donnent la variation d’amplitude en fonction de la distance et sont appelés

vecteurs de propagation. Les vecteurs ut i ont la dimension d’une trace sismique, ils corres-
pondent aux ondelettes normalisées et donnent donc la dépendance en fonction du temps.
La connaissance du rang de la matrice X peut se faire facilement. Il correspond au nombre

de valeurs singulières non nulles. Ainsi, une matrice de rang r peut être décomposée de façon
unique en une somme pondérée de r sections singulières. En l’absence de bruit et si les signaux
enregistrés à chaque capteur sont linéairement dépendants, la matrice X est de rang 1 et est
donc entièrement reconstruite grâce à la première section singulière. Ce qui se traduit dans
le cas non-bruité par le fait qu’une seule section singulière est nécessaire pour décrire une
onde ne subissant qu’une fluctuation d’amplitude d’un capteur à un autre. Dans le cas d’une
section ne contenant que du bruit, la matrice est de rang plein et la décroissance des λ est
régulière.
En pratique, les données sismiques sont bruitées et le but de la SVD est donc de supprimer
ce bruit en effectuant une réduction d’espace. La section sismique bruitée X peut se modéliser
par :
X =Y +B (2.11)
où Y est la matrice contenant les signaux sources et B la matrice contenant le bruit. Ce bruit
est supposé décorrélé des signaux sources.
Comme la matrice X se décompose comme une somme de sections singulières, la séparation
de la matrice des données initiales en deux parties X s et X b est donnée par :
P
X Nx
X
X = Xs + Xb = λi ux i ut Ti + λk ux k ut Tk . (2.12)
i=1 k=P +1
Cette décomposition permet de séparer la section sismique en deux sous-espaces orthogonaux

entre eux (X b X Ts = 0) : le sous-espace signal X s qui estime la matrice Y et le sous-espace
bruit X b qui estime la matrice de bruit B.
En pratique, la séparation entre les deux sous-espaces se fait par l’étude de la courbe de
décroissance des valeurs singulières qui permet de fixer la valeur de P de l’équation (2.12).
Afin de vérifier l’efficacité de cette méthode de filtrage, nous présentons deux exemples
simulés de signaux reçus sur une antenne de capteurs à une composante. Nous nous plaçons
dans un cas simple où l’antenne enregistre une seule onde et du bruit additif.
Dans le premier cas, nous sommes en présence d’une onde de vitesse non infinie (n’arri-
vant pas au même instant sur les capteurs) additionnée à du bruit blanc. La matrice X des
données initiales est de taille Nx × Nt avec Nx = 10 capteurs et Nt = 128 échantillons. La
partie signal, correspondant à la matrice Y est présentée en figure 2.6 et les données bruitées
X en 2.7. Les valeurs singulières issues de la décomposition par SVD de la matrice bruitée
0 0
1 1
2 2
3 3
4 4
Capteurs
Capteurs
5 5
6 6
7 7
8 8
9 9
10 10
11 11
0 20 40 60 80 100 120 0 20 40 60 80 100 120
Temps Temps
Fig. 2.6 – Matrice du signal Y Fig. 2.7 – Matrice des données bruitées X
4.5
3.5
2.5
1.5
1 2 3 4 5 6 7 8 9 10
Fig. 2.8 – Amplitude des valeurs singulières
0 0
1 1
2 2
3 3
4 4
Capteurs
Capteurs
5 5
6 6
7 7
8 8
9 9
10 10
11 11
0 20 40 60 80 100 120 0 20 40 60 80 100 120
Temps Temps
Fig. 2.9 – Sous-espace signal Fig. 2.10 – Sous-espace bruit
sont toutes non nulles (Fig. 2.8). Le rang de la matrice initiale est r = Nx . En prenant par
exemple P = 4, on obtient un sous-espace signal X s et un sous-espace bruit X b de dimension
Nx × Nt (cf. Fig. 2.9 et 2.10). On constate que les parties signal et bruit des données n’ont
pas été bien séparées vu qu’une partie de l’onde reste présente dans le sous-espace bruit et
que le bruit est également présent dans le sous-espace signal.
Dans ce cas, le débruitage n’est absolument pas efficace puisque l’onde non-alignée est
présente sur l’ensemble des sections singulières. Il faut dans ce cas choisir P = N x et par
conséquent X s = X et X b = 0.
Pour être efficace, le filtre nécessite au préalable un pré-traitement qui consiste en une
correction de la vitesse des ondes à séparer pour les rendre à vitesse apparente infinie (en
compensant le retard trace à trace, une onde arrive alors au même instant sur tous les cap-
teurs). Dans le cas d’une onde dispersive, il est nécessaire de corriger à la fois la vitesse de
phase et la vitesse de groupe [MGM04, MJLMG04].
0 0
1 1
2 2
3 3
4 4
Capteurs
Capteurs
5 5
6 6
7 7
8 8
9 9
10 10
11 11
0 20 40 60 80 100 120 0 20 40 60 80 100 120
Temps Temps
Fig. 2.11 – Matrice du signal Y Fig. 2.12 – Matrice des données bruitées X
6.5
5.5
4.5
3.5
2.5
1.5
1 2 3 4 5 6 7 8 9 10
Fig. 2.13 – Amplitude des valeurs singulières
Nous allons maintenant voir sur un exemple le cas d’une onde alignée (vitesse infinie). La
partie signal, correspondant à la matrice Y est présentée en figure 2.11 et les données bruitées,
la matrice X en 2.12. Les valeurs singulières issues de la décomposition de la matrice bruitée
sont présentées sur la figure 2.13. On constate que la première valeur singulière est beaucoup
plus grande que les autres. La courbe de décroissance des valeurs singulières présente ainsi un
changement de courbure (cassure) permettant de faire la troncature en deux sous-espaces. En
prenant donc P = 1, on obtient les figures 2.14 et 2.15 désignant respectivement le sous-espace
signal et le sous-espace bruit.
Dans ce cas, on voit que le débruitage est efficace car l’onde est représentée uniquement par
la première section singulière. Néanmoins, du fait de la répartition de l’amplitude du bruit
sur l’ensemble des valeurs singulières, il existe un bruit résiduel (colinéaire au signal) dans le
0 0
1 1
2 2
3 3
4 4
Capteurs
Capteurs
5 5
6 6
7 7
8 8
9 9
10 10
11 11
0 20 40 60 80 100 120 0 20 40 60 80 100 120
Temps Temps
Fig. 2.14 – Sous-espace signal Fig. 2.15 – Sous-espace bruit
sous-espace signal. Cet exemple justifie donc l’intérêt de réaliser une correction de la vitesse
des ondes en pré-traitement du filtrage SVD, de façon à compenser les retards.
Il est aussi possible d’effectuer la décomposition par SVD non pas de la matrice des
données initiales mais de la matrice de covariance issue de ces données. Cette méthode, qui
s’appelle transformation de Karhunen-Loeve a été introduite en sismique par Hémon et Macé
en 1978 [HM78], puis reprise par la suite [DK92, DKM91, KD91, KD99, Kir01]. Nous ne la
présenterons pas dans ce manuscrit.
Enfin, pour relâcher la contrainte non physique d’orthogonalité imposée par la décomposi-
tion SVD sur les vecteurs décrivant les ondelettes et la propagation, une méthode a été
développée récemment. Elle combine la SVD et une analyse en composantes indépendantes
(ICA) et est appelée SVD-ICA [VM02, VML04, VBM02, MBVP06]. Les résultats obtenus en
terme de filtrage avec la SVD-ICA sont meilleurs que ceux obtenus avec le SVD classique car
la contrainte d’orthogonalité est relâchée.
2.2.1.2 Extension au cas multicomposante : 3C-SVD
Après avoir exposer les fondements de la SVD, nous allons présenter ici la 3C-SVD (ou
3D-SVD) qui est une extension du filtre SVD aux tableaux tridimensionnels développée par
Le Bihan [LBG04]. Ce filtre est applicable à la fois sur des données issues d’acquisitions
sismiques à 3 dimensions (3D-SVD), ou sur des données 2D acquises avec des capteurs mul-
ticomposantes (3C-SVD) [GMM01, LBLM01, MMG+ 03, MBV03, LBG04].
Cette méthode, basée sur la HO-SVD (Higher Order Singular Value Decomposition), fut ori-
ginellement proposée par Tucker et développée par la suite par De Lathauwer.
Avant de généraliser le filtre SVD au cas multicomposante, nous allons d’abord présenter
les notations d’algèbre multilinéaire nécessaires [Kro83, Lat97, LMV00].
On définit le produit n-modal, noté ×n , comme le produit d’un tableau avec une matrice.
Le produit ×n d’un tableau A de taille (I1 × I2 × · · · × In × · · · × IN ) par une matrice B de
taille (J × In ) donne un tableau de taille (I1 × I2 × · · · × J × · · · × IN ) :

X
(A ×n B)(i1 ,i2 ,··· ,j,··· ,iN ) = ai1 i2 ···in ···iN .bjin . (2.13)
in
Pour une section sismique 2D notée X ² RNx ×Nt , on peut écrire la SVD classique en utilisant
le produit n-modal :
X = ∆ × 1 Ux ×2 Ut (2.14)
où les matrices ∆, Ux et Ut sont identiques aux matrices définies dans l’équation (2.9).
En utilisant cette notation, il est possible d’étendre la SVD au cas de données multicompo-
santes. On note T ² RNx ×Nt ×Nc le cube des données initiales dans le domaine temporel. La
décomposition de celui ci s’exprime par :
T = D × 1 Ux ×2 Ut ×3 Uc (2.15)
où Ut , Ux et Uc (matrices de vecteurs singuliers) contiennent respectivement les ondelettes

normalisées (temps), leur comportement le long de l’antenne et leur polarisation. D est un
tableau pseudo-diagonal qui contient les valeurs singulières. Les matrices singulières U x , Ut et
Uc sont obtenues en réalisant la décomposition par SVD des matrices dépliantes du tableau
T . Ces matrices permettent de réaliser des opérations sur les tableaux [Lat97]. Ainsi, trois
matrices dépliantes peuvent être construites à partir du tableau T (Fig. 2.16) :
Tx ² RNx ×Nt Nc
Tt ² RNt ×Nx Nc
(2.16)
Tc ² RNc ×Nx Nt .
Ainsi, les matrices Ux , Ut et Uc sont les matrices singulières gauches obtenues respective-
ment lors de la décomposition par SVD des trois matrices dépliantes Tx , Tt et Tc . Le tableau
D est obtenu en utilisant l’expression inverse de la 3C-SVD suivante :
D = T × 1 Ux T ×2 Ut T ×3 Uc T . (2.17)
Comme nous l’avons vu pour le cas des matrices, la SVD permet de déterminer l’approxi-
mation de rang r d’une matrice. Cette notion peut-être étendue aux tableaux tridimensionnels
et se formule alors comme un problème d’approximation de rang (rx , rt , rc ), avec :
ri = rang(Ti ). (2.18)
Ces rangs sont estimés en observant la décroissance des valeurs singulières issues des SVD
des trois matrices dépliantes. On notera r̃x , r̃t et r̃c les valeurs estimées de ces rangs. Ils
correspondent aux rangs du sous-espace signal dans les trois modes du tableau.
Comme dans le cas monocomposante, l’espace des données initiales est alors décomposé
en deux sous-espaces, le sous-espace signal et le sous-espace bruit :
T =T +T (2.19)
s n
N
Nx2
NNc
1
N3
Nt N1
Nc Y
Nx
N Tc (1)
2
N
Nt3
N3
Nt
NNc
1
N3
Nt Nx
N TYx(2)
Nx
N
2
2
Nc1
N
N1
Nc
Nc
N 1
Nt3
N
PSfrag replacements Nx N3
Nt TYt (3)
N2
N Nt
2
Fig. 2.16 – Matrices dépliantes d’un tableau tridimensionnel
où l’expression du sous-espace signal T est :

s
T = T × 1 Ux ×2 Ut ×3 Uc . (2.20)
s s s s
Ce sous-espace signal doit être vu comme une troncature de rang (r̃ x , r̃t , r̃c ) du tableau de
départ (Fig. 2.17). La recherche de la troncature de rang est identique à celle du cas mono-
composante mais appliquée à chaque mode.
N
Nc1
PSfrag replacements
(1)
NNc
1 UUc
N1
Nc NNc
N2
Nx 1
r̃c N3
Nt
Nt
N N
Nt3
3
N2
N2 N 3 UU(3)t
Nx Nx UU(2)
x N2
Nx Nt
YT CD r̃t
r̃x
Fig. 2.17 – Schéma de la 3C-SVD d’un tableau. Les zones grisées correspondent aux parties
conservées pour former le sous-espace signal
La séparation par 3C-SVD possède plusieurs avantages. Tout d’abord, c’est un traitement
dédié aux données multicomposantes qui permet donc une prise en compte globale de l’infor-
mation présente sur toutes les composantes de tous les capteurs. De plus, ce traitement est
facile à mettre en place car il se ramène à faire de simples SVD (2 dimensions) sur les matrices
dépliantes issues du cube de données. Néanmoins, comme dans le cas 2D, la méthode nécessite
un pré-traitement pour aligner les ondes que l’on souhaite séparer. Enfin, la détermination de
la taille du sous-espace signal (recherche de r̃x , r̃t et r̃c ) est soumise à la même subjectivité
que dans le cas 2D.
Il est à noter que le filtre SVD a aussi été étendu au cas des tableaux sismiques multi-
composantes en utilisant des quaternions. Cette méthode, développée par Le Bihan [LBM04],
range les données multicomposantes dans une matrice quaternionique. Chaque composante
directionnelle du signal est alors associée à une composante quaternionique (i, j, k ). Nous ne
détaillons pas cette méthode ici, mais le lecteur pourra se référer à [LBM02, LBS03, LBM04]
pour plus de détails.
2.2.2 Filtrage par décomposition de la matrice spectrale (SMF)

Nous allons terminer l’état de l’art sur les méthodes de séparation d’ondes par une méthode
basée sur la décomposition d’une matrice spectrale. À la différence des autres méthodes ma-
tricielles précédemment présentées, l’espace de travail est l’espace fréquentiel et non l’espace
temporel.
Cette méthode de séparation d’ondes, appelée en anglais Spectral Matrix Filtering ou
SMF, est basée sur la recherche d’un sous-espace défini par les vecteurs propres d’une ma-
trice : la matrice spectrale. Elle a été introduite pour la première fois par Mermoz [Mer76]
en 1976, puis a été utilisée à de multiples reprises [Sam83, Bie83, BK83, MG90, Gon99] dans
différents contextes (acoustique, sismique, séparation de sources) [Thi95].
On considère une antenne linéaire uniforme constituée de Nx capteurs équidistants à une

seule composante (1C). Comme nous l’avons vu au 1.3.1, le signal reçu par le capteur i résulte
de la combinaison linéaire des P ondes détectées par l’antenne auxquelles s’ajoute un bruit
supposé blanc spatialement, gaussien et décorrélé des ondes (cf. éq. (1.16)). Après passage en
fréquence et en utilisant une notation matricielle, on peut écrire :
P
X
X(f ) = S x (f ) A + B(f ) = Sx p (f )ap + B(f ). (2.21)
p=1
Les différents éléments de cette équation sont décrit dans le paragraphe 1.3.1. Pour accéder
à l’information contenue dans les vecteurs de propagation Sp (f ), on peut utiliser la matrice
x
spectrale de taille Nx × Nx définie à chaque fréquence par :
Γ(f ) = E{X(f ) X(f )H } (2.22)
où E, l’espérance mathématique, représente un opérateur de moyenne et H correspond à

la transposition conjugaison. Il y a autant de matrices Γ(f ) que d’échantillons en fréquence,
soit Nf . Cette matrice est complexe Hermitienne, définie positive. Sa transformée de Fourier
inverse est composée des autocorrélations et intercorrélations entre les traces. Ainsi à chaque
fréquence, la matrice spectrale est composée sur sa diagonale principale d’éléments relatifs
aux densités spectrales de puissance (dsp) et sur les autres diagonales d’éléments relatifs aux
densités spectrales de puissance d’interaction (dspi). L’estimée de cette matrice est composée
de plusieurs termes :
P
Γ(f ) = E{ Pp=1 Sx p (f )Sx p (f )H |ap |2 }
P
+E{ Pi,j6=i=1 Sx i (f )Sx j (f )H ai a∗j }
+E{S x (f )A B(f )H } + E{B(f )AH S x (f )H } (2.23)
+E{B(f )B(f )H }.
Le premier terme de l’équation (2.23) caractérise les interactions des ondes avec elles-
mêmes, le deuxième les interactions des diverses ondes entre elles, le troisième terme les
interactions des diverses ondes avec le bruit, et enfin, le dernier est représentatif du bruit.
L’opérateur de lissage E joue un rôle très important car il doit permettre d’obtenir une
décorrélation des ondes et du bruit et des ondes entre elles (diminution du 2ème et du 3ème
terme) dans le cas où les ondes ne sont pas parfaitement décorrélées. Le lissage correspond
en fait à un moyennage sur les diagonales de la matrice spectrale ainsi qu’à la convolution
par une fenêtre le long des fréquences (voir paragraphe 3.2.1). Cette étape de lissage doit
également permettre d’obtenir une matrice spectrale inversible.
Si on vérifie les hypothèses émises, il s’en suit que :
Γ(f ) = S x (f ) ΓA S x (f )H + σb2 I (2.24)
avec σb2 la densité spectrale du bruit et ΓA = E[A AH ] = I une matrice de taille P × P

diagonale quand les sources sont décorrélées et égale à la matrice identité si les sources sont
de puissance unitaire. Si l’on suppose que la distance entre les capteurs est inférieure ou égale
à la moitié de la longueur d’onde des ondes arrivant sur l’antenne, alors les colonnes de la
matrice S x (f ) sont toutes différentes et de part sa structure de type Vandermonde, elles sont
linéairement indépendantes. Ainsi, si ΓA est non-singulière, alors le rang de S x (f ) ΓA S x (f )H
est égal à P .
Ainsi, sous cette hypothèse, la partie signal est un espace de dimension P . Cet espace
est engendré par les vecteurs colonnes Sx p (f ) de la matrice S x (f ). Or, cette matrice étant
inconnue, le but est soit de trouver la matrice S x (f ), soit de trouver une autre base qui en-
gendrera le même sous-espace. En pratique, observons la décomposition en valeurs singulières
de S x (f ) :
S x (f ) = U (f )∆1/2 (f )V H (f ) (2.25)
avec :
– U (f ) la matrice orthogonale Nx × Nx des vecteurs singuliers gauches,
– V (f ) la matrice orthogonale P × P des vecteurs singuliers droits,
– ∆1/2 (f ) la matrice Nx × P pseudo-diagonale contenant les valeurs singulières.
La base orthonormale équivalente de S x (f ) est donc formée par les P premiers vecteurs co-
lonnes de la matrice U (f ). Si l’on remplace dans l’équation (2.24) S x (f ) par sa décomposition
(éq. (2.25)), on obtient alors :
Γ(f ) = U (f ) ∆(f ) U (f )H + σb2 I. (2.26)

On remarque donc que si le bruit est blanc spatialement, on peut trouver la matrice U (f )
par décomposition en valeurs propres (EVD) de Γ(f ) selon la formule [WK85a] :
Nx
X
Γ(f ) = λi (f )ui (f ) uH
i (f ) (2.27)
i=1
avec λ1 (f ) ≥ λ2 (f ) ≥ · · · ≥ λNx (f ) ≥ 0 les valeurs propres rangées par ordre décroissant et

u1 (f ), u2 (f ), · · · , uNx (f ) leurs vecteurs propres correspondants. On peut déduire de plus que
les Nx − P plus petites valeurs propres de Γ(f ) sont égales à σb2 :
λP +1 (f ) = λP +2 (f ) = · · · = λNx (f ) = σb2 . (2.28)
La matrice spectrale peut donc être séparée en une partie signal Γs (f ) et une partie bruit
Γb (f ) telle que :
P
X Nx
X
Γ(f ) = Γs (f ) + Γb (f ) = λi (f )ui (f ) uH
i (f ) + λk (f )uk (f ) uH
k (f ). (2.29)
i=1 k=P +1
Le sous-espace généré par les plus petites valeurs propres correspond au sous-espace bruit
et le sous-espace complémentaire qui lui est orthogonal correspond au sous-espace signal car il
est égal au sous-espace engendré par les vecteurs de propagation. Ceci justifie donc l’intérêt de
projeter les données sur les vecteurs propres correspondant aux premières valeurs propres dans
le but de séparer le signal du bruit [WK85a]. Une fois la matrice Γ(f ) estimée et décomposée,
le filtrage est donc effectué par projection des données sur la partie signal.
En pratique, le filtrage, réalisé à chacune des Nf fréquences, se décompose selon les étapes
suivantes :
- Pour chacune des Nf fréquences :
* Estimation de la matrice Γ(f b ),
* Décomposition en valeurs propres de Γ(f b ) pour obtenir les valeurs propres et vecteurs
propres associés,
* Sélection des P premiers vecteurs propres associés aux P plus grandes valeurs propres
correspondant au sous-espace signal = V ect(u1 (f ), · · · , uP (f )) (P est obtenu par
observation de la décroissance des valeurs propres),
* Projection de X(f ) sur le sous-espace signal :
P
X
X s (f ) = hX(f ), ui (f )i ui (f ) (2.30)
i=1
avec h , i le produit scalaire de deux vecteurs.

- Calcul de la transformée de Fourier inverse des données projetées pour revenir dans le
plan temps-distance.
Cependant, ce filtre possède de nombreuses limites du fait de la modélisation choisie de

type multi-bande étroite (méthode réalisée indépendamment à chaque fréquence). En effet,
une matrice spectrale est calculée puis diagonalisée à chaque fréquence ce qui peut poser
problème dès que l’on est en présence de plusieurs ondes ou d’ondes dispersives.
Par exemple, si l’onde à isoler n’est pas dominante à certaine fréquence, alors la projection
sur le premier vecteur propre ne correspondra pas à l’onde souhaitée suivant la fréquence.
Prenons un autre exemple : le cas de deux ondes ayant des bandes passantes disjointes
(Bp1 , Bp2 ). Le premier vecteur propre décrira l’onde 1 pour les fréquences de Bp1 et l’onde
2 pour les fréquences de Bp2 . Par conséquent, ces ondes ne seront pas séparables.
Enfin, il se peut que le nombre de vecteurs propres nécessaires pour décrire l’espace signal ne
soit pas constant suivant les fréquences traitées.
Ces problèmes proviennent essentiellement du fait que les Γ(f ) (construites fréquence par
fréquence) ne contiennent pas toute l’information liée au signal car les termes correspondant
à l’interaction entre deux fréquences différentes ne sont pas utilisés.
2.3 Conclusion
Ce chapitre a permis de réaliser un état de l’art des méthodes de séparation d’ondes les plus
couramment utilisées en sismique pour des enregistrements monocomposantes. Nous avons
décrit les deux principaux types de méthodes (à gabarit et matricielles) en nous focalisant sur
ces dernières. Les méthodes matricielles basées sur la décomposition en valeurs singulières ont
été présentées dans leurs versions monocomposantes et multicomposantes. Un présentation
de la méthode matricielle en fréquence (SMF) a été réalisée.
Les limites de ce filtre multi-bande étroite justifient l’introduction de la matrice spectrale
large-bande qui va résoudre bon nombre de ces problèmes. De plus, nous nous intéressons
aux données multicomposantes. Ceci nous emmène donc à proposer une méthode de filtrage
multidimensionnel utilisant une matrice spectrale large-bande multicomposante.
Chapitre 3
Filtrage matriciel spectral

large-bande multicomposante
Sommaire
3.1 Modèle du signal et définition de la matrice spectrale large-bande
multicomposante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.1.1 Modèle du signal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.1.2 Définition de la matrice spectrale large-bande multicomposante . . . 49
3.1.3 Rang des matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.2 Étapes du filtrage . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.2.1 Estimation de la matrice spectrale . . . . . . . . . . . . . . . . . . . 52
3.2.1.1 La moyenne en distance (lissage spatial) . . . . . . . . . . . 52
3.2.1.2 La moyenne en fréquence (lissage fréquentiel) . . . . . . . . 53
3.2.1.3 Utilisation conjointe d’une moyenne en distance et en fréquence 55
3.2.1.4 La moyenne de dispositifs . . . . . . . . . . . . . . . . . . . 55
3.2.2 Estimation du sous-espace signal . . . . . . . . . . . . . . . . . . . . 55
3.2.2.1 Décomposition de la matrice spectrale large-bande multi-
composante . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.2.2.2 Calcul des premiers vecteurs propres . . . . . . . . . . . . . 56
3.2.2.3 Projection sur le sous-espace signal . . . . . . . . . . . . . 58
3.3 Influence de l’arrangement en long-vecteur . . . . . . . . . . . . . 58
3.4 Liens entre vecteurs de propagation et vecteurs propres . . . . . 59
3.5 Pré-traitement possible : correction de vitesse . . . . . . . . . . . 61
3.6 Exemple : onde de vitesse infinie avec un bruit additionnel . . . 62
3.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
47
48 Chapitre 3. Filtrage matriciel spectral large-bande multicomposante
Nous allons maintenant présenter, dans cette partie, la méthode que nous avons développée
dans le but de séparer des ondes sur des données sismiques multicomposantes. L’objectif est de
proposer une technique qui se doit d’être efficace, peu contraignante vis à vis de la campagne
d’acquisition et la plus automatique possible. Pour cela, nous avons donc choisi d’étendre
le filtre par matrice spectrale (SMF) au cas large bande et multicomposante (MCWB-SMF
pour MultiComponent WideBand Spectral Matrix Filtering). Cette méthode, que nous allons
expliciter par la suite, a fait l’objet de plusieurs publications [PMG04, PMG05, PMM05].
3.1 Modèle du signal et définition de la matrice spectrale

large-bande multicomposante
3.1.1 Modèle du signal
Comme nous l’avons vu dans la partie 1.3.2, les enregistrements multicomposantes dépen-
dent de trois paramètres : le temps (Nt échantillons), la distance (Nx capteurs) et la direction
(Nc composantes) et permettent ainsi d’accéder à l’information de polarisation des ondes.
Ces données, enregistrées sur une antenne rectiligne et uniforme de capteurs multicompo-
santes, sont organisées après transformée de Fourier dans le tableau T de taille N x × Nf × Nc
(cf. eq. (1.19)).
De façon à pouvoir utiliser toute l’information disponible dans toutes les fréquences de la
bande d’analyse, pour tous les capteurs et toutes les composantes, nous avons choisi de définir
le vecteur d’observation large-bande multicomposante. Le choix de travailler sur des long-
vecteurs plutôt que sur des tableaux tridimensionnels correspond à une volonté de proposer
des traitements simples auxquels il est possible d’appliquer les opérations de décompositions
matricielles classiques sans avoir à utiliser des décompositions de type multimodal qui sont
beaucoup plus lourdes en terme de calcul et d’espace mémoire [Lat97, Har70, Lic46].
Ainsi, le tableau T peut être réarrangé sous forme d’un long-vecteur, noté T de longueur
Nx Nf Nc contenant tous les canaux fréquentiels de tous les capteurs pour chaque compo-
sante. Il existe de multiples façons d’arranger un tableau en long-vecteur, mais nous verrons
dans la section 3.3 que l’arrangement choisi n’a aucune influence sur le résultat du traitement.
Si on conserve les notations avec Nc = 2 (les composantes étant la composante horizontale

X et la composante verticale Z), alors l’arrangement sous forme de long-vecteur s’exprime par
£ ¤T
T = X(f1 )T , · · · , X(fi )T , · · · , X(fN f )T , Z(f1 )T , · · · , Z(fi )T , · · · , Z(fN f )T (3.1)
où X(fi ) et Z(fi ) sont des vecteurs de taille (Nx ) correspondant au ième canal fréquentiel
du signal reçu sur chacun des Nx capteurs respectivement sur les composantes X et Z.
Le modèle de mélange est donné par :
T =S A+B (3.2)
avec : £ ¤
– S = S 1 , · · · , S p , · · · , S P une matrice de taille Nx Nf Nc × P dont les colonnes décrivent
la propagation des P ondes le long des Nx capteurs de l’antenne pour toutes les
3.1. Modèle du signal et définition de la matrice spectrale large-bande multicomposante 49
fréquences et toutes les composantes. Ces colonnes correspondent donc aux vecteurs
de propagation large-bande multicomposante. Tous les termes qui les constituent sont
déterministes ;
– A = [a1 , · · · , ap , · · · , aP ]T est un vecteur de taille P contenant les amplitudes aléatoires
des sources ;
– B le vecteur de longueur Nx Nf Nc des bruits additifs supposés gaussiens, indépendants
des signaux sources, blanc temporellement et spatialement, et non-polarisé.
On rappelle que chaque source p (avec 1 ≤ p ≤ P ) est caractérisée par :

- θp la Direction D’Arrivée, ou DDA (en anglais Direction Of Arrival ou DOA), de la
source p par rapport à la normale à l’antenne,
- τ0,p l’offset, correspondant au temps de propagation entre la source et le capteur de
référence,
- αp et ϕp respectivement le rapport d’amplitude et le déphasage entre les composantes
X et Z, correspondant à l’état de polarisation de la source p,
- wp l’ondelette émise par la source p.
Le vecteur de propagation, S p , correspond à la propagation d’un signal large-bande entre

la source p et les composantes X et Z des Nx capteurs de l’antenne. Il peut s’écrire :
S p = [sTp , αp ejϕp sTp ]T (3.3)
avec :
sp = [k Tp,f1 , · · · , k Tp,fi , · · · , k Tp,fN f ]T (3.4)
et :  
e −j2πf τ1 (θp )
 .. 
 . 
 
 −j2πf τi (θp ) 
k p,f = wp (f )  e  (3.5)
 .. 
 
 . 
e −j2πf τNx (θp )
où τi (θp ) = τ0,p + ξi (θp ) correspond au temps de propagation du signal entre la source p et le
capteur i (eq. (1.14)). S p , sp , k p,f sont respectivement des vecteurs de taille Nx Nf Nc , Nx Nf
et Nx .
3.1.2 Définition de la matrice spectrale large-bande multicomposante

Toutes les interactions entre les fréquences et les composantes directionnelles des différents
capteurs peuvent être exprimées dans une matrice spectrale notée Γ. Cette matrice, appelée
matrice spectrale large-bande multicomposante, est définie par :
Γ = E{T T H }. (3.6)
Γ est de dimension Nx Nf Nc × Nx Nf Nc .
La matrice spectrale large-bande multicomposante ainsi introduite est composée de (N f Nc )2

blocs de dimension Nx × Nx . Chaque bloc caractérise l’interaction entre les signaux reçus sur
l’ensemble des capteurs pour deux fréquences et deux composantes directionnelles données.
La structure de Γ peut s’exprimer de la façon suivante :
Ã !
ΓX,X ΓX,Z
Γ= (3.7)
ΓZ,X ΓZ,Z
avec ΓX,X et ΓZ,Z les matrices spectrales large-bande monocomposantes pour les composantes
X et Z. Ces termes sont localisés sur les blocs de la diagonale principale de Γ. Les autres blocs
correspondent aux matrices spectrales inter-composantes qui contiennent l’information rela-
tive à l’interaction entre les différentes composantes. Les ondes reçues sur les composantes X
et Z étant corrélées (car elles sont polarisées), ces termes contiennent l’information liée à la
polarisation que nous utiliserons par la suite (voir chapitre 5). La figure 3.1 illustre l’organi-
sation d’une matrice spectrale large bande et notamment ses liens avec la matrice spectrale
classique (multi bande étroite) et la matrice spectrale large bande [Gon99].
Matrice spectrale large bande

multicomposante
Matrice spectrale classique Matrice spectrale large bande
multi bande étroite sur la composante Z
X Z
capteur 1
freq 1 ΓX,X ΓX,Z

capteur Nx
composante
X
capteur 1
freq Nf
capteur Nx
capteur 1
freq 1
ΓZ,X ΓZ,Z
capteur Nx
composante
Sfrag replacements Z
capteur 1
freq Nf
capteur Nx
Fig. 3.1 – Schéma de la matrice spectrale large bande multicomposante
Les hypothèses sur la décorrélation des sources et du bruit et sur la blancheur du bruit,
3.1. Modèle du signal et définition de la matrice spectrale large-bande multicomposante 51
nous permettent d’écrire la matrice spectrale large-bande multicomposante sous la forme :
Γ = S ΓA S H + σb2 I = Γs + Γb (3.8)
où
– ΓA est la matrice spectrale des sources de dimension P × P ,
– S est la matrice de propagation décrite plus haut de dimension Nx Nf Nc × P ,
– Γs et Γb sont respectivement les matrices spectrales large-bande multicomposantes de
la partie signal de l’observation et du bruit, chacune de dimension Nx Nf Nc × Nx Nf Nc .
Si les ondes sont faiblement corrélées ou décorrélées, nous allons montrer que ΓA =
E[A AH ] est de rang P tout comme Γs . Et donc, si le bruit est blanc (spatialement, fréquentielle-
ment et non polarisé), le sous-espace engendré par les P vecteurs propres associés aux P plus
grandes valeurs propres issues de la décomposition de la matrice spectrale, correspond au
sous-espace signal. De plus, les Nx Nf Nc − P plus petites valeurs propres de Γ sont égales à
σb2 (puissance du bruit) et les vecteurs propres associés sont orthogonaux aux colonnes de la
matrice de propagation S.
3.1.3 Rang des matrices

Nous venons de voir que le rang de la matrice spectrale des observations non-bruitées doit
être égal au nombre de sources observées P pour justifier l’intérêt de la méthode. Or le fait
que les sources ne soient pas forcément décorrélées influe directement sur la valeur du rang
de cette matrice.
En effet, en présence de sources cohérentes, le rang de la matrice spectrale des sources ΓA
chute et le rang de la matrice spectrale des observations non-bruitées reste indéterminé et
inférieur à P . Cette déficience de rang altère le bon fonctionnement de la méthode.
On définit N comme étant la racine carrée hermitienne de la matrice spectrale des sources
ΓA :
ΓA = N N H . (3.9)
Alors, le rang de Γs se déduit de l’équation (3.8) et est égal au rang du produit S.N .
Dans le cas du filtrage matriciel classique bande-étroite, il est très facile de montrer que le
rang de la matrice spectrale des observations non-bruitées est égal à P . En effet, sous l’hy-
pothèse de décorrélation des sources, les matrices ΓA et N sont de rang plein (P ) et donc le
rang de la matrice des observations non-bruitées et de même rang que la matrice S. Or cette
matrice de propagation de taille (Nx × P ) est de type Vandermonde et son rang est donc égal
à sa plus petite dimension, soit P .
Dans le cas large-bande multicomposante, le rang de la matrice des observations non-

bruitées est aussi égal au rang de S N . Sous l’hypothèse de faible corrélation des sources,
nous avons toujours N qui est de rang plein et donc :
rang (Γs ) = rang (S). (3.10)
Par conséquent, il reste à déterminer le rang de la matrice S composée des P vecteurs de pro-
pagation large-bande multicomposante. Dans le cas bande-étroite, la détermination du rang
de S x (f ) est immédiate du fait de la structure de type Vandermonde de la matrice. Dans le

cas présent, la détermination du rang de S n’est pas si simple.
Pour résoudre ce problème, il est nécessaire de s’intéresser au terme générique de la matrice

S qui peut s’écrire :
Sp,i,f,c = wp (f ) e −j2πf τi (θp ) pour la composante horizontale X (c = 1),

(3.11)
Sp,i,f,c = αp ejϕp wp (f ) e −j2πf τi (θp ) pour la composante verticale Z (c = 2).
Chaque source reçue correspond à une colonne de S. L’éventualité de se retrouver confronté
au cas très particulier pour lequel deux sources distinctes correspondent à deux colonnes
linéairement liées est très faible. Ainsi, si les sources sont faiblement corrélées, le rang de la
matrice d’observation non-bruitée est donné par :
rang (Γs ) = rang (S) = min(Nx Nf Nc , P ) = P. (3.12)
Nous voyons que, pour justifier l’intérêt du filtre par la matrice spectrale, il est nécessaire
d’émettre l’hypothèse de décorrélation des sources ou de faible corrélation [GG97, Gon99], ce
qui n’est que rarement le cas. En effet, les sources sont souvent cohérentes car elles corres-
pondent en fait à des copies retardées et atténuées d’un même signal issu de l’unique source.
On rappelle que nous considérons comme source tous les signaux issus des différentes réflexions
au niveau des interfaces mais, qui sont en fait issus d’une seule et même source. Or, si l’on
applique le traitement directement sur des sources cohérentes, les résultats sont médiocres.
Pour s’affranchir de ce problème, il est nécessaire de passer par une étape de lissage qui aura
pour but de décorréler les sources et d’augmenter le rang de la matrice spectrale qui, sans
lissage reste de rang 1.
3.2 Étapes du filtrage

3.2.1 Estimation de la matrice spectrale
Sans traitement préalable, T T H est non inversible car de rang égal à 1. Pour éviter cela
et pour décorréler les sources du bruit et les sources entre elles, nous passons par une étape de
lissage pour estimer la matrice Γ. Cette opération permet donc de rendre la matrice spectrale
non singulière et de rang supérieur au nombre de sources P en présence de bruit.
Dans le cas du traitement des données sismiques, l’opérateur mathématique E (éq. 3.6)
est remplacé par des opérateurs de moyennage, tels que les lissages spatiaux ou fréquentiels
ou les deux conjointement. Leur but est de réduire l’influence des termes correspondant aux
interactions des différentes sources (cf. éq. 2.23), rendant ainsi possible l’inversion de la matrice
spectrale. Trois types de moyennes sont possibles :
– la moyenne en distance ou lissage spatial ;
– la moyenne en fréquence ou lissage fréquentiel ;
– la moyenne de dispositifs.
3.2.1.1 La moyenne en distance (lissage spatial)

Dans cette partie, nous allons présenter le lissage spatial [PK89, Red87, RH93, SWK85,
EJS81] qui a pour but de rendre la matrice spectrale non singulière même dans le cas où les
3.2. Étapes du filtrage 53
sources sont cohérentes.

On considère l’antenne linéaire uniforme composée de Nx capteurs que l’on subdivise en
sous-antennes se recouvrant partiellement. L’idée exploitée par le lissage spatial est en fait
de créer plusieurs sous-antennes de taille identique, afin d’obtenir des réalisations différentes
fictives qui serviront à estimer la matrice spectrale. Ces sous-antennes sont supposées linéaires
et uniformes. Si l’ordre de lissage est noté Ks , la taille de chaque sous-antenne est alors de
Nx −2Ks capteurs et le nombre de sous-antennes est 2Ks +1. La figure 3.2 montre un exemple
de décomposition d’une antenne de 7 capteurs en 3 sous-antennes (Ks = 1) et qui correspond
en fait à des moyennes sur 3 capteurs.
Capteurs
Sous−antenne 1
Moyenne sur 3 capteurs
Sous−antenne 2
Sous−antenne 3
Fig. 3.2 – Exemple de moyenne en distance (Ks = 1)
La matrice spectrale lissée spatialement, noté Γ b s , est définie par la moyenne arithmétique
des matrices spectrales obtenues à partir des réalisations correspondant à chaque sous-antenne :
2K
X s +1
bs = 1
Γ T ks T H
ks (3.13)
2Ks + 1
ks =1
où T ks est un long-vecteur de longueur (Nx −2Ks )Nf Nc correspondant aux données reçues sur
la sous-antenne ks . Shan [SWK85] a prouvé que si le nombre de sous-antennes est supérieur au
nombre de sources P alors la matrice spectrale des sources est non-singulière, et donc de rang
plein. Cependant, pour que le lissage spatial n’introduise pas trop de biais dans l’estimation,
il est nécessaire que les ondes soient localement planes sur une distance au moins égale aux
nombres de sous-antennes (2Ks + 1). De plus, chaque sous-antenne étant de taille Nx − 2Ks
capteurs, il y a une perte de deux capteurs par ordre de lissage supplémentaire (effet de bord).
Par conséquent, l’ordre de lissage est limité à Ks ≤ Nx2−1 . Pour palier ce problème de la perte
des capteurs, il existe plusieurs façons de procéder. Il est par exemple possible de dupliquer
les canaux extrêmes ou encore de rajouter des canaux à zéros pour garder la taille initiale des
données.
Une autre façon d’implémenter le lissage spatial consiste à réaliser une moyenne sur une
fenêtre glissante sur les diagonales de la matrice Γ (la moyenne portant alors sur 2K s + 1
termes [Mar88]). Cette méthode, totalement comparable à la méthode précédente, fournit la
même estimation.
3.2.1.2 La moyenne en fréquence (lissage fréquentiel)

Comme pour le lissage spatial, il est possible de réaliser un lissage fréquentiel [WK87]
opérant sur les canaux fréquentiels du signal au lieu des composantes spatiales. Le concept de
sous-antenne est alors remplacé par celui de sous-bandes fréquentielles. Si l’on note K f l’ordre
de lissage fréquentiel appliqué aux données, nous obtenons 2Kf + 1 sous-bandes fréquentielles
de taille Nf . Ainsi, à partir du long-vecteur T , le lissage permet d’obtenir 2Kf +1 long-vecteurs
décalés fréquentiellement. La figure 3.3 illustre un exemple de décomposition en sous-bandes
fréquentielles avec Nf = 10 et Kf = 2.
Composantes fréquentielles fictives
Composantes fréquentielles réelles
Spectre
f
Sous−bande 1
Sous−bande 2 Moyenne sur
5 fréquences
Sous−bande 3
Sous−bande 4
Sous−bande 5
Fig. 3.3 – Exemple de moyenne en fréquence (Kf = 2)
b f correspond à la moyenne
L’estimateur de la matrice spectrale par moyenne en distance Γ
des réalisations obtenues après décalage fréquentiel :
2Kf +1
1 X
bf =
Γ T kf T H (3.14)
kf
2Kf + 1
kf =1
où T kf est un long-vecteur de taille (Nx Nf Nc ) correspondant aux données reçues sur la kfème
sous-bande fréquentielle. Contrairement à la moyenne en distance où il y a généralement perte
de capteurs par effets de bord, il n’y a pas dans ce cas de perte de canaux fréquentiels. En
effet, la perte de canaux fréquentiels peut modifier profondément la nature des signaux. Par
conséquent, on ajoute des canaux fictifs remplis de zéros sur les bords ce qui n’introduit pas
un biais gênant.
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
−Nt 0 Nt
Temps
Fig. 3.4 – Exemple de fenêtre de Tukey pour différent exposant
Ce type de moyenne permet de favoriser une onde, lorsque celle-ci a été ramenée à une
incidence voisine de la normale par pré-traitement (mise à plat). Ceci peut s’expliquer par
le fait que la moyenne en fréquence revient à appliquer une pondération en temps sur les
fonctions de corrélation. Une pondération de type Tukey [BT59] élevée à une certaine puis-
sance est couramment utilisée [?]. Le choix de l’exposant permet de faire varier la largeur de
la fenêtre de pondération et par conséquent le nombre de moyenne en fréquence (Fig. 3.4).

Plus l’exposant choisi est élevé et plus la fenêtre sera étroite et par conséquent, le lissage
sera important. Si la fonction d’intercorrélation n’est pas centrée (dans le cas où une onde
se propage avec une vitesse non infinie, retard non nul), cette moyenne introduit un biais
d’autant plus important que l’incidence est grande (vitesse faible). Seule l’onde à incidence
normale est non biaisée.
3.2.1.3 Utilisation conjointe d’une moyenne en distance et en fréquence

Plutôt que de réaliser un fort lissage soit en distance soit en fréquence et qui peut introduire
un biais important dans l’estimation de la matrice, il peut être utile de combiner les deux
types de moyennes précédemment explicitées.
Ainsi, à partir de l’unique observation disponible T , il est possible de générer un ensemble de
(2Ks +1) récurrences T ks décalées spatialement. Ces (2Ks +1) récurrences peuvent elles-mêmes
être décalées fréquentiellement afin d’obtenir K = (2Ks + 1)(2Kf + 1) récurrences T ks ,kf . On
peut alors estimer la matrice spectrale large-bande multicomposante par la formule suivante :
2K
X s +1 2K
X f +1
b= 1
Γ T ks ,kf T H
ks ,kf . (3.15)
(2Ks + 1)(2Kf + 1)
ks =1 kf =1
Le rang de la matrice spectrale ainsi estimée est égal à K. Pour pouvoir réaliser une
séparation efficace des ondes et du bruit, il est nécessaire de choisir K supérieur à P .
3.2.1.4 La moyenne de dispositifs

Cette moyenne [Mar88] se rapproche de la moyenne d’épreuves utilisée en statistique. Si
l’on peut faire des hypothèses sur la stationnarité du milieu soit à capteur, tir ou déport
constant, la moyenne des matrices associées est toujours très profitable et est la plus efficace.
Cette moyenne suppose que le signal demeure inchangé d’une réalisation à l’autre tandis que
le bruit change.
En conclusion sur l’estimation de la matrice, les conditions d’onde plane ou de stationnarité

du dispositif ne sont malheureusement approximées que très localement. Il est donc fort utile
de combiner au mieux les trois types de moyennes [?].
3.2.2 Estimation du sous-espace signal

Une fois la matrice spectrale large bande multicomposante estimée, l’espace des données
initiales peut être séparé en deux sous-espaces : le sous-espace de signal, Γ b , engendré par les
s
premiers vecteurs propres associés aux valeurs propres les plus grandes et son complémentaire,
le sous-espace bruit, Γ b . Le filtrage est alors réalisé par la projection des données initiales sur
b
le sous-espace signal. Ce procédé est détaillé dans la suite.
3.2.2.1 Décomposition de la matrice spectrale large-bande multicomposante

Par construction, la matrice spectrale est Hermitienne :
Γ bH .
b=Γ (3.16)
b peut être décomposée de façon unique en utilisant une décomposition

Par conséquent, Γ
en valeurs propres (EigenValue Decomposition ou EVD) telle que :
Nx Nf Nc
X
b = U Λ UH =
Γ λi ui uH
i (3.17)
i=1
avec Λ = diag(λ1 , · · · , λi , · · · , λNx Nf Nc ) les valeurs propres et U une matrice de taille Nx Nf Nc ×
Nx Nf Nc dont les colonnes sont les vecteurs propres u1 , · · · , ui , · · · , uNx Nf Nc orthonormés de
b Les valeurs propres λi donnent une mesure de l’énergie des données associées au vecteur
Γ.
propre ui . Elles sont rangées par ordre décroissant tel que :
λ1 ≥ λ2 ≥ · · · ≥ λNx Nf Nc ≥ 0. (3.18)
D’après l’équation (3.17), la matrice spectrale peut être décomposée en une somme de N x Nf Nc
sections propres. Nous avons vu que l’espace engendré par les vecteurs propres associés aux
plus petites valeurs propres correspond au sous-espace bruit et son complémentaire au sous-
espace signal puisqu’il est engendré par les vecteurs directionnels des sources. Ceci justifie
donc l’intérêt de projeter les données de départ sur les premiers vecteurs propres afin de
séparer le signal (les ondes) du bruit.
Cependant, même après les lissages spatiaux et/ou fréquentiels, la matrice spectrale large-
bande multicomposante possède toujours une importante déficience de rang car le rang de Γ b
est égal à K avec K ¿ Nx Nf Nc . Par conséquent, nous avons :
λi = 0 pour K + 1 ≤ i ≤ Nx Nf Nc . (3.19)
L’équation (3.17) devient alors :
K
X
b=
Γ λi ui uH
i . (3.20)
i=1
3.2.2.2 Calcul des premiers vecteurs propres

Le temps de calcul pour diagonaliser une matrice est proportionnel à sa taille au cube,
dans notre cas à (Nx Nf Nc )3 . Sachant que Nx Nf Nc − K vecteurs propres de la matrice spec-
trale sont associés à des valeurs propres nulles, il est inutile de calculer l’ensemble des valeurs
propres et des vecteurs propres de la matrice.
Ainsi, seuls les K premiers vecteurs propres associés aux K plus grandes valeurs propres ont
besoin d’être calculés. Le rang de la matrice est égal à K avec K ¿ Nx Nf Nc . Une variante de
l’algorithme de Lanczos [GL96] est réalisée pour calculer seulement les K premières valeurs
propres et leurs vecteurs propres associés.
Introduisons une nouvelle matrice, notée C, contenant les K vecteurs d’observation obte-
nus par lissages spatiaux et/ou fréquentiels. Cette matrice, de taille Nx Nf Nc × K, est définie
par :  
.. .. ..
. . .
 
 T
C =  1,1 · · · T ks ,kf · · · T 
2Ks +1,2Kf +1  (3.21)
.. .. ..
. . .
| {z }
K=(2Ks +1)(2Kf +1)
où les T ks ,kf correspondent aux long-vecteurs lissés spatialement et fréquentiellement (cf.
éq. (3.15)). Ainsi, tous les long-vecteurs obtenus lors de l’étape d’estimation sont concaténés
dans cette matrice C. Les matrices C et Γ b sont directement liées par la relation suivante :
b = 1 C CH .
Γ (3.22)
K
Nous allons montrer que la diagonalisation de la matrice C H C de taille K × K est une bonne
b de taille Nx Nf Nc × Nx Nf Nc car les premiers
alternative à la diagonalisation coûteuse de Γ
vecteurs propres de Γ b associés aux valeurs propres dominantes sont directement liés à ceux
H
de C C.
La décomposition en valeurs singulières de C est donnée par :
 √ 
δ1 0
 . 
 .. 
 √ 
 0 δK 
  H
C =U ∆VH =U   V (3.23)
 0 ··· 0 
 
 .. .. 
 . . 
0 ··· 0
avec U et V les matrices des vecteurs singuliers gauche et droite, ∆ une matrice pseudo-
√
b à
diagonale contenant les valeurs singulières de C notées δi . Le calcul de C C H , égal à Γ
une constante multiplicative près, donne :
 
δ1 0
 .. 
 . 0 0 
 
 0 δK  H
C C H = U ∆ ∆H U H =U 

 U .
 (3.24)
 
 
 0 0 
La diagonalisation de C H C s’exprime par :
 
δ1 0
 ..  H
C H C = V ∆H ∆ V H = V  .  V . (3.25)
0 δK
Ainsi, en effectuant une décomposition peu coûteuse de C H C car la matrice est de taille
réduite, on obtient les matrices V et les valeurs δi . Par identification entre les équations (3.17)
et (3.24), on peut alors déduire les valeurs propres et les K premiers vecteurs propres de Γ b:
   
λ1 0
   
  λ2  
   0 
  ..  
 . 
Λ=

 avec λi = δi pour 1 ≤ i ≤ K
 (3.26)
 0 λK 
 | {z } 
 K

0 0
| {z }
Nx Nf Nc
et :
1
U i = √ C V i avec 1 ≤ i ≤ K. (3.27)
δi
Pour conclure, nous obtenons par ce type d’algorithme les valeurs propres et vecteurs
propres de Γb par le biais de la décomposition de C H C de taille K × K au lieu de C C H de
³ ´3
taille Nx Nf Nc × Nx Nf Nc . Le temps de calcul est donc amélioré d’un facteur Nx NKf Nc .
3.2.2.3 Projection sur le sous-espace signal

Une fois les vecteurs propres et les valeurs propres obtenus, l’étape de filtrage correspond
à une projection orthogonale des données initiales T sur les vecteurs propres définissant le
sous-espace signal. Si le nombre de sources P n’est pas connu, plusieurs méthodes statistiques
permettent de l’estimer [WK85b]. Une technique consiste à observer la décroissance des valeurs
propres afin de déterminer le seuil correspondant à P . Le long-vecteur T est ensuite projeté
sur les P premiers vecteurs propres par :
P
X
Ts = hT , ui i ui (3.28)
i=1
avec h , i le produit scalaire de deux vecteurs. Le résultat de cette projection est un vecteur
large-bande multicomposante de longueur Nx Nf Nc . La projection sur le sous-espace bruit T b
est obtenue par soustraction de T s aux données initiales :
K
X
Tb = T − Ts = hT , ui i ui . (3.29)
i=P +1
La dernière étape consiste à réarranger les long-vecteurs obtenus (T s et T b ) sous la forme de

tableaux sismiques à trois dimensions (opération inverse de l’équation (3.1)) puis de réaliser
la transformée de Fourier inverse pour revenir dans le domaine temps-distance-composante.
3.3 Influence de l’arrangement en long-vecteur

Nous allons maintenant montrer que la façon dont le tableau T est concaténé en long-
vecteur T de dimension Nx Nf Nc (cf. eq. (3.1)) n’influe pas sur le résultat du filtrage en
montrant que le résultat de la séparation est indépendant de la façon dont le tableau est
déplié.
3.4. Liens entre vecteurs de propagation et vecteurs propres 59
On note T i et T j deux façons différentes de former un long vecteur à partir du tableau T .

Chaque couple de deux long-vecteurs correspondant à deux façons différentes de réarranger
le tableau est lié par la relation suivante :
T j = Ωi,j T i (3.30)
avec Ωi,j une matrice de permutation (matrice carrée de coefficients 0 ou 1, telle qu’il n’y a
qu’un seul 1 par ligne et par colonne).
On considère Γi la matrice spectrale large-bande multicomposante obtenue à partir du long-
vecteur T i et Γj celle obtenue à partir de T j . Ainsi, chacun de ces termes s’écrit :
H
Γi = E[T i T i ] = U i Λi U H
i
H (3.31)
Γj = E[T j T j ] = U j Λj U H
j
.
Si on remplace l’expression de Γj de l’équation (3.30) dans l’équation (3.31), on obtient :
H
Γj = E[T j T j ]
H
= E[Ωi,j T i T i H
Ωi,j ]
H
(3.32)
= Ωi,j Γi Ωi,j
= Ωi,j U i Λi U H
i
ΩH
i,j
.
Par identification entre les équations (3.31) et (3.32), on obtient une relation liant les matrices
des vecteurs propres de Γi et Γj et une relation liant leurs valeurs propres :
Uj = Ωi,j U i
(3.33)
Λj = Λi .
Pour achever le raisonnement, il ne reste plus qu’à vérifier que la projection sur les sous-
espaces signal et sous-espaces bruit sont indépendantes de l’arrangement en long-vecteur en
montrant que T js = Ωi,j T is , ce qui s’exprime par :
PP
T js = hT j , ujk i ujk
Pk=1
P i
= k=1 hΩi,j T , Ωi,j uik iΩi,j uik
PP (3.34)
= Ωi,j k=1 hT i , uik i uik
= Ωi,j T is .
Ainsi, les mêmes données filtrées sont obtenues lorsque l’on réarrange les long-vecteurs T is et
T js sous la forme d’un tableau sismique. On peut donc conclure que la façon dont le long-
vecteur est formée n’influe pas sur le résultat du filtrage.
3.4 Liens entre vecteurs de propagation et vecteurs propres

Dans ce paragraphe, nous allons préciser le lien existant entre la base des vecteurs propres
ui et la base des vecteurs de propagation S p en nous intéressant au cas de deux sources.
Soit deux sources supposées décorrélées, dont les vecteurs de propagation sont notées S 1 et
S 2 et les densités spectrales des sources ΓA1 et ΓA2 . La matrice spectrale va s’exprimer :
Γ = S 1 ΓA1 S H H 2
1 + S 2 ΓA2 S 2 + σb I = Γs + Γb . (3.35)
D’après l’équation (3.12), la matrice Γs est alors de rang 2. La décomposition de la matrice

spectrale globale va nous fournir les deux valeurs propres correspondantes au sous-espace
signal λ1 et λ2 et les vecteurs unitaires des deux directions propres correspondantes u1 et u2 .
Par hypothèses, nous obtenons les relations suivantes :
uH
1 u2 = 0
uH
1 u1 = 1 (3.36)
H
u2 u2 = 1.
D’autre part, Γs peut s’écrire sous la forme d’une somme de deux matrices de rang 1,
bâtie sur les vecteurs et valeurs propres.
Γs = λ1 u1 uH H
1 + λ 2 u2 u 2 . (3.37)
En reliant les équations (3.35) et (3.37), on a la relation suivante :
ΓA1 S 1 S H H H H
1 + ΓA2 S 2 S 2 = λ1 u1 u1 + λ2 u2 u2 (3.38)
où le second membre de l’équation est entièrement connu.

Si l’on multiplie par uH
1 à gauche, on a alors :
(ΓA1 uH H H H H
1 S 1 )S 1 + (ΓA2 u1 S 2 )S 2 = λ1 u1 . (3.39)
Pour faciliter la lecture de l’expression, les scalaires sont mis entre parenthèses. On a aussi la
relation symétrique suivante :
(ΓA1 uH H H H H
2 S 1 )S 1 + (ΓA2 u2 S 2 )S 2 = λ2 u2 . (3.40)
Ces deux dernières relations montrent que u1 et u2 sont des combinaisons linéaires de S 1 et
S 2 . Ils sont donc tous deux dans le sous-espace vectoriel à deux dimensions défini par S 1 et
S 2 . Or, u1 et u2 étant les données, c’est la réciproque qui nous intéresse. À savoir, les deux
vecteurs de propagation S 1 et S 2 appartiennent au sous-espace vectoriel à deux dimensions
définis par les vecteurs unitaires et orthogonaux u1 et u2 .
Nous avons donc montré que les vecteurs de propagation appartiennent à la même base
que les vecteurs propres issus de la diagonalisation de la matrice spectrale. Mais ceux-ci ne
permettent pas de déterminer totalement les vecteurs de propagation par identification directe
avec les vecteurs propres.
Un travail de ce type a été réalisé par Thirion et al. [Thi95, TLM96, TML96] pour le cas
de la matrice spectrale classique (multi-bande étroite). Ils ont montré que l’égalité entre les
vecteurs propres et les vecteurs de propagation dépend essentiellement du rapport d’énergie
entre les différentes ondes et de leur degrés de corrélation. Ainsi, dans le cas deux ondes, les
deux vecteurs de propagation sont identifiables aux deux vecteurs propres dans le cas où les
ondes sont décorrélées et ont des énergies différentes.
3.5. Pré-traitement possible : correction de vitesse 61
3.5 Pré-traitement possible : correction de vitesse

Le filtrage matriciel peut réaliser la séparation d’ondes dont la vitesse n’est pas parfai-
tement infinie à la différence des traitements basés sur la SVD. Cependant, si l’onde a une
vitesse très faible, le retard entre deux capteurs sera relativement grand. Il s’en suit que la
fonction d’inter-corrélation entre deux traces temporelles, centrée sur la valeur du retard entre
les deux traces, sera loin d’être positionné au retard nul. Dans ce cas, comme nous l’avons vu
au paragraphe 3.2.1.2, le lissage fréquentiel introduira un biais très important. Ainsi, si l’on
utilise le lissage fréquentiel pour estimer la matrice spectrale, il sera nécessaire de réaliser au
préalable une étape de correction de vitesse, appelée aussi alignement.
Plusieurs méthodes permettent d’estimer le retard entre deux traces et ainsi corriger la
vitesse d’une onde pour la rendre infinie [Spe81]. L’une d’elles est basée sur les statistiques
d’ordre deux, notamment sur le calcul de la fonction d’inter-corrélation entre un signal de
référence et ce même signal retardé en temps. Cette fonction mesure les similitudes entre les
deux signaux dans le domaine temporel.
Dans le cas de deux signaux reçus sur deux capteurs i et k recevant des copies décalées de la
source p et suivant le modèle de l’équation (1.12), lorsque le décalage entre les deux signaux
correspondra au retard τi (θp ) − τk (θp ), la fonction d’inter-corrélation sera maximum. Il est
ainsi possible d’estimer la valeur du retard et ainsi de le corriger.
D’autres méthodes consistent à évaluer les retards entre deux signaux en utilisant les
statistiques d’ordre supérieur dans le domaine spectral, comme l’ont démontré Nikias et
Pan ([NP88]) et développé ensuite Vrabie et Mars [VM01]. Ils ont montré que le retard ap-
paraı̂t dans le bispectre comme une mesure de phase. Une telle approche est particulièrement
intéressante dans le cas de la présence de bruit gaussien dans les signaux du fait que tous les
multispectres du bruit plus grands que deux sont alors identiquement nuls. Néanmoins, en
pratique, cette technique demande un temps de calcul assez long et une grande place mémoire.
Une autre technique, tout aussi populaire, est basée sur la minimisation de l’erreur qua-
dratique entre les deux signaux pour différents retards possibles. Pour deux signaux reçus sur
deux capteurs i et k recevant l’onde p et suivant le modèle de l’équation (1.12), l’erreur est
minimum lorsque le retard appliqué est égal à τi,p − τk,p . Ainsi pour un ensemble de retards
r testés, l’erreur quadratique s’exprime comme suit :
Nt
X
Ek,i (r) = [xk (n) − xi (n − r)]2 (3.41)
n=1
avec Nt le nombre d’échantillons temporels. Cette méthode fournit de bons résultats mais
elle a l’inconvénient d’être très lente car elle réalise une recherche exhaustive du retard. Pour
résoudre ce problème, un algorithme de descente de gradient a été combiné à la méthode
[PRM04].
Les figures 3.5 et 3.6 montrent un exemple de profil sismique avant et après correction de
vitesse par la méthode basée sur la minimisation de l’erreur quadratique.
0 0
10 10
20 20
30 30
40 40
Temps
Temps
50 50
60 60
70 70
80 80
90 90
100 100
0 20 40 60 80 100 120 140 160 180 0 20 40 60 80 100 120 140 160 180
Capteurs Capteurs
Fig. 3.5 – Profil sismique initial Fig. 3.6 – Profil après correction de vitesse
3.6 Exemple : onde de vitesse infinie avec un bruit additionnel

Nous allons présenter les résultats du filtre MCWB-SMF obtenus sur un cas très simple
de données simulées : une onde de vitesse infinie, de polarisation elliptique additionnée à un
bruit blanc spatialement et temporellement.
Les signaux ont été reçus sur une antenne linéaire composée de 12 capteurs chacun à 3
composantes X, Y et Z. Les données initiales (Fig. 3.8) sont composées de l’onde de vitesse
infinie (Fig. 3.7) et d’un bruit additif. Avant filtrage, le rapport signal à bruit (RSB 1 ) vaut
−3.5dB. L’objectif est d’améliorer le RSB en filtrant le bruit.
Composante X Composante Y Composante Z
0 0 0
0 0 0
2 2 2
2 2 2
4 4 4
4 4 4
Capteurs
Capteurs
Capteurs
6 6 6
Capteurs
Capteurs
Capteurs
6 6 6
8 8 8
8 8 8
10 10 10
10 10 10
12 12 12
12 12 12
0 50 100 0 50 100 0 50 100

Temps Temps Temps 0 50 100 0 50 100 0 50 100
Temps Temps Temps
Fig. 3.7 – Modèle du signal Fig. 3.8 – Profil des données initiales
La décomposition en éléments propres de la matrice spectrale large-bande multicompo-

sante est effectuée après estimation en utilisant un lissage spatial et fréquentiel. Les pa-
ramètres utilisés sont Ks = 4 et Kf = 4, de sorte que les deux types de lissage produisent
K = (2Ks + 1)(2Kf + 1) = 81 pseudo-réalisations. La décomposition réduite de la matrice
spectrale à permis d’obtenir les 81 vecteurs propres associées aux 81 plus grandes valeurs
1
Le RSB est défini comme l’énergie du signal sur l’énergie du bruit sur l’ensemble de la section sismique.
3.6. Exemple : onde de vitesse infinie avec un bruit additionnel 63
propres. La figure 3.9 montre la décroissance des 20 premières valeurs propres. La première
valeur propre domine largement les autres. L’espace défini par le premier vecteur propre sera
identifié comme le sous-espace signal et nous projetons les données sur ce vecteur. Le résultat
de cette projection est proposé à la figure 3.10 et la différence entre les données ”modèle”
(Fig. 3.7) et la projection sur le sous-espace signal (Fig. 3.10) est donnée sur la figure 3.11.
L’objectif est atteint, le RSB vaut 14dB après filtrage contre −3.5dB avant. L’onde a été
bien isolée comme le montre la faible différence qu’il existe entre le modèle et l’onde filtrée
(Fig. 3.11).
5
x 10
4
3.5
2.5
1.5
0.5
0
5 10 15 20
Fig. 3.9 – Amplitude des 20 premières valeurs propres
Composante X Composante Y Composante Z Composante X Composante Y Composante Z

0 0 0 0 0 0
2 2 2 2 2 2
4 4 4 4 4 4
Capteurs
Capteurs
Capteurs
Capteurs
Capteurs
Capteurs
6 6 6 6 6 6
8 8 8 8 8 8
10 10 10 10 10 10
12 12 12 12 12 12
0 50 100 0 50 100 0 50 100 0 50 100 0 50 100 0 50 100

Temps Temps Temps Temps Temps Temps
Fig. 3.10 – Données filtrées : projection des Fig. 3.11 – Différence entre les données
données sur le sous-espace signal filtrées et le modèle du signal
Influence des ordres de lissage spatial et fréquentiel
Le tableau 3.1 donne l’erreur moyenne quadratique entre le signal modèle (Fig. 3.7) et
l’onde filtrée (Fig. 3.10) pour différents ordres de lissage spatial Ks et fréquentiel Kf .
Ce tableau permet de voir que les résultats du filtrage dépendent fortement des ordres de
lissage spatial et fréquentiel choisis. Il est possible de faire plusieurs constats. Tout d’abord,
on constate que dans le cas de ces données, il est toujours bénéfique de combiner les deux
types de lissage. Ensuite, on voit que les performances se dégradent dès lors que l’on prend
des ordres de lissages trop élevés (Ks ou Kf ≥ 8). Dans le cas de cette simulation, le meilleur
résultat est obtenu pour Ks = 6 et Kf = 4.
HH K
H f 0 2 4 6 8
Ks HH H
0 ] 82.10−4 51.10−4 41.10−4 39.10−4
2 77.10−4 18.10−4 13.10−4 13.10−4 16.10−4
4 42.10−4 10.10−4 7.10−4 8.10−4 13.10−4
6 34.10−4 8.10−4 6.10−4 8.10−4 12.10−4
8 26.10−4 10.10−4 9.10−4 11.10−4 16.10−4
Tab. 3.1 – Erreur quadratique moyenne entre le modèle et l’onde filtrée pour différentes
valeurs d’ordre de lissage spatial et fréquentiel
Cependant, ces propos sont à nuancer suivant le type de données à traiter. Ainsi, dans le
cas précédent, nous sommes en présence d’une onde de vitesse infinie et spatialement station-
naire sur l’ensemble des capteurs. Par conséquent, les lissages introduisent peu de biais sur
l’estimation de la matrice spectrale. Ce qui n’est pas le cas dès lors que l’on est en présence
d’une onde de vitesse non infinie ou qui n’est pas stationnaire spatialement.
Nous avons vu que pour une onde de vitesse non-infinie, la fonction d’inter-corrélation
entre deux traces n’est pas centrée en zéro (retard non nul) et donc que le lissage fréquentiel
introduit un biais. Seule l’onde à incidence normale (vitesse infinie) est non biaisée, toutes
les autres ondes le sont. Le biais est d’autant plus important que l’incidence de l’onde sur
l’antenne est grande. En pratique, en présence d’une onde pentée, un faible lissage fréquentiel
est admissible mais on privilégie quand même le lissage spatial.
De même, le lissage spatial n’est pas adapté aux ondes non stationnaires localement en
distance. Pour que ce lissage n’introduise pas de biais, il est donc nécessaire que l’onde soit
au moins stationnaire sur les 2Ks + 1 capteurs utilisés pour faire la moyenne. Si ce n’est pas
le cas, on privilégie le lissage fréquentiel pour réaliser l’estimation de la matrice spectrale.
3.7 Conclusion
Ce chapitre a permis de proposer une méthode de filtrage permettant de traiter de façon
globale les données multidimensionnelles issues de campagnes sismiques multicomposantes.
La méthode proposée réalise une approche fréquentielle de ce problème de séparation entre
la partie signal et la partie bruit. Elle est basée sur une décomposition en sous-espaces à
partir d’une matrice spectrale large-bande multicomposante estimée. Elle prend en compte
l’ensemble des interactions entre les fréquences de tous les capteurs et toutes les composantes
directionnelles. Nous allons voir par la suite les intérêts physiques que peuvent avoir une
telle méthode dans le cas des données sismiques multicomposantes, notamment vis à vis des
problèmes de dispersion et de caractérisation de la polarisation des ondes.
Chapitre 4
Applications sur des données

sismiques synthétiques et réelles
Sommaire
4.1 Application du filtrage sur des données synthétiques . . . . . . . 67
4.1.1 Simulation 1 : Amélioration du rapport signal à bruit . . . . . . . . 67
4.1.1.1 Le jeu de données synthétiques . . . . . . . . . . . . . . . . 67
4.1.1.2 Filtrage des données . . . . . . . . . . . . . . . . . . . . . . 67
4.1.1.3 Structure de la matrice spectrale . . . . . . . . . . . . . . . 69
4.1.1.4 Structure des vecteurs propres . . . . . . . . . . . . . . . . 69
4.1.1.5 Impact du filtrage sur le spectre des signaux . . . . . . . . 71
4.1.1.6 Impact du filtrage sur le diagramme de polarisation . . . . 71
4.1.2 Simulation 2 : Séparation d’ondes . . . . . . . . . . . . . . . . . . . . 72
4.1.2.1 Le jeu de données synthétiques . . . . . . . . . . . . . . . . 72
4.1.2.2 Filtrage des données . . . . . . . . . . . . . . . . . . . . . . 72
4.1.2.3 Structure de la matrice spectrale . . . . . . . . . . . . . . . 73
4.1.2.4 Structure des vecteurs propres . . . . . . . . . . . . . . . . 74
4.1.2.5 Impact du filtrage sur le spectre des signaux . . . . . . . . 76
4.1.2.6 Impact du filtrage sur le diagramme de polarisation . . . . 76
4.1.3 Discussion sur la méthode . . . . . . . . . . . . . . . . . . . . . . . . 76
4.1.3.1 Problème de l’aliasing spatial . . . . . . . . . . . . . . . . . 76
4.1.3.2 Apport de la modélisation large-bande et multicomposante 79
4.2 Comparaison avec d’autres filtres . . . . . . . . . . . . . . . . . . . 81
4.2.1 Simulation 1 : Amélioration du rapport signal à bruit . . . . . . . . 81
4.2.1.1 Application du filtre f − k . . . . . . . . . . . . . . . . . . 81
4.2.1.2 Application du filtre τ − p . . . . . . . . . . . . . . . . . . 81
4.2.1.3 Application du filtre SM F . . . . . . . . . . . . . . . . . . 81
4.2.1.4 Application du filtre SV D . . . . . . . . . . . . . . . . . . 82
4.2.1.5 Application du filtre 3C − SV D . . . . . . . . . . . . . . . 82
4.2.2 Simulation 2 : Séparation d’ondes . . . . . . . . . . . . . . . . . . . . 83
4.2.2.1 Application du filtre f − k . . . . . . . . . . . . . . . . . . 83
4.2.2.2 Application du filtre τ − p . . . . . . . . . . . . . . . . . . 83
4.2.2.3 Application du filtre SM F . . . . . . . . . . . . . . . . . . 84
65
66 Chapitre 4. Applications sur des données sismiques synthétiques et réelles
4.2.2.4 Application du filtre SV D . . . . . . . . . . . . . . . . . . 84

4.2.2.5 Application du filtre 3C − SV D . . . . . . . . . . . . . . . 85
4.2.3 Évaluation des performances . . . . . . . . . . . . . . . . . . . . . . 85
4.3 Applications sur des données réelles . . . . . . . . . . . . . . . . . 87
4.3.1 Données de sismique réflexion . . . . . . . . . . . . . . . . . . . . . . 87
4.3.2 Données de surface proche à 2 composantes . . . . . . . . . . . . . . 91
4.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
4.1. Application du filtrage sur des données synthétiques 67
4.1 Application du filtrage sur des données synthétiques

Pour valider la méthode MCWB-SMF décrite dans le chapitre précédent, nous la testons
sur des signaux sismiques synthétiques (simulation 1 et 2) et réels. Nous proposons une étude
de la structure des vecteurs propres et de la matrice spectrale ainsi que de l’influence du filtrage
sur les spectres et les diagrammes de polarisation des signaux. Nous voyons aussi l’intérêt de la
modélisation large bande multicomposante par rapport à la modélisation multi-bande étroite
(SMF classique). Enfin, nous comparons les performances de la méthode MCWB-SMF avec
celles des méthodes décrites dans le chapitre 2 (filtres f − k, τ − p, SMF, SVD, 3C-SVD).
Le lecteur pourra aussi trouver dans la littérature des articles faisant des comparaisons entre
diverses méthodes de séparation d’ondes [MG94, MGM04, PM06].
4.1.1 Simulation 1 : Amélioration du rapport signal à bruit

4.1.1.1 Le jeu de données synthétiques
La simulation présentée contient un champs d’onde (Fig. 4.1) auquel s’ajoute un bruit
additif. Ces signaux ont été reçus sur une antenne linéaire composée de 12 capteurs, chacun
à 3 composantes X, Y et Z. L’ondelette de Ricker a été employée pour simuler la forme de
la source émise, sa fréquence centrale réduite est égale à 0.1. L’onde reçue sur les capteurs
possède une vitesse négative et une polarisation de type linéaire. Le bruit additif est décorrélé
des sources et est temporellement et spatialement blanc. La puissance du bruit additif n’est
pas la même sur les trois composantes. Ainsi, il est plus important sur la composante Z que
sur la composante Y et la composante X (Fig. 4.2). Les RSBs sur les composantes X, Y et Z
valent respectivement 5dB, 0.5dB et -13dB. Sur la composante Z, on constate que l’onde est
entièrement noyée dans le bruit.

0 0 0
0 0 0
2 2 2
2 2 2
4 4 4
4 4 4
Capteurs
Capteurs
Capteurs
6 6 6
Capteurs
Capteurs
Capteurs
6 6 6
8 8 8
8 8 8
10 10 10
10 10 10
12 12 12
12 12 12
0 50 100 0 50 100 0 50 100

Temps Temps Temps
4.1.1.2 Filtrage des données

La décomposition en éléments propres de la matrice spectrale large-bande multicompo-
sante est effectuée après son estimation en utilisant un lissage spatial et fréquentiel. Les
paramètres utilisés sont Ks = 4 et Kf = 4, de sorte que les deux types de lissage produisent
K = (2Ks + 1)(2Kf + 1) = 81 pseudo-réalisations. La décomposition réduite de la matrice
spectrale a permis d’obtenir les 81 vecteurs propres associés aux 81 plus grandes valeurs
propres. La figure 4.3 montre la décroissance des 20 premières valeurs propres. La première
valeur propre dominant largement les autres, l’espace définit par le premier vecteur propre
est identifié au sous-espace signal et nous projetons les données sur ce vecteur. Le résultat de
cette projection est présenté à la figure 4.4 et la différence entre les données de départ bruitées
et la projection sur le sous-espace signal est donnée sur la figure 4.5 (sous-espace bruit).
Pour quantifier les résultats du filtrage, nous avons calculé l’erreur moyenne quadratique
entre le modèle (Fig. 4.1) et le signal estimé (Fig. 4.4). Ces calculs ont été effectués pour
l’ensemble des méthodes pour pouvoir effectuer une comparaison des performances, et sont
résumés dans la table 4.1 en section 4.2.3. Dans l’instant, nous nous attachons uniquement à
faire une description qualitative des résultats obtenus avec le filtre.
En terme d’amélioration de rapport signal à bruit, les résultats obtenus sont relativement
bons. Sur les composantes X et Y, l’onde a été totalement isolée du bruit. Les RSBs valent
13dB. Sur la composante Z, l’amélioration du rapport signal à bruit est aussi très nette (2dB
au lieu de -13dB), cependant la forme de l’onde obtenue reste légèrement bruitée et sa vitesse
de propagation n’est pas tout à fait correcte.
5
x 10
3
2.5
1.5
0.5
0
2 4 6 8 10 12 14 16 18 20

0 0 0 0 0 0
2 2 2 2 2 2
4 4 4 4 4 4
Capteurs
Capteurs
Capteurs
Capteurs
Capteurs
Capteurs
6 6 6 6 6 6
8 8 8 8 8 8
10 10 10 10 10 10
12 12 12 12 12 12
0 50 100 0 50 100 0 50 100 0 50 100 0 50 100 0 50 100

Fig. 4.4 – Projection des données sur le sous- Fig. 4.5 – Projection des données sur le sous-
espace signal espace bruit
4.1.1.3 Structure de la matrice spectrale
La figure 4.6 correspond au module de la matrice spectrale large-bande multicomposante.

Cette matrice est de taille (Nx Nf Nc × Nx Nf Nc ), soit 2304 × 2304 avec Nx = 12, Nf = 64 et
Nc = 3. Les blocs encadrés de blanc correspondent à l’ensemble des interactions fréquentielles
et spatiales existantes entre deux composantes, et sont de taille (64 · 12 × 64 · 12). Les blocs de
la diagonale principale correspondent aux matrices spectrales large-bande monocomposantes
ΓX,X , ΓY,Y et ΓZ,Z et rassemblent pour chaque bloc toutes les interactions fréquentielles entre
tous les capteurs d’une seule composante. On constate que pour la composante Z, le bloc Γ Z,Z
ne fait quasiment pas ressortir le spectre du signal à la différence des blocs ΓX,X et ΓY,Y . Ceci
est dû à la présence d’un fort niveau de bruit sur la composante Z. Si l’on ne travaillait qu’avec
la composante Z très bruitée, il serait donc impossible de faire ressortir l’information utile du
bruit. On voit alors l’intérêt de prendre en compte les interactions entre composantes. Ainsi,
le bloc ΓZ,X qui caractérise les similitudes entre les composantes X et Z fait beaucoup plus
ressortir la partie ”signal” que le bloc ΓZ,Z . Ceci nous permet donc de rehausser la partie
”signal” présente sur la composante Z.
2000
200
400 1800
600
ΓX,X 1600
800 1400
1000 1200
1200
1000
ΓY,X ΓY,Y
PSfrag replacements 1400
800
1600
600
1800
400
2000 ΓZ,X ΓZ,Y ΓZ,Z
200
2200
200 400 600 800 1000 1200 1400 1600 1800 2000 2200
Fig. 4.6 – Module de la matrice spectrale large-bande multicomposante de la simulation 1
4.1.1.4 Structure des vecteurs propres
Dans le cas où le profil sismique ne contient qu’une seule onde, le sous-espace signal est
alors de dimension 1. Il est définit par le premier vecteur propre issu de la décomposition de
la matrice spectrale (colinéaire au vecteur de propagation de la source).
Lorsque l’on observe le module du premier vecteur propre (Fig. 4.7(b)), on constate que l’on
retrouve l’information fréquentielle relative au signal (Fig. 4.7(a)). Ce vecteur est formé en
mettant bout à bout les composantes fréquentielles issues de la transformée de Fourier du
”modèle”, suivant l’équation (3.1).
Composante
0.09 0.09
X Y Z
0.08 0.08
0.07 0.07
0.06 0.06
0.05 0.05
0.04 0.04
0.03 0.03
0.02 0.02
0.01 0.01
0 0
0 500 1000 1500 2000 0 500 1000 1500 2000
(a) (b)
Fig. 4.7 – (a) Module de la TF de l’ensemble des traces du profil sismique ”modèle” mis sous
forme de long-vecteur. (b) Module du 1er vecteur propre issu de la MCWB-SMF
0.08 0.08
0.07 0.07
0.06 0.06
0.05 0.05
0.04 0.04
0.03 0.03
0.02 0.02
0.01 0.01
0 0
0 500 1000 1500 2000 0 500 1000 1500 2000
(a) (b)
Fig. 4.8 – (a) Module de la TF de l’ensemble des traces du profil sismique correspondant
au bruit mis sous forme de long-vecteur. (b) Module d’un des vecteurs propres issu de la
MCWB-SMF appartenant au sous-espace bruit
Si l’on observe le module d’un autre vecteur propre (Fig. 4.8(b)), supposé appartenir au
sous-espace bruit, on constate que l’on ne retrouve pas d’information fréquentielle relative au
signal. Si l’on compare l’allure du module de ce vecteur, supposé appartenir au sous-espace
bruit, à celle du vecteur obtenu en faisant la transformée de Fourier de la partie ”Bruit” du
modèle, on remarque que ces deux vecteurs ont des allures très similaires.
4.1.1.5 Impact du filtrage sur le spectre des signaux

1 1 1
10 10 10
0 0 0
10 10 10
−1 −1 −1
10 10 10
Puissance (dB)
Puissance (dB)
Puissance (dB)
−2 −2 −2
10 10 10
−3 −3 −3
10 10 10
−4 −4 −4
10 10 10
Modele
Apres filtrage
−5
Avant filtrage −5
10 10
0 20 40 60 0 20 40 60 0 20 40 60
Frequence Frequence Frequence
Fig. 4.9 – Spectres des signaux sur les différentes composantes : modèle, avant et après filtrage
La figure 4.9 représente les différents spectres obtenus sur les 3 composantes. Pour une
composante donnée, chaque tracé correspond à la moyenne sur l’ensemble des traces sismiques
des spectres du signal modèle (sans bruit), du signal de départ (avec bruit) et du signal
après filtrage (sous-espace signal). On constate que le lobe du signal ”utile” apparaı̂t dans
les données après filtrage (trait continu) alors qu’il ne l’était pas forcément avant filtrage
(notamment sur la composante Z) (trait discontinu). De plus, le niveau du bruit est réduit
sur l’ensemble des trois composantes et cela sur toute la plage des fréquences.
4.1.1.6 Impact du filtrage sur le diagramme de polarisation
Sur la figure 4.10 sont présentés trois diagrammes de polarisation. Ils caractérisent l’état
de polarisation de l’onde et correspondent au tracé de l’amplitude de la composante Y en
fonction de l’amplitude de la composante X. De gauche à droite, le diagramme est tracé pour
les données initiales bruitées, puis sur les données ”modèle” et enfin sur les données après
filtrage (sous-espace signal). La polarisation de l’onde est linéaire comme nous pouvons le
constater sur la figure du milieu réalisée sur les données ”modèle”. Avant l’étape de filtrage, il
est impossible de connaı̂tre la polarisation de l’onde (figure de gauche). Après le filtre (figure
de droite), on constate que l’on retrouve bien la forme linéaire attendue. Le filtre permet
donc d’améliorer le diagramme de polarisation et montre que l’onde filtrée a bien la même
polarisation que l’onde ”modèle” (même inclinaison de l’axe et taille de segment).
0.8 0.8 0.8
0.6 0.6 0.6
0.4 0.4 0.4

Amplitude de la composante Y
0.2 0.2 0.2
0 0 0
−0.2 −0.2 −0.2
−0.4 −0.4 −0.4
−0.6 −0.6 −0.6
−0.8 −0.8 −0.8

−0.5 0 0.5 −0.5 0 0.5 −0.5 0 0.5
Amplitude de la composante X Amplitude de la composante X Amplitude de la composante X
(a) (b) (c)
Fig. 4.10 – Diagramme de polarisation entre la composante Y et la composante X sur une

trace sismique : (a) sur les données initiales bruitées, (b) sur le modèle, (c) sur les données
après filtrage
4.1.2 Simulation 2 : Séparation d’ondes

4.1.2.1 Le jeu de données synthétiques
Le jeu n°2 de données synthétiques proposé contient deux champs d’ondes auxquelles ont
été ajouté un bruit blanc. Ces signaux sont reçus sur une antenne composée de 12 capteurs
à 3 composantes (Fig. 4.12). Le modèle des deux ondes utilisé pour générer le profil sismique
est proposé en Figure 4.11.
L’ondelette de Ricker a été employée pour simuler la forme de la source émise. Après émission,
le signal s’est propagé dans le milieu. Une des ondes, appelée onde 1 dans la suite, est de
fréquence centrale réduite 0.1 et possède une vitesse infinie et une polarisation de type
elliptique. De plus, cette onde est dispersive car sa phase varie en fonction de la distance.
L’autre onde, appelée onde 2 dans la suite, de fréquence centrale réduite 0.2, possède une
vitesse de propagation qui varie en fonction de la distance, on qualifiera cette onde
de non-plane. Elle possède une polarisation linéaire et une vitesse apparente qui n’est pas
infinie. Le bruit additif est décorrélé des sources et temporellement et spatialement blanc.
4.1.2.2 Filtrage des données

Nous avons effectué la séparation des ondes et du bruit en réalisant une décomposition
de la matrice spectrale large-bande multicomposante. Cette matrice spectrale a été estimée
en utilisant les paramètres Ks = 4 et Kf = 4, de sorte que les deux types de lissage, spatial
et fréquentiel, produisent K = (2Ks + 1)(2Kf + 1) = 81 pseudo-réalisations. La figure 4.13
montre la décroissance des 20 premières valeurs propres où les deux premières prédominent.

0 0 0
0 0 0
2 2 2
2 2 2
4 4 4
4 4 4
Capteurs
Capteurs
Capteurs
6 6 6
Capteurs
Capteurs
Capteurs
6 6 6
8 8 8
8 8 8
10 10 10
10 10 10
12 12 12
12 12 12
0 50 100 0 50 100 0 50 100

Temps Temps Temps
Les vecteurs propres associés à ces deux valeurs propres définissent donc le sous-espace cor-
respondant au sous-espace signal. Lorsque l’on réalise la projection sur le premier vecteur
propre, correspondant à la valeur propre de plus forte amplitude, on peut obtenir l’Onde 1
filtrée. La projection sur le deuxième vecteur propre permet quand à elle de filtrer l’Onde 2
de vitesse non-infinie. Les figures 4.14 et 4.15 nous montrent les deux ondes ainsi extraites.
En terme de séparation de champs d’ondes et d’amélioration de rapport signal à bruit,
les résultats obtenus sont bons. En effet, la projection sur un des deux premiers vecteurs
propres nous permet bien d’isoler l’une ou l’autre des deux ondes. Nous avons pu filtrer
quasi-parfaitement l’onde 1 qui possède une vitesse infinie. L’onde 2 dont la vitesse n’est pas
infinie a été isolée mais il reste du bruit et il y a une perte d’amplitude sur les capteurs aux
extrémités. Ceci est essentiellement dû au lissage spatial qui introduit un effet de bord.
Dans la suite, nous présenterons les résultats obtenus avec les autres types de filtres sur le
même jeu de données.
5
x 10
6
0
2 4 6 8 10 12 14 16 18 20
4.1.2.3 Structure de la matrice spectrale
La figure 4.16 correspond au module de la matrice spectrale large-bande multicomposante.

La matrice est de taille (Nx Nf Nc × Nx Nf Nc ), soit 2304 × 2304 avec Nx = 12, Nf = 64 et
Nc = 3. On constate que dans la plupart des blocs encadrés de blanc, les contributions
relatives aux deux ondes sont visibles par l’intermédiaire des deux maxima locaux autour
des fréquence réduites 0.1 et 0.2. L’onde 1 prédomine sur les blocs diagonaux ΓX,X et ΓY,Y

0 0 0 0 0 0
2 2 2 2 2 2
4 4 4 4 4 4
Capteurs
Capteurs
Capteurs
Capteurs
Capteurs
Capteurs
6 6 6 6 6 6
8 8 8 8 8 8
10 10 10 10 10 10
12 12 12 12 12 12
0 50 100 0 50 100 0 50 100 0 50 100 0 50 100 0 50 100

Fig. 4.14 – Onde 1 filtrée Fig. 4.15 – Onde 2 filtrée
et l’onde 2 prédomine sur le bloc diagonal ΓZ,Z . Sur ce type de simulation, on voit alors
l’intérêt de travailler sur les données multicomposantes dans leur ensemble. En effet, si on
réalise un traitement par matrice spectrale large-bande composante à composante [GMG98],
la projection sur les premiers vecteurs propres issus des matrices spectrales large-bande de
chaque composante permet d’isoler l’onde 1 sur les deux composantes X et Y ,et l’onde 2 sur
la composante Z comme le montre la figure 4.17.
2500
200
400
2000
600 ΓX,X
800
1500
1000
1200
PSfrag replacements 1400 ΓY,X ΓY,Y 1000
1600
1800
500
2000
2200
ΓZ,X ΓZ,Y ΓZ,Z
200 400 600 800 1000 1200 1400 1600 1800 2000 2200
Fig. 4.16 – Module de la matrice spectrale large-bande multicomposante
4.1.2.4 Structure des vecteurs propres

Le profil sismique contenant deux ondes, le sous-espace signal de dimension 2 est définit
par les deux premiers vecteurs propres issus de la décomposition de la matrice spectrale.
Dans cette simulation, les vecteurs propres obtenus sont égaux aux vecteurs de propagation
des deux ondes différentes, car comme nous venons de le voir, ils ont permis de séparer les

0 0 0
2 2 2
4 4 4
Capteurs
6 6
Capteurs
Capteurs
8 8 8
10 10 10
12 12 12
0 50 100 0 50 100 0 50 100

Temps Temps Temps
Fig. 4.17 – Filtrage matriciel large-bande réalisé indépendamment sur chaque composante en
projetant sur le premier vecteur propre
deux ondes.
Lorsque l’on observe le module des deux premiers vecteurs propres (Fig. 4.18(b)), on constate
que l’on retrouve l’information fréquentielle relative au signal (Fig. 4.18(a)) et qu’il y a bien
égalité entre les vecteurs de propagation et les vecteurs propres estimés.
0.1 0.1
0.09 0.09
0.08 0.08
0.07 0.07
0.06 0.06
0.05 0.05
0.04 0.04
0.03 0.03
0.02 0.02
0.01 0.01
0 0
0 500 1000 1500 2000 0 500 1000 1500 2000
(a) (b)
Fig. 4.18 – (a) Module de la TF de l’ensemble des traces du profil sismique ”modèle” cor-
respondant à l’onde 1 (en trait discontinu) et à l’onde 2 (en trait plein) mis sous forme de
long-vecteur. (b) Module du 1er vecteur propre (en trait discontinu) et du deuxième vecteur
propre (en trait plein)
4.1.2.5 Impact du filtrage sur le spectre des signaux

Les figures 4.19 et 4.20 représentent les spectres respectivement de l’onde 1 et de onde 2
sur les 3 composantes. On constate que les lobes du signal ”utile” correspondant aux deux
ondes apparaissent dans les données après filtrage, alors qu’il ne l’était pas forcément avant
filtrage ; notamment pour l’onde 2 dont le spectre était largement noyé dans celui du bruit.
0 0 0
10 10 10
−1 −1 −1
10 10 10
Puissance (dB)
Puissance (dB)
Puissance (dB)
−2 −2 −2
10 10 10
−3 −3 −3
10 10 10
Modele onde 1
−4
10 Apres filtrage −4
10
−4
10
Avant filtrage
0 20 40 60 0 20 40 60 0 20 40 60
Fig. 4.19 – Spectre des signaux sur les différentes composantes (modèle, avant et après filtrage)
pour l’onde 1
4.1.2.6 Impact du filtrage sur le diagramme de polarisation

Les figures 4.21 et 4.22 correspondent aux différents diagrammes de polarisation des
données initiales, des ondes sans bruit et des ondes filtrées respectivement de l’onde 1 et
de l’onde 2. Ces diagrammes correspondent au tracé de l’amplitude de la composante Y
en fonction de l’amplitude de la composante X, pour une trace du milieu de l’antenne. On
constate que le filtre permet d’améliorer largement les figures de polarisation des ondes filtrées
en retrouvant correctement leur état de polarisation (elliptique pour l’onde 1 (Fig. 4.21) et
linéaire pour l’onde 2 (Fig. 4.22)).
4.1.3 Discussion sur la méthode

4.1.3.1 Problème de l’aliasing spatial
L’aliasing spatial correspond à un sous-échantillonnage spatial. C’est un problème récurant
en prospection sismique qui est dû à un espacement trop grand entre les capteurs. Or, l’uti-
lisation d’un grand nombre de capteurs faiblement espacés engendre un coût très important,
ainsi les conditions d’acquisitions des données lors de campagnes sismiques ne respectent pas
0 0 0
10 10 10
−1 −1 −1
10 10 10
Puissance (dB)
Puissance (dB)
Puissance (dB)
−2 −2 −2
10 10 10
−3 −3 −3
10 10 10
Modele Onde 2
−4 Apres filtrage −4 −4
10 10 10
Avant filtrage
0 20 40 60 0 20 40 60 0 20 40 60
Fig. 4.20 – Spectre des signaux sur les différentes composantes (modèle, avant et après filtrage)
pour l’onde 2
1 1 1
0.8 0.8 0.8
0.6 0.6 0.6
0.4 0.4 0.4
0.2 0.2 0.2
0 0 0
−0.2 −0.2 −0.2
−0.4 −0.4 −0.4
−0.6 −0.6 −0.6
−0.8 −0.8 −0.8
−1 −1 −1
−1 −0.5 0 0.5 1 −1 −0.5 0 0.5 1 −1 −0.5 0 0.5 1

(a) (b) (c)

trace sismique. (a) sur les données initiales bruitées, (b) sur le modèle correspondant à l’onde
1, (c) sur l’onde 1 filtrée
1 1 1
0.8 0.8 0.8
0.6 0.6 0.6
0.4 0.4 0.4
0.2 0.2 0.2
0 0 0
−0.2 −0.2 −0.2
−0.4 −0.4 −0.4
−0.6 −0.6 −0.6
−0.8 −0.8 −0.8
−1 −1 −1
−1 −0.5 0 0.5 1 −1 −0.5 0 0.5 1 −1 −0.5 0 0.5 1

(a) (b) (c)

trace sismique. (a) sur les données initiales bruitées, (b) sur le modèle correspondant à l’onde
2, (c) sur l’onde 2 filtrée
toujours les contraintes d’échantillonnage spatial imposées par le théorème de Shannon. Il y

a donc un besoin réel de méthode de traitement des données sismiques insensible à l’aliasing
spatial.
La méthode la plus classiquement utilisée en sismique pour séparer les ondes du bruit, à savoir
le filtre f − k ne peut traiter les données aliasées spatialement sans les altérer. Ceci vient du
fait que ce filtre opère une double transformée de Fourier dans le domaine temps-distance (cf.
section 2.1.1).
Nous allons montrer que la méthode de filtrage matriciel spectral proposée permet de trai-
ter des données même si celles-ci sont aliasées spatialement. En effet, pour la mise en place
de la méthode, la transformée de Fourier était réalisée uniquement sur les traces temporelles,
nous permettant ainsi de nous affranchir de tout problème d’aliasing spatial.
Nous allons montrer les résultats du filtrage sur des données aliasées 1C (Fig. 4.23(a)).
La distance entre les capteurs est choisie arbitrairement égale à 1 mètre. Par conséquent,
d’après le théorème de Shannon, la fréquence spatiale maximum admise pour le signal est
kmax = 1/2kshannon = 0.5m−1 . Or, l’onde utilisée dans le modèle se propage avec une vitesse
telle que le retard de l’onde entre deux traces successives vaut ne = 1.7 échantillons et
la fréquence centrale temporelle de l’onde vaut fc = 0.3 Hz. On peut alors en déduire la
fréquence centrale spatiale de l’onde qui vaut :
fc
kc = = fc × ne = 0.3 × 1.7 = 0.51m−1 > kshannon . (4.1)
V
0 0
2 2
4 4
Capteurs
Capteurs
6 6
8 8
10 10
12 12
0 50 100 0 50 100
Temps Temps
(a) (b)
Fig. 4.23 – (a) Profil sismique aliasé. (b) Profil sismique filtré par la matrice spectrale large-
bande
0.4
Frequence temporelle
0.3
0.2
0.1
0
−0.5 −0.3 −0.1 0.1 0.3
Frequence spatiale
Fig. 4.24 – Diagramme f-k du profil initial
Les données utilisées sont donc aliasées comme nous le confirme le diagramme f − k du profil
sismique initial (Fig. 4.24).
Après avoir appliqué le filtrage par matrice spectrale large bande, on obtient le résultat de
la figure 4.23(b). L’onde a été parfaitement filtrée du bruit (l’erreur moyenne quadratique
entre les données filtrées et le modèle vaut 18.10−4 ) bien que les données soient aliasées
spatialement.
4.1.3.2 Apport de la modélisation large-bande et multicomposante

L’extension de la méthode de filtrage par matrice spectrale au cas large-bande multicom-
posante possède plusieurs intérêts. Le premier est que cette extension permet d’augmenter le
nombre de sources séparables. En effet, dans le cas de la matrice spectrale classique (SMF),
le nombre de sources séparables est Nx − 1, il est limité par la valeur maximale que peut
atteindre le rang des Nf matrices spectrales. Or, dans le cas large-bande multicomposante, le
nombre maximum de sources séparables vaut en théorie Nx Nf Nc − 1.
De plus, nous allons voir que la modélisation large-bande multicomposante apporte d’autres
avantages.
Intérêt de la modélisation large-bande par rapport à la modélisation bande

étroite :
Le filtrage par matrice spectrale classique (SMF) est aussi appelé multi-bande étroite (cf.sec-
tion 2.2.2). Dans le cas classique, autant de matrices spectrales sont construites puis dia-
gonalisées que de canaux fréquentiels. Ainsi, la séparation en sous-espaces se fait à chaque
fréquence. Le problème se pose dès lors que l’on est en présence de deux ondes dont les spectres
sont partiellement disjoints, additionnées à du bruit.
Prenons le cas de deux ondes ayant des bandes passantes disjointes (Bp1 , Bp2 ). Le premier
vecteur propre décrira l’onde 1 pour les fréquences de Bp1 et l’onde 2 pour les fréquences de
Bp2 . Ainsi, le signal reconstruit après projection sur le premier vecteur propre dans chaque
canal fréquentiel contient les deux ondes. Il est alors impossible de les séparer.
La modélisation large-bande apporte une solution à ce problème. Dans ce cas, une seule
décomposition est effectuée, l’onde de plus forte énergie se retrouve dans le sous-espace en-
gendré par le premier vecteur propre et l’autre onde dans celui engendré par le deuxième
vecteur propre. Les deux ondes peuvent alors être séparées.
Ce problème est illustré dans le cas de la simulation 2 proposée précédemment. Le but était
de séparer les deux ondes présentes dans le profil. Les résultats obtenus avec la méthode large-
bande sont présentés sur les figures 4.14 et 4.15 et ceux obtenus avec la méthode multi-bande
étroite sur les figures 4.37 et 4.38. On voit donc très bien que la modélisation multi-bande
étroite (SMF) ne réussit pas à séparer les deux ondes.
Intérêt de la modélisation multicomposante par rapport à la modélisation mo-

nocomposante :
Outre le fait de permettre l’accès à l’information de polarisation, comme nous le verrons
dans la partie suivante, la modélisation multicomposante permet d’utiliser ce critère dans la
séparation.
En effet, la prise en compte globale de l’information reçue sur l’ensemble des composantes
permet d’isoler une onde parmi d’autres, même si cette dernière n’est pas ”dominante” sur
l’ensemble des composantes. Si l’on reprend l’exemple de la simulation 2, l’onde 1 est domi-
nante sur les composantes X et Y et l’onde 2 est dominante sur la composante Z. Lorsque
l’on réalise le traitement sur chaque composante indépendamment, la projection sur le pre-
mier vecteur propre correspond à l’onde 1 sur les composantes X et Y, et l’onde 2 sur la
composante Z (comme nous l’avons montré la figure 4.17). Il n’est pas possible de séparer les
deux ondes sur toutes les composantes en même temps.
Lorsque l’on réalise le traitement en prenant en compte l’ensemble des composantes, la pro-
jection sur le premier vecteur propre permet d’isoler l’onde 1 sur les trois composantes et la
projection sur le deuxième vecteur propre, l’onde 2 (Fig. 4.14 et 4.15).
4.2. Comparaison avec d’autres filtres 81
4.2 Comparaison avec d’autres filtres

4.2.1 Simulation 1 : Amélioration du rapport signal à bruit
4.2.1.1 Application du filtre f − k
Nous avons comparé les résultats obtenus par MCWB-SMF sur le jeu de données de la
simulation 1 avec ceux obtenus avec le filtre le plus classiquement utilisé en sismique, à savoir
le filtre f −k. L’onde obtenue est présentée sur la figure 4.25. Ce filtre permet de très bien isoler
l’onde et d’enlever ainsi le bruit, bien que quelques artefacts apparaissent sur la composante
Z.
0 0 0 0 0 0
2 2 2 2 2 2
4 4 4 4 4 4
Capteurs
Capteurs
Capteurs
Capteurs
Capteurs
Capteurs
6 6 6 6 6 6
8 8 8 8 8 8
10 10 10 10 10 10
12 12 12 12 12 12
0 50 100 0 50 100 0 50 100 0 50 100 0 50 100 0 50 100

Fig. 4.25 – Onde extraite par filtrage f-k Fig. 4.26 – Onde extraite par filtrage τ − p
Néanmoins, le filtre f −k possède des inconvénients indéniables. Tout d’abord, les résultats
dépendent fortement du masque appliqué dans le plan f −k. De plus, ce filtre ne peut fonction-
ner que si le nombre de capteurs est suffisamment grand, et uniquement si les contraintes de
Shannon sur l’échantillonnage en distance sont respectées. Ces contraintes s’avèrent extrême-
ment pénalisantes dans le cadre de la prospection sismique où les coûts sont tels que les
compagnies pétrolières tentent de réduire au maximum le nombre de capteurs utilisés en aug-
mentant l’espacement entre ces derniers. Enfin, ce filtre ne tient pas compte de l’information
3C.
4.2.1.2 Application du filtre τ − p

Les résultats du filtrage avec le filtre τ − p sont montrés sur la figure 4.26. Les résultats
obtenus sont très satisfaisants car la totalité du bruit a été enlevé. Cependant, les amplitudes
n’ont pas été préservées et les résultats dépendent également de la définition du masque dans
le domaine τ − p. Ce filtre ne tient pas compte de l’information 3C.
4.2.1.3 Application du filtre SM F

Les résultats obtenus en appliquant le filtrage matriciel spectral classique (SMF) indépen-
damment sur chaque composante (Fig. 4.27) ne sont pas tout à fait satisfaisants. Les pa-
ramètres utilisés sont Ks = 4 pour le lissage spatial, 32 pour l’exposant de la fenêtre d’apodi-
sation de Tuckey et les données filtrées ont été obtenues par projection sur le premier vecteur
propre. Seule une faible partie du bruit a été enlevée sur les trois composantes (Fig. 4.27).

0 0 0 0 0 0
2 2 2 2 2 2
4 4 4 4 4 4
Capteurs
Capteurs
Capteurs
Capteurs
Capteurs
Capteurs
6 6 6 6 6 6
8 8 8 8 8 8
10 10 10 10 10 10
12 12 12 12 12 12
0 50 100 0 50 100 0 50 100 0 50 100 0 50 100 0 50 100

Fig. 4.27 – Onde extraite par filtrage SMF Fig. 4.28 – Onde extraite par filtrage SVD
4.2.1.4 Application du filtre SV D
Les résultats obtenus grâce au filtre basé sur la SVD (Fig. 4.28) sont ici très mauvais. En
effet, ce filtre ne permet pas de filtrer une onde si l’on n’a pas au préalable rendue sa vitesse
infinie.
4.2.1.5 Application du filtre 3C − SV D

0 0 0 10 9 22
8 20
2 2 2 9
7
18
4 4 4
8 6
16
5
Capteurs
Capteurs
Capteurs
6 6 6
7 14
4
8 8 8 12
6 3
10
10 10 10 2
5
1 8
12 12 12
4 0 6
0 50 100 0 50 100 0 50 100 5 10 15 20 10 20 30 40 50 60 1 1.5 2 2.5 3
Temps Temps Temps (a) (b) (c)
Fig. 4.29 – Onde extraite par 3C − SV D Fig. 4.30 – Décroissance des valeurs propres
Le même problème se pose avec l’extension du filtre SVD au cas multicomposante dans
le cas d’une onde dont la vitesse n’est pas infinie. Toutefois les résultats (Fig. 4.29) sont
meilleurs que ceux obtenus avec la SVD. Il y a un compromis à faire sur le choix du nombre
de vecteurs singuliers à garder (choix de rx , rt et rc ). Si ce nombre est trop petit, il est
impossible de récupérer tout le signal ”utile”. En revanche, s’il est trop grand, le signal
”utile” est entièrement récupéré mais seule une faible partie du bruit est enlevée.
4.2.2 Simulation 2 : Séparation d’ondes

4.2.2.1 Application du filtre f − k
Sur le jeu de données de la simulation 2, les deux ondes obtenues par filtrage f − k sont
présentées sur les figures 4.31 pour l’onde 1 et 4.32 pour l’onde 2. Les figures 4.33 et 4.34
correspondent aux diagrammes f − k des ondes filtrées.

0 0 0 0 0 0
2 2 2 2 2 2
4 4 4 4 4 4
Capteurs
Capteurs
Capteurs
Capteurs
Capteurs
Capteurs
6 6 6 6 6 6
8 8 8 8 8 8
10 10 10 10 10 10
12 12 12 12 12 12
0 50 100 0 50 100 0 50 100 0 50 100 0 50 100 0 50 100

Fig. 4.31 – Onde 1 extraite par filtrage f-k Fig. 4.32 – Onde 2 extraite par filtrage f-k
Fig. 4.33 – Diagramme f-k de l’Onde 1 ex- Fig. 4.34 – Diagramme f-k de l’Onde 2 ex-
traite par filtrage f-k traite par filtrage f-k
Sur cet exemple, les résultats obtenus avec le filtre f − k sont très satisfaisants même
si on peut voir de très faible résidu de l’onde 2 sur le profil de l’onde 1 extraite, sur les
premiers capteurs. Dans le cas où deux ondes non dispersives ont des vitesses de propagation
proches ou identiques, le filtre f − k ne pourra pas séparer ces ondes même si elles arrivent sur
l’antenne à des temps d’arrivée différents car le filtre f − k utilise principalement la vitesse
comme facteur de discrimination.
4.2.2.2 Application du filtre τ − p

Les résultats obtenus avec le filtre τ − p sont montrés sur la figure 4.35 pour l’onde 1 et
la figure 4.36 pour l’onde 2. Les résultats sont très satisfaisants car les deux ondes sont bien

0 0 0 0 0 0
2 2 2 2 2 2
4 4 4 4 4 4
Capteurs
Capteurs
Capteurs
Capteurs
Capteurs
Capteurs
6 6 6 6 6 6
8 8 8 8 8 8
10 10 10 10 10 10
12 12 12 12 12 12
0 50 100 0 50 100 0 50 100 0 50 100 0 50 100 0 50 100

Fig. 4.35 – Onde 1 extraite par filtrage τ -p Fig. 4.36 – Onde 2 extraite par filtrage τ -p
séparées et la majeure partie du bruit a été enlevée. Cependant, comme pour la simulation 1,
les amplitudes n’ont pas été préservées et les résultats dépendent encore fortement du masque
appliqué.
4.2.2.3 Application du filtre SM F

0 0 0 0 0 0
2 2 2 2 2 2
4 4 4 4 4 4
Capteurs
Capteurs
Capteurs
Capteurs
Capteurs
Capteurs
6 6 6 6 6 6
8 8 8 8 8 8
10 10 10 10 10 10
12 12 12 12 12 12
0 50 100 0 50 100 0 50 100 0 50 100 0 50 100 0 50 100

Fig. 4.37 – Onde 1 extraite par filtrage SMF Fig. 4.38 – Onde 2 extraite par filtrage SMF
Le filtre SMF a été réalisé en appliquant le filtre classique fréquence à fréquence indépendam-
ment sur chaque composante avec les paramètres suivants : Ks = 4 pour le lissage spatial et
32 pour l’exposant de la fenêtre d’apodisation de Tuckey. Le filtre ne permet pas de séparer les
2 ondes comme on peut le voir sur la figure 4.37, qui correspond à la projection des données
sur le premier vecteur propre et la figure 4.38, la projection sur le deuxième vecteur propre.
Ceci vient du fait que les deux ondes ont des spectres disjoints comme nous l’avons vu à la
section 4.1.3.2.
4.2.2.4 Application du filtre SV D
Les résultats obtenus avec le filtre SVD sont assez mauvais pour les deux ondes (Fig. 4.39
et Fig. 4.40).

0 0 0 0 0 0
2 2 2 2 2 2
4 4 4 4 4 4
Capteurs
Capteurs
Capteurs
Capteurs
Capteurs
Capteurs
6 6 6 6 6 6
8 8 8 8 8 8
10 10 10 10 10 10
12 12 12 12 12 12
0 50 100 0 50 100 0 50 100 0 50 100 0 50 100 0 50 100

Fig. 4.39 – Onde 1 extraite par filtrage SVD Fig. 4.40 – Onde 2 extraite par filtrage SVD
(Première section singulière) (Deuxième section singulière)
4.2.2.5 Application du filtre 3C − SV D

0 0 0 0 0 0
2 2 2 2 2 2
4 4 4 4 4 4
Capteurs
Capteurs
Capteurs
Capteurs
Capteurs
Capteurs
6 6 6 6 6 6
8 8 8 8 8 8
10 10 10 10 10 10
12 12 12 12 12 12
0 50 100 0 50 100 0 50 100 0 50 100 0 50 100 0 50 100

Fig. 4.41 – Onde 1 extraite par filtrage 3C − Fig. 4.42 – Onde 2 extraite par filtrage 3C −
SV D SV D
Les résultats obtenus à l’aide du filtrage 3C-SVD sont présentés sur la figure 4.41 pour
l’onde 1 et la figure 4.42 pour l’onde 2. La majeure partie du bruit a été enlevée. L’onde 1 a
été relativement bien séparée bien qu’il reste une petite partie de l’onde 2 qui était colinéaire
à l’onde 1. Cependant, le filtre 3C-SVD ne permet pas de réaliser un bon filtrage de l’onde 2
dont la vitesse n’est pas infinie. Il aurait fallu pour cela réaliser un recalage de vitesse.
4.2.3 Évaluation des performances

Les tableaux Tab. 4.1 et Tab. 4.2 quantifient les résultats obtenus par les différentes
méthodes précédemment citées sur les données des simulations 1 et 2. L’erreur quadratique
moyenne (EQM) correspond à la différence entre les données ”modèle” et les données obte-
nues par filtrage. Elle permet de quantifier les performances de chaque méthode, et ainsi de
positionner la méthode MCWB-SMF par rapport aux autres.
Globalement, les méthodes fournissant les meilleurs résultats sur les deux exemples synthé-
tiques proposés sont le filtrage matriciel large-bande multicomposante et le filtre f − k. Ces
EQM
Filtrage MCWB-SMF 29.10−4
Filtrage f −k 24.10−4
Filtrage τ -p 63.10−4
Filtrage SMF 133.10−4
Filtrage SVD 259.10−4
Filtrage 3C-SVD 129.10−4
Tab. 4.1 – Erreur quadratique moyenne pour la simulation 1
EQM Onde 1 EQM Onde 1

Filtrage MCWB-SMF 5.10−4 45.10−4
Filtrage f −k 18.10−4 23.10−4
Filtrage τ -p 51.10−4 40.10−4
Filtrage SMF 207.10−4 206.10−4
Filtrage SVD 184.10−4 412.10−4
Filtrage 3C-SVD 36.10−4 93.10−4
Tab. 4.2 – Erreur quadratique moyenne pour la simulation 2
filtres ont réalisé une bonne séparation des champs d’ondes et enlevé la quasi-totalité du bruit
présent.
Dans le cas de la simulation 2, on remarque que de manière générale, quelque soit la

méthode de filtrage, les résultats obtenus pour l’onde 1 sont meilleurs que ceux obtenus pour
l’onde 2. La raison est que la plupart des traitements sont plus efficaces pour séparer des
ondes dont la vitesse est infinie.
Nous allons maintenant présenter les avantages et inconvénients de chacune des méthodes
testées en comparaison avec la méthode MCWB-SMF.
Le première catégorie des méthodes testées correspond aux méthodes à gabarit et com-
prend le filtre f − k et le filtre τ − p. Ces filtres fournissent de très bons résultats. Cependant,
leur inconvénient majeur est qu’ils nécessitent l’intervention de l’utilisateur pour réaliser le
masque dans le domaine associé, avant de revenir dans le domaine temps-distance. De plus,
un désavantage propre au filtre f − k est qu’il nécessite un grand nombre de traces sismiques
avec un échantillonnage spatial élevé ce qui rend les campagnes d’acquisitions coûteuses et
contraignantes. Pour le filtre τ − p, un ré-échantillonnage en p est effectué.
La deuxième catégorie des méthodes testées correspond aux méthodes matricielles. Elle
comprend la décomposition en valeurs singulières (SVD) [CU01, FU88, KL80, Tri03], son
extension : la 3C-SVD [GMM01, LBG04, LBLM01, MBVP06, MMG+ 03], et les différents
types de filtrage utilisant la matrice spectrale classique (SMF) [Mer76, Sam83, Bie83, BK83,
MG90, GGM93], et large-bande multicomposante (MCWB-SMF) [PMG04, PMG05, PMM05,
4.3. Applications sur des données réelles 87
PM06]. Comme nous l’avons vu, ces méthodes construisent d’abord une certaine matrice qui
peut être la matrice des données initiales dans le plan temps-distance pour la SVD, ou encore
une matrice spectrale. Ces matrices sont ensuite décomposées suivant leurs vecteurs singuliers
ou leurs vecteurs propres. Ces filtres sont utilisés à la fois pour séparer des ondes et pour
améliorer le rapport signal à bruit en séparant l’espace des données en deux sous-espaces : le
sous-espace signal et le sous-espace bruit. On les appelle aussi méthode par sous-espaces.
Pour-être efficace, les filtres basés sur la SVD nécessitent au préalable un alignement des ondes
pour les rendre de vitesse infinie. En revanche, la matrice spectrale peut fonctionner sans pré-
traitement sur les ondes. Cependant, toute son efficacité dépend de l’étape d’estimation de la
matrice spectrale.
Enfin, le filtrage MCWB-SMF est la seule des méthodes prenant en compte toute l’information
disponible au niveau fréquentiel et au niveau de la polarisation. Par conséquent, ce filtre donne
de très bons résultats, comparables à ceux avec le filtre f − k, à la différence qu’il n’impose
pas de contraintes sur l’échantillonnage spatial et ne nécessite pas la création de masques.
4.3 Applications sur des données réelles

La méthode MCWB-SMF a été appliquée sur des données sismiques multicomposantes
réelles. Elle peut être utilisée à la fois sur des profils issus de la sismique réflexion, de la sis-
mique de puits (sur les Profils Sismiques Verticaux PSV) ou encore de la prospection marine
(OBS et OBC) [PMM05, PM05, PM06].
4.3.1 Données de sismique réflexion
Composante Verticale Composante Horizontale
50 50
100 100
150 150
200 200
Distance (m)
Distance (m)
250 250
300 300
350 350
400 400
450 450
500 500
0 0.5 1 1.5 2 2.5 3 3.5 4 0 0.5 1 1.5 2 2.5 3 3.5 4

Temps (s) Temps (s)
Fig. 4.43 – Profil sismique initial

50 50
100 100
150 150
200 200
Distance (m)
Distance (m)
250 250
300 300
350 350
400 400
450 450
500 500
0 0.5 1 1.5 2 2.5 3 3.5 4 0 0.5 1 1.5 2 2.5 3 3.5 4

Temps (s) Temps (s)
Fig. 4.44 – Extraction de l’onde de pseudo-Rayleigh lente
0.4
Frequence temporelle f
0.3
0.2
0.1
0
−0.4 −0.2 0 0.2 0.4
Frequence spatiale k
0.4
Frequence temporelle f
0.3
0.2
0.1
0
−0.4 −0.2 0 0.2 0.4
Frequence spatiale k
Fig. 4.45 – Diagramme f-k des données initiales (en haut) et de l’onde de pseudo-Rayleigh
lente extraite(en bas)
Dans le cas de la sismique réflexion, seules les ondes réfléchies apportent de l’information
sur la structure du sol. Par conséquent, un des buts de la séparation des ondes est d’isoler ces
ondes réfléchies des autres ondes ”parasites” telles que les arrivées directes, les ondes de sur-
face, le ”ground-roll”, les onde réfractées... L’algorithme de filtrage ayant tendance à favoriser
les ondes possédant les énergies les plus fortes telles que l’onde directe ou le ”Ground-roll”.
50 50
100 100
150 150
200 200
Distance (m)
Distance (m)
250 250
300 300
350 350
400 400
450 450
500 500
0 0.5 1 1.5 2 2.5 3 3.5 4 0 0.5 1 1.5 2 2.5 3 3.5 4

Temps (s) Temps (s)
Fig. 4.46 – Première section résiduelle (Fig. 4.43 - Fig. 4.44)
50 50
100 100
150 150
200 200
Distance (m)
Distance (m)
250 250
300 300
350 350
400 400
450 450
500 500
0 0.5 1 1.5 2 2.5 3 3.5 4 0 0.5 1 1.5 2 2.5 3 3.5 4

Temps (s) Temps (s)
Fig. 4.47 – Extraction de l’onde de pseudo-Rayleigh rapide
La méthode sera d’abord utilisée pour isoler les ondes de plus forte énergie pour ensuite les
soustraire aux données de départ et ainsi récupérer les ondes réfléchies qui sont généralement
de très faible énergie.
50 50
100 100
150 150
200 200
Distance (m)
Distance (m)
250 250
300 300
350 350
400 400
450 450
500 500
0 0.5 1 1.5 2 2.5 3 3.5 4 0 0.5 1 1.5 2 2.5 3 3.5 4

Temps (s) Temps (s)
Fig. 4.48 – Deuxième section résiduelle (Fig. 4.46 - Fig. 4.47)
50 50
100 100
150 150
200 200
Distance (m)
250 250
Distance (m)
300 300
350 350
400 400
450 450
500 500
0 0.5 1 1.5 2 2.5 3 3.5 4 0 0.5 1 1.5 2 2.5 3 3.5 4

Temps (s) Temps (s)
Fig. 4.49 – Ondes réfléchies
Ce premier jeu de données réelles est issu d’une campagne de prospection sismique réalisée
dans la vallée de Chantourne près de Grenoble en France. Le dispositif mis en place contenait
une source de type explosif et un réseau linéaire de 47 capteurs à deux composantes. Une
des composantes, la composante horizontale X, est située dans le plan contenant la source et
le réseau de capteurs et l’autre composante correspond à la composante verticale Z. La dis-
tance entre les géophones, correspondant à l’échantillonnage spatial, est de 10 mètres. L’offset
spatial, c’est à dire la distance entre la source et le premier capteur, est de 50 mètres. Les
données ont été échantillonnées avec un pas d’échantillonnage de 16 ms et l’enregistrement
a duré 4 secondes. La figure 4.43 correspond aux données initiales directement enregistrées
sur les composantes verticales (à gauche) et horizontales (à droite) du réseau de capteurs. On
peut identifier différents champs d’ondes sur l’une des composantes ou sur les deux. Ainsi,
sur la composante verticale, on peut identifier une onde réfractée, une onde réfléchie ayant
une amplitude relativement élevée (à environ 0.5 secondes) associée à un réflecteur profond
et deux ondes de surfaces dispersives de pseudo-Rayleigh caractérisées par des vitesses appa-
rentes relativement faibles et un contenu basse fréquence. Sur la composante horizontale, on
distingue les deux ondes de surface mais aussi une onde réfléchie de très faible amplitude et
noyée dans le bruit généré par les ondes de surface (à environ 1.2 secondes).
Le but du traitement est donc de séparer les différents champs d’ondes en commençant par
ceux de plus forte énergie pour ainsi arriver à isoler les champs d’ondes réfléchies.
Le traitement par la matrice spectrale large-bande multicomposante a été appliqué trois

fois. Le premier passage a permis d’isoler l’onde de pseudo-Rayleigh lente (Fig. 4.44). La
figure 4.45 correspond aux diagrammes f − k des données initiales et de l’onde de pseudo-
Rayleigh lente isolée par filtrage. Cette figure permet de voir que le traitement n’est pas gêné
par l’aliasing spatial car l’onde de pseudo-Rayleigh qui était pourtant sous-échantillonné a pu
être isolée. Le premier résidu (Fig. 4.46) correspond à la différence entre les données initiales
et l’onde de pseudo-Rayleigh estimée.
Lors de la deuxième application du traitement sur le premier résidu, l’onde de pseudo-Rayleigh
rapide a pu être isolée (Fig. 4.47). La figure 4.48 correspond à la deuxième section résiduelle.
Elle contient les deux champs d’ondes réfléchies et du bruit résiduel.
La dernière étape consiste à appliquer une dernière fois le traitement sur la deuxième section
résiduelle entre 0 et 1.4 secondes. Un ”mute” (mise à zéro) sur les données a été réalisé après
1.4 secondes. Le résultat (Fig. 4.49) montre les deux ondes réfléchies aux environs de 0.6 et
1.2 secondes. Ces deux champs d’ondes ainsi isolés vont favoriser et faciliter l’interprétation
des données par les géophysiciens dans le but de définir la structure du sous-sol.
4.3.2 Données de surface proche à 2 composantes

Dans les acquisitions de sismique de surface proche, les traitements classiques de type filtre
f − k sont souvent inefficaces car ils ne permettent pas de réaliser la séparation des différents
champs d’ondes présents. En effet, pour ce type de données, le but est de retirer les ondes n’ap-
portant pas d’information sur la structure du sous-sol telles que les ondes de surface et d’isoler
les ondes réfléchies. Or, ces ondes de surface sont le plus souvent aliasées comme nous allons le
voir dans le profil proposé, il n’est donc pas possible de les extraire à l’aide du filtre f − k. De
même, il n’est pas possible d’isoler directement les ondes réfléchies car elles ont des énergies
très faibles et il est par conséquent impossible de les distinguer dans le diagramme f − k. Pour
traiter ce genre de données, il est donc nécessaire d’avoir recours à des méthodes type haute
résolution telles que la méthode de filtrage matriciel large-bande multicomposante qui va per-
mettre de récupérer les ondes intéressantes par ”épluchage” (”striptease sismique”), c’est à
Composante X Composante Z
0 0
Onde
directe
10 10 Onde
de surface
20 20
30 30
Distance (m)
Distance (m)
Onde
40 40 aérienne
50 50
Onde Onde
réfractée réfléchie
60 60
70 70
80 80
0 0.02 0.04 0.06 0.08 0.1 0.12 0 0.02 0.04 0.06 0.08 0.1 0.12
Temps (s) Temps (s)
Fig. 4.50 – Profil initial
20 20
25 25
30 30
35 35
40 40
Distance (m)
Distance (m)
45 45
50 50
55 55
60 60
65 65
70 70
0 0.02 0.04 0.06 0.08 0.1 0.12 0 0.02 0.04 0.06 0.08 0.1 0.12
Temps (s) Temps (s)
Fig. 4.51 – Profil initial coupé
dire en enlevant successivement les ondes de forte énergie qui n’intéressent pas le géophysicien.
Dans cette étude, les enregistrements donnés par l’”IFP School” par Jean-Luc Mari cor-
respondent à un profil de bruit acquis en sismique de surface proche. Le nombre de géophones

à 2 composantes utilisés est 32. Nous disposons des données reçues sur la composante verticale
et sur la composante horizontale qui se trouve dans le plan de l’antenne. Le déport entre la
source et le premier capteur est de 1 mètre et la distance entre deux géophones adjacents est
de 2.5 mètres, ce qui correspond à l’échantillonnage spatial. L’échantillonnage en temps est
réalisé toutes les 0.25 ms pour un temps d’enregistrement total de 128 ms.
Ce profil a été utilisé pour définir les paramètres d’acquisition d’une plus large campagne
de sismique réflexion ultérieure. La figure 4.50 correspond aux données initiales reçues sur les
composantes horizontale X et verticale Z de l’antenne. Ce profil contient différents champs
d’ondes tels que : une onde directe, une onde réfractée, une onde de surface basse fréquence
et une onde aérienne haute fréquence. De plus, sur la composante verticale et dans la gamme
des distances comprises entre 30 et 60 mètres, on distingue un événement ayant une vitesse
apparente très élevée et qui correspond à une onde réfléchie. La vitesse de l’onde directe est
de 900 m/s et celle de l’onde réfractée observée dans la gamme de distances 16 à 71 mètres
est de 1620 m/s. Pour le traitement de ces données, nous nous sommes restreint à une gamme
de distance contenant l’information intéressante, c’est à dire entre 16 et 71 mètres (Fig. 4.51).
20 20
25 25
30 30
35 35
40 40
Distance (m)
Distance (m)
45 45
50 50
55 55
60 60
65 65
70 70
0 0.02 0.04 0.06 0.08 0.1 0.12 0 0.02 0.04 0.06 0.08 0.1 0.12
Temps (s) Temps (s)
Fig. 4.52 – Ondes réfractées
Le traitement par la matrice spectrale a été appliqué successivement deux fois. La figure
4.52 correspond à l’extraction du champs d’onde réfracté. Ce champs d’onde est ensuite sous-
trait aux données initiales pour former la section résiduelle de la figure 4.53. On peut nette-
ment distinguer sur ce profil les ondes réfléchies. L’extraction de ce champ d’ondes réfléchies
principal est réalisée en appliquant une seconde fois le filtre matriciel. L’onde extraite est
montrée sur la figure 4.54.
Component X Composante Z
20 20
25 25
30 30
35 35
40 40
Distance (m)
Distance (m)
45 45
50 50
55 55
60 60
65 65
70 70
0 0.02 0.04 0.06 0.08 0.1 0.12 0 0.02 0.04 0.06 0.08 0.1 0.12
Temps (s) Temps (s)
Fig. 4.53 – Premier résidu (Fig. 4.51 - Fig. 4.52)
20 20
25 25
30 30
35 35
40 40
Distance (m)
Distance (m)
45 45
50 50
55 55
60 60
65 65
70 70
0 0.02 0.04 0.06 0.08 0.1 0.12 0 0.02 0.04 0.06 0.08 0.1 0.12
Temps (s) Temps (s)
Fig. 4.54 – Ondes réfléchies
4.4 Conclusion
Dans cette première partie, nous avons exposé une méthode de séparation d’onde et
d’amélioration du rapport signal à bruit adaptée à la sismique multicomposante et au problème
qui nous était posé. On rappelle que le but était de proposer une méthode efficace, imposant
peu de contraintes (pas besoin de pré-traitement sur les données, pas de contraintes sur la
4.4. Conclusion 95
géométrie de l’acquisition sismique), et étant la plus automatique possible (peu de paramètres

à régler). De plus, cette méthode se devait de traiter les données issues d’acquisitions sismiques
multicomposantes dans leur ensemble et non pas indépendamment sur chaque composante
pour ainsi pouvoir accéder à l’information de polarisation.
Pour répondre à ce problème, nous avons décidé d’étendre le filtrage matriciel classique
au cas multicomposante. Après avoir fait un bref état de l’art des méthodes de séparation
d’ondes existantes dites à gabarit et matricielles, nous avons décrit le fonctionnement de la
méthode en détails. Nous l’avons ensuite comparée aux autres méthodes pour ainsi pouvoir
la valider et montrer ses performances.
En récapitulatif, nous proposons un tableau comparatif de tous les filtres testés ainsi que le
filtre MCWB-SMF avec pour chacun ses avantages et ses inconvénients, son efficacité relative
en terme de séparation d’ondes et d’amélioration de RSB et enfin, les références bibliogra-
phiques principales qui lui sont associées.
La méthode proposée étant validée sur les simulations et sur les données réelles, il s’agit
maintenant de l’exploiter au maximum en vue de caractériser les ondes qui ont été séparées.
Dans la partie suivante, nous allons donc nous intéresser à la caractérisation des attributs des
ondes séparées, à savoir leur polarisation, leur direction d’arrivée et leur temps d’arrivée sur
l’antenne (offset).
96
Méthodes Type
de de Avantages Inconvénients Efficacité Références
filtrage méthode
nC - Bon résultat dans de nombreux cas - Sensible aux paramètres utilisés ++ [PMG04] [PMG05]
matricielle - Alignement des ondes non- pour le lissage spatial et [PMM05] [PM06]
MCWB- obligatoire fréquentiel
Chapitre 4. Applications sur des données sismiques synthétiques et réelles

SMF - Pas sensible à l’aliasing spatial - Choix du nombre de valeurs
- Accès à l’information de polarisation propres caractérisant le signal
pas toujours évident
1C - Bon résultats dans de nombreux cas - Sensible à l’aliasing ++ [CS91] [EBB63]
f −k à gabarit - Pas de pré-traitement obligatoire - Nécessite un grand nombre de traces [Han88] [SG85]
- Sensible à la forme du masque [ZG94b]
τ −p 1C - Pas de pré-traitement obligatoire - Coûteux pour un balayage fin + [FM92] [GML + 90]
à gabarit sur la lenteur p [MCTD86] [ZG94a]
- Sensible à la forme du masque [RH90a] [RH90b]
- Amplitudes non préservées
1C - Peu coûteuse en temps de calcul - idem MCWB-SMF – [Mer76] [Sam83] [Die88]
SMF matricielle - Alignement des ondes non- - Impossibilité de séparer des ondes [Bie83] [BK83]
obligatoire ayant des spectres disjoints [GGM93] [MG90]
- Pas sensible à l’aliasing spatial
1C - Décomposition matricielle classique - Correction de vitesse obligatoire – [CU01] [FU88]
SVD matricielle - Très bons résultats pour isoler - Choix du nombre de valeurs [KL80]
une onde dominante alignée singulières caractérisant le signal [Tri03]
nC - Décomposition matricielle classique - Correction de vitesse obligatoire + [GMM01] [LBG04]
3C-SVD matricielle - Accès à l’information de polarisation - Choix des rangs (r x , rt , rc ) [LBLM01]
Deuxième partie
Attributs de polarisation et de
direction d’arrivée
Cette deuxième partie aborde des problèmes couramment rencontrés en traitement d’an-
tenne, à savoir la caractérisation de divers attributs des ondes sismiques. Nous allons dans
les deux chapitres qui suivent nous intéresser tout d’abord à l’estimation de la polarisation,
puis à celle de la direction d’arrivée des ondes sur une antenne. Le but étant de proposer des
méthodes performantes et adaptées pour des données enregistrées sur des capteurs multicom-
posantes.
Nous avons vu que depuis plusieurs décennies nous assistons à une utilisation grandissante
des capteurs multicomposantes car ces capteurs permettent l’accès à une plus grande quantité
d’information et donc une meilleure caractérisation des structures géologiques.
Un des traitements fondamentaux est l’analyse de polarisation, c’est à dire l’analyse du
mouvement des particules au passage d’une onde. Après un état de l’art des différentes
méthodes existantes, nous proposerons une méthode basée sur les matrices issues de la décompo-
sition de la matrice spectrale large bande multicomposante.
Un deuxième traitement fondamental est l’estimation des directions d’arrivée des ondes.
Nous nous intéresserons plus particulièrement aux méthodes dites à Haute Résolution puis
nous proposerons une méthode adaptée aux signaux large bande enregistrés sur des antennes
vectorielles.
Enfin dans le but de valider les deux méthodes proposées, nous les testerons sur des si-
gnaux sismiques synthétiques et nous comparerons leurs performances avec celles des méthodes
classiquement utilisées.
97
98
Chapitre 5
Estimation de la polarisation
Sommaire
5.1 Introduction sur l’analyse de polarisation . . . . . . . . . . . . . . 100
5.1.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
5.1.2 Intérêts de l’analyse de polarisation . . . . . . . . . . . . . . . . . . 104
5.1.3 Comment faire l’analyse de polarisation ? . . . . . . . . . . . . . . . 105
5.1.3.1 Pré-traitement . . . . . . . . . . . . . . . . . . . . . . . . . 105
5.1.3.2 Méthode basée sur la matrice de covariance . . . . . . . . . 106
5.2 Méthode basée sur la matrice spectrale large-bande multicom-
posante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
5.2.1 Estimation du rapport d’amplitude et du déphasage . . . . . . . . . 109
5.2.2 Exemple sur un jeu de données synthétiques . . . . . . . . . . . . . . 111
5.3 Applications sur des données sismiques simulées et réelles . . . . 114
5.3.1 Comparaison de la méthode proposée avec la méthode de Flinn . . . 115
5.3.1.1 Estimation du déphasage . . . . . . . . . . . . . . . . . . . 115
5.3.1.2 Estimation des paramètres pour des rapports d’amplitude
variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
5.3.1.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
5.3.2 Application sur un profil sismique de données réelles . . . . . . . . . 117
5.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
99
100 Chapitre 5. Estimation de la polarisation
Durant plusieurs décennies, les antennes sismiques composées de capteurs à une seule
composante (1C) ont été l’outil le plus utilisé en géophysique pour l’exploration pétrolière.
Cette approche scalaire a atteint un degré important de maturité tant au niveau des tech-
nologies d’acquisition que des traitements. Cependant, du fait du caractère bidimensionnel
(2D) de l’approche monocomposante, ces enregistrements n’apportent pas toujours l’infor-
mation suffisante pour distinguer les différentes ondes présentes. De plus, le besoin croissant
d’améliorer la résolution afin d’accéder à plus de détails dans les structures géologiques, a
préparé le terrain de l’exploration sismique à plusieurs composantes.
Ainsi, une plus grande quantité d’information sur les ondes sismiques peut être retrouvé
à partir des enregistrements et des analyses vectoriels. Un des traitements sismiques fonda-
mentaux des enregistrements multicomposantes est l’analyse de polarisation. Cette analyse
implique le calcul des paramètres qui décrivent le mouvement des particules associé à la pro-
pagation d’une onde sismique. Ce mouvement des particules du sol au passage d’une onde a
été identifié pour la première fois comme induisant des paramètres utiles par Jolly en 1956
[Jol56]. La première tentative de mesure du mouvement des particules revient à Shimshoni et
Smith en 1964 [SS64]. Ils ont défini avec succès une méthode d’analyse de polarisation pour des
données de tremblement de terre. En 1965, Flinn [Fli65] propose une méthode plus élaborée
pour l’analyse de la polarisation qui est basée sur la matrice de covariance des données. De-
puis, de nombreux autres algorithmes d’analyse de polarisation ont été développés pour des
applications en exploration sismique [GMML90, SH90, JMG91].
5.1 Introduction sur l’analyse de polarisation

5.1.1 Définition
L’analyse de polarisation est une technique de traitement décrivant quantitativement le
mouvement des particules du sol au passage d’une onde sismique. Elle peut être réalisée soit
par l’intermédiaire de l’examen visuel du diagramme de polarisation, soit par des approches
mathématiques permettant d’obtenir automatiquement les paramètres.
Prenons le cas d’un capteur à deux composantes orthogonales X et Z (N c = 2) qui forment

un repère orthogonal (Oxz) dans le plan de polarisation. La composante X se trouve dans le
plan horizontal (surface du sol) et est colinéaire à la direction de l’antenne et la composante
Z est verticale (cf. Fig. 1.7). Nous allons voir que dans le cas le plus général, les signaux
enregistrés sur les composantes X et Z du capteur décrivent une ellipse dans le plan (Oxz).
Par souci pédagogique, on considère des ondes monochromatiques et l’on décrit les signaux
reçus sur les deux composantes Ox et Oz par :
Ox = a1 cos(2πf t + ϕ1 ) (5.1)
Oz = a2 cos(2πf t + ϕ2 ) (5.2)
où a2 /a1 = α caractérise le rapport d’amplitude entre les deux composantes et ϕ 2 −ϕ1 = ϕ
leur déphasage. À partir des équations précédentes, on peut écrire :
Ox
= cos(2πf t) cos(ϕ1 ) − sin(2πf t) sin(ϕ1 ) (5.3)
a1
Oz
= cos(2πf t) cos(ϕ2 ) − sin(2πf t) sin(ϕ2 ) (5.4)
a2
5.1. Introduction sur l’analyse de polarisation 101
ce qui implique que :

Ox Oz
sin(ϕ2 ) − sin(ϕ1 ) = cos(2πf t) sin(ϕ2 − ϕ1 ) (5.5)
a1 a2
Ox Oz
cos(ϕ2 ) − cos(ϕ1 ) = cos(2πf t) sin(ϕ2 − ϕ1 ). (5.6)
a1 a2
Enfin, en combinant les deux équations précédentes, on obtient l’équation de l’ellipse de
polarisation dans le plan (Oxz) :
µ ¶2 µ ¶2
Ox Oz Ox Oz
+ −2 cos(ϕ2 − ϕ1 ) = sin2 (ϕ2 − ϕ1 ). (5.7)
a1 a2 a1 a2
Cette ellipse (Fig. 5.1) est inscrite dans un rectangle dont les côtés sont parallèles aux
axes Ox et Oz et de longueurs respectives 2a1 et 2a2 . Les paramètres décrivant cette ellipse
sont l’inclinaison du grand axe par rapport à la direction (Ox), noté ψ (avec 0 ≤ ψ < π) et
l’ellipticité, définie comme le rapport entre le petit axe b et le grand axe a de l’ellipse (e = ab ).
a
b
ψ
2a2 x
O
PSfrag replacements
2a1
Fig. 5.1 – Ellipse de polarisation
Pour certain cas particuliers de la valeur de l’ellipticité, le diagramme de polarisation peut

avoir des formes différentes, comme on peut le voir sur la figure 5.2. Ainsi, une ellipticité de
0 correspond à une polarisation linéaire et une ellipticité de 1 correspond à une polarisation
circulaire.
Dans le cadre de la sismique, suivant leur nature, les ondes peuvent avoir des polarisa-
tions très différentes (cf. Fig. 1.6). Nous présentons maintenant la polarisation associée aux
principales ondes rencontrées en sismique :
– les ondes P de polarisation linéaire dans la direction de propagation de l’onde,
– les ondes SV de polarisation linéaire perpendiculairement à la direction de propagation
et dans le plan vertical,
– les ondes SH de polarisation linéaire perpendiculairement à la direction de propagation
et dans le plan horizontal,
– les ondes de Love de polarisation linéaire (propagation de type SH),
– les ondes de Rayleigh de polarisation elliptique,
Z Z Z
X X X
Polarisation linéaire Polarisation elliptique Polarisation circulaire
Fig. 5.2 – Différents types de polarisation
– les ondes de Stoneley de polarisation elliptique.
Pour plus de détails sur ces différentes ondes, le lecteur pourra se reporter au chapitre 1.
La géométrie de nos capteurs à 2 composantes X et Z ne nous permet pas d’avoir accès à
l’information de polarisation des ondes de Love et des ondes SH. Cette information serait
accessible dans le cas où l’on aurait des capteurs à trois composantes X, Y et Z tel que Y
serait dans le plan horizontal et perpendiculaire à la direction de l’antenne.
Bien que l’examen visuel des diagrammes de polarisation permette un jugement intuitif
sur la nature du mouvement des particules, cette approche n’est pas utilisable dans le cas
de l’exploration sismique où l’on dispose de très important volumes de données. Il a donc
été nécessaire de proposer des méthodes automatiques permettant l’estimation de paramètres
décrivant le diagramme de polarisation lié à une onde, à savoir l’ellipticité et l’angle d’azimut.
En fait, nous n’avons pas directement accès à cette information car nous avons accès à l’am-
plitude des signaux en sortie des capteurs. Il est donc nécessaire de faire le lien entre les
paramètres de polarisation issus de la physique et ceux auxquels nous avons réellement accès
à savoir les rapports de phase et d’amplitude (α et ϕ) existant entre les signaux reçus sur les
composantes X et Z des capteurs.
Born et Wolf [BW80] ont fait le lien entre les paramètres α et ϕ et les paramètres de l’ellipse
e et ψ en décrivant les équations suivantes :
a2 + b2 = a21 + a22 (5.8)

2α
tan(2ψ) = cos(ϕ) (5.9)
1 − α2
e α
= sin(ϕ) (5.10)
1 + e2 1 + α2
avec α = a2 /a1 le rapport d’amplitude entre la composante Z et la composante X, et a et b

respectivement la longueur du grand axe et du petit axe de l’ellipse (e = ab ). Ainsi, à partir
du rapport d’amplitude et du déphasage entre les composantes, il est possible de remonter
aux paramètres de polarisation liés à l’ellipse.
Exemple
La figure 5.3 correspond à un enregistrement sismique synthétique sur 24 capteurs à deux

composantes que nous allons utiliser pour présenter le concept de l’analyse de polarisation.
Il va nous permettre d’illustrer quelques caractéristiques du mouvement des particules sui-

vant la nature des ondes. La figure 5.5 présente les diagrammes de polarisation associés à
différents événements sismiques tracés à partir des signaux reçus dans les fenêtres 1 et 2 d’un
des capteurs (Fig. 5.4). Par souci pédagogique, nous avons volontairement choisi un capteur
sur lequel les deux ondes ont des supports temporels disjoints. La figure 5.5(a) montre une
polarisation de type linéaire correspondant à l’onde la plus rapide (par exemple, une onde
P). Ce comportement est caractéristique des ondes P et des ondes S directes et réfléchies.
La figure 5.5(b) correspond au diagramme de polarisation de l’onde la plus lente. Ce mouve-
ment elliptique des particules est caractéristique généralement des ondes de surface de type
”ground-roll”.
0 0
5 5
10 10
Capteurs
Capteurs
15 15
20 20
25 25
0 20 40 60 80 100 120 0 20 40 60 80 100 120
Temps Temps
Fig. 5.3 – Profil sismique
0.8
Composante X
Fenetre 1 Fenetre 2 Composante Y
0.6
0.4
Amplitude
0.2
−0.2
−0.4
0 20 40 60 80 100 120 140

Temps
Fig. 5.4 – Signaux enregistrés sur les composantes X et Y du 12ème capteur

0.8 0.8
0.6 0.6
0.4 0.4
0.2 0.2
0 0
−0.2 −0.2
−0.4 −0.4
−0.6 −0.6
−0.8 −0.8
−0.5 0 0.5 −0.5 0 0.5
Amplitude de la composante X Amplitude de la composante X
(a) (b)
Fig. 5.5 – (a) Diagramme de polarisation de l’onde 1 réalisé sur la fenêtre 1, (b) Diagramme
de polarisation de l’onde 2 réalisé sur la fenêtre 2
5.1.2 Intérêts de l’analyse de polarisation

Les paramètres liés au mouvement des particules, déterminés par l’analyse de polarisation,
peuvent être exploités à des fins différentes. D’une façon générale, la valeur de l’ellipticité
caractérisant l’aplatissement de l’ellipse (e vaut 0 quand l’ellipse est totalement aplatie et
correspond donc à une droite), permet la discrimination entre des ondes de polarisation par-
faitement linéaire (de types P et S) et les ondes ayant un mouvement de particules elliptique
telles que les ondes de Rayleigh. La direction du mouvement des particules peut quand à elle
être utilisée pour déterminer le type d’onde (par exemple, P ou S), la direction d’arrivée de
l’onde ou encore l’orientation d’une structure géologique qui aurait pu influencer le mouve-
ment des particules.
Les premières applications de l’analyse de polarisation ont été réalisées en sismologie. Le

but était alors de localiser l’épicentre d’un tremblement de terre et d’identifier les temps d’ar-
rivée de différentes ondes à différentes phases du séisme [AF65, Sam77].
Dans le contexte de l’exploration sismique, Shieh et Herrmann [SH90] d’une part et Per-
elberg et Hornbostel [PH94] d’autre part ont utilisé l’analyse de polarisation pour éliminer
des événements non utiles correspondant à du bruit (par exemple le ”ground-roll”). Spencer
et al. [SSC88] ont utilisé la polarisation pour déterminer la direction d’une couche ou d’un
plan de faille à proximité d’un puits.
Cependant, l’application la plus significative en exploration sismique reste l’extraction de

sections pures S et sections pures P [PH94]. Cho et Spencer [CS92] ont proposé une nouvelle
approche combinant à la fois l’analyse de polarisation et l’analyse de vitesse pour séparer
différents champs d’ondes sur des profils multicomposantes.
De plus, l’obtention de sections P pures a des impacts positifs sur les traitements de sismique
réflection. Ainsi, les images P résultantes doivent permettre une meilleure interprétation de la
structure géologique et les sections S doivent apporter de l’information sur le sous-sol. De plus,
la façon dont l’énergie des ondes S répond de façon unique aux structures et aux anomalies
dans la terre permet d’obtenir de précieuses informations sur l’anisotropie, la caractérisation
de fracture et la porosité [MC91].
Une autre application assez courante réalisée à partir des ondes S est l’identification et l’in-
terprétation du phénomène de dédoublement des ondes S. Ce phénomène se produit lorsque
qu’une onde S se propageant à travers une fracture se dédouble pour former deux ondes
de polarisations orthogonales et de vitesses différentes. Crampin [Cra85] a montré comment
l’identification de l’onde rapide permet de trouver l’orientation du champ de contrainte hori-
zontal et comment le retard entre l’onde rapide et l’onde lente indique le degrés de rupture.
5.1.3 Comment faire l’analyse de polarisation ?
Nous rappelons que l’entité physique que nous contrôlons au travers de l’analyse de po-
larisation est le vecteur décrivant le mouvement des particules. Le succès de cette analyse
dépend fortement de l’exactitude avec laquelle les données enregistrées représentent les vrais
champs d’ondes et de la capacité de la technique d’analyse de polarisation à mesurer avec
précision les caractéristiques de ce champs d’onde. Par conséquent, lors de toute étape de
pré-traitement visant par exemple à réduire le bruit, il est nécessaire de s’assurer que cette
dernière n’engendre pas de distortion sur le mouvement de la particule.
5.1.3.1 Pré-traitement
L’objectif de la plupart des traitements est d’améliorer la résolution et l’interprétabilité

des images sismiques, ce qui engendre bien souvent une modification de l’ondelette sismique.
Cependant, pour que l’analyse de polarisation indique de façon fiable le mouvement des par-
ticules des ondes, il faut que l’étape de pré-traitement améliore le rapport signal à bruit sans
engendrer de distortions sur le mouvement des particules.
Pour que l’information issue de l’analyse permette de calculer les orientations de certains
évènements géologiques, les paramètres de polarisation doivent être calculés en respectant des
directions de référence prédéterminées (habituellement la direction verticale et la direction
en ligne). Enfin, si une égalisation d’amplitude selon les directions temporelles ou spatiales
est nécessaire durant la phase de pré-traitement, le facteur d’amplitude appliqué aux données
doit être identique sur toutes les composantes.
Un filtrage fréquentiel est souvent requis comme un traitement préalable à toute analyse
de polarisation. En effet, il permet de stabiliser le mouvement des particules en réduisant
le bruit. Cependant, un filtre trop sélectif en fréquence compromet une analyse correcte de
la polarisation car il peut atténuer l’amplitude du signal et introduire par conséquent de
la distortion sur le mouvement des particules. Le filtre médian [DB95], pourtant très utilisé
dans le traitement des profils sismiques verticaux (PSV), n’est pas recommandé car il introduit
des changements d’amplitude entre les composantes. Par conséquent, il peut être judicieux
d’utiliser plutôt des filtres de type f − k ou τ − p.
5.1.3.2 Méthode basée sur la matrice de covariance

Une grande variété d’algorithmes a été développée pour réaliser l’analyse de polarisation à
la fois dans le cas des données sismologiques (tremblement de terre) et des données sismiques
(exploration). Les différences entre ces algorithmes portent sur divers points tels que le do-
maine d’application du traitement (temporel, fréquentiel, Radon...), le choix de travailler sur
une trace unique ou plusieurs traces (multi-traces), de façon instantanée ou sur une fenêtre
temporelle. Dans une certaine mesure, l’approche dépend pour beaucoup de la qualité des
données et de l’application visée.
Des différentes options possibles, l’approche temporelle sur une trace unique permet une
introduction facile du concept d’analyse de polarisation. Hearn et Hendrick [HH99] ont réalisé
une comparaison des algorithmes basés sur cette approche. Leur différence essentielle se fait
au niveau des temps de calculs, très variables d’un algorithme à l’autre. Parmi les approches
les plus efficaces et les plus stables, on peut citer l’algorithme développé par Flinn en 1965
[Fli65] utilisant la matrice de covariance. Nous détaillons cette méthode ci-dessous car elle
nous sert par la suite de base de comparaison avec la méthode que nous proposons.
La méthode de Flinn s’applique sur une fenêtre temporelle de longueur N échantillons.

Elle suppose qu’une seule onde est présente sur cette fenêtre et que le niveau de bruit est
faible. Il est par conséquent nécessaire d’appliquer au préalable une méthode de filtrage pour
réduire les composantes du bruit. Cette méthode s’inspire directement de l’observation du
diagramme de polarisation et doit permettre d’estimer de façon simple les paramètres de po-
larisation que sont l’ellipticité e et la direction de l’ellipse de polarisation ψ.
L’idée est d’obtenir les deux axes principaux de l’ellipse dans le plan de polarisation en
utilisant une analyse en composantes principales (ACP) des données reçues sur les compo-
santes X et Z du capteur i sur N échantillons temporels. Cet algorithme examine donc le
rapport entre les différentes composantes des données (xi , zi ) par l’analyse de la matrice de
covariance Ri définie comme suit :
xz
N
" #
X xi (n)2 xi (n)zi (n)
Ri = (5.11)
xz
n=1
zi (n)xi (n) zi (n)2
avec N le nombre d’échantillons temporels de la fenêtre d’analyse utilisée et x i (n) et zi (n)

les signaux définis au paragraphe 1.3. La technique d’analyse en composantes principales
(ACP) permet de décomposer la matrice Ri en une somme de deux termes construit à
xz
partir de deux vecteurs orthogonaux (u1 , u2 ) tels que :
Ri = λ1 u1 .u1 T + λ2 u2 .u2 T (5.12)

xz
avec T l’opérateur de transposition et λ1 > λ2 . Les vecteurs propres et les valeurs propres
(λ1 , λ2 ) sont liés aux axes de l’ellipse décrivant le mouvement des particules et peuvent être
obtenus en réalisant une décomposition en valeurs propres de la matrice de covariance. La
contribution de chaque terme de l’équation (5.12) est liée à l’amplitude de la valeur propre
associée. Dans le cas d’une onde de polarisation linéaire, la décroissance des valeurs propres
fait apparaı̂tre une valeur propre dominante λ1 . Le vecteur propre associé u1 correspond
alors à la direction du mouvement des particules (angle d’azimuth). Dans le cas d’une onde
de polarisation elliptique, les deux valeurs propres ont des amplitudes proches. Il est donc
possible d’estimer les paramètres de polarisation e et ψ à partir de λ1 et λ2 et de leurs
vecteurs propres associés par les formules suivantes :
p
e= λ2 /λ1 (5.13)
et : µ ¶
−1 u1,z
ψ = tan (5.14)
u1,x
avec (u1,x , u1,z ) les coordonnées du vecteur u1 dans le plan (Oxz). Si la polarisation est
linéaire, λ1 est très grand par rapport à λ2 , par conséquent e est proche de 0. Si la polarisa-
tion est elliptique, e varie entre 0 et 1. Enfin, e vaut 1 dans le cas d’une polarisation circulaire.
Revenons sur l’exemple synthétique de la figure 5.3 qui contient deux ondes de polarisation
linéaire pour la plus rapide et elliptique pour la plus lente et testons la méthode Flinn. Nous
prenons pour cela les signaux de la figure 5.4 enregistrés sur le capteur 12. L’analyse de
la polarisation de la première onde est réalisée sur la fenêtre 1 (soit entre les échantillons
temporels 25 et 48) et celle de la deuxième onde sur la fenêtre 2 (entre les échantillons 55 et
85).
Pour l’onde 1, la décomposition en valeurs propres de la matrice de covariance construite sur
la fenêtre 1 fournit les valeurs et vecteurs propres suivants :
λ1 ' 3.2
λ2 ' 0.0
u1 = (0.83, 0.55)
u2 = (0.55, −0.83).
On a bien λ1 À λ2 , ce qui correspond bien à une onde de polarisation linéaire (e = 0). Si l’on
trace les vecteurs u1 et u2 sur le diagramme de polarisation (Fig. 5.6(a)), on voit que u1 se
superpose parfaitement à la droite du diagramme, ce qui confirme que l’angle d’azimut ψ est
correctement estimé.
Pour l’onde 2, la décomposition en valeurs propres de la matrice de covariance sur la

fenêtre 2 fournit :
λ1 ' 2.2
λ2 ' 1.0
u1 = (0.99, 0.08)
u2 = (0.08, −0.99).
Cette fois ci, λ1 et λ2 ont des amplitudes beaucoup plus proches, ce qui confirme que l’on a
une onde de polarisation elliptique (0 < e < 1). Lorsque l’on trace les vecteurs u 1 et u2 sur
le diagramme de polarisation (Fig. 5.6(b)), on voit que ces vecteurs correspondent aux axes
principaux de l’ellipse de polarisation. Ainsi, sur cet exemple simple de deux ondes séparées
temporellement, la méthode de Flinn réalise une analyse précise de la polarisation.
0.8 0.8
U1
0.6 0.6
0.4 U1 0.4
0.2 U2 0.2
U2
0 0
−0.2 −0.2
−0.4 −0.4
−0.6 −0.6
−0.8 −0.8
−0.5 0 0.5 −0.5 0 0.5
Amplitude de la composante X Amplitude de la composante X
(a) (b)
Fig. 5.6 – (a) Diagramme de polarisation de l’onde 1 réalisé sur la fenêtre 1, (b) Diagramme
de polarisation de l’onde 2 réalisé sur la fenêtre 2
En utilisant le système des équations (5.8) à (5.10), il est possible d’obtenir le rapport
d’amplitude et le déphasage entre les composantes X et Z à partir de e et ψ :
 s 
2
1 tan2 (2ψ
+ sin (2 tan−1 (e)))
α = tan  sin−1   (5.15)
2 1 + tan2 2ψ
Ãs !
2 −1 (e))(1 + tan2 2ψ)
sin (2 tan
ϕ = sin−1 . (5.16)
tan2 2ψ + sin2 (2 tan−1 (e))
Dans cette méthode, la longueur de la fenêtre temporelle est un facteur qui influe sur les
résultats de l’analyse de polarisation. Son choix découle d’un compromis entre résolution et
stabilité. Ainsi, si la fenêtre est choisie trop petite, l’analyse de polarisation devient instable.
En revanche, si elle est trop grande, la résolution décroı̂t et les paramètres estimés sont alors
trop lissés. Le choix de la longueur de la fenêtre se fait donc essentiellement en fonction des
données.
Enfin, l’inconvénient majeur des algorithmes basés sur ce traitement est qu’ils supposent
que la fenêtre d’analyse contient un unique évènement sismique. Si ce n’est pas le cas et si
plusieurs évènements interfèrent sur la fenêtre, le mouvement résultant des particules sera
une combinaison des mouvements des particules des différentes ondes présentes. L’analyse de
polarisation ne sera alors pas pertinente.
5.2 Méthode basée sur la matrice spectrale large-bande mul-

ticomposante
Dans cette partie, nous allons proposer une méthode permettant de réaliser une analyse
de polarisation en utilisant les éléments issus de la décomposition de la matrice spectrale
large-bande multicomposante définie dans le chapitre 3 [PM05].
5.2. Méthode basée sur la matrice spectrale large-bande multicomposante 109
5.2.1 Estimation du rapport d’amplitude et du déphasage

Nous nous plaçons dans le même contexte et sous les mêmes hypothèses que dans le
chapitre 3 de ce manuscrit. A savoir, le modèle est le suivant :
T = SA + B (5.17)
avec T le long-vecteur des données en fréquence de longueur Nx Nf Nc , S la matrice décrivant

la propagation des P sources, A le vecteur des amplitudes complexes des sources et B le
vecteur de bruit.
Les sources sont supposées décorrélées entre elles, et le bruit additif est supposé décorrélé des
signaux sources, blanc temporellement et spatialement et non-polarisé.
Sous ces hypothèses, la matrice spectrale peut se décomposer en une partie signal et une
partie bruit comme suit :
P Nx Nf Nc
X X
Γ = Γs + Γb = λi ui uH
i + λk uk uH
k . (5.18)
i=1 k=P +1
Si l’on admet que les P sources sont décorrélées et ont des énergies différentes (voir
paragraphe 3.4), alors chacun des P premiers vecteurs propres issus de la décomposition de la
matrice spectrale peut être identifié au vecteur de propagation de l’une des P sources. Ainsi,
les P matrices de rang un, que l’on note Γs,p , correspondent chacune à la matrice spectrale
d’une des sources. Elles s’expriment comme suit :
Γs,p = λp up uH
p (5.19)
ou bien encore :
Γs,p = ΓAp S p S H
p (5.20)
avec ΓAp la densité spectrale de la source p et S p le vecteur de propagation de la source p.
Nous allons voir que les paramètres de polarisation de chaque onde p peuvent être ca-
ractérisés en fonction des éléments de la matrice spectrale Γs,p .
Posons que le signal Ox,p,i (f ) correspondant à la source p reçue sur la composante X du

capteur i à la fréquence f s’exprime comme :
Ox,p,i (f ) = ap wp (f )e j2πf τi (θp ) (5.21)
et que celui reçu sur la composante Z se décrit par :
Oz,p,i (f ) = αp e jϕp ap wp (f )e j2πf τi (θp ) . (5.22)
On rappelle que :
- τi (θp ) est le temps de propagation entre la source et le capteur i pour l’onde p,
- αp et ϕp sont respectivement le rapport d’amplitude et le déphasage entre les compo-
santes X et Z correspondant à l’état de polarisation de l’onde p,
- wp est l’ondelette émise par la source p.
L’élément de la diagonale de Γs,p pris à la fréquence f sur le capteur i et correspondant

à l’interaction de la composante X avec elle-même s’exprime par :
Γs,p (i, f ) = ap wp (f )e j2πf τi (θp ) a∗p wp (f )∗ e −j2πf τi (θp )

(X,X)
= |ap |2 |wp (f )|2 . (5.23)

De même, le terme correspondant à l’interaction de la composante Z avec elle-même :
Γs,p (i, f ) = αp e jϕp ap wp (f )e j2πf τi (θp ) αp e −jϕp a∗p wp (f )∗ e −j2πf τi (θp )
(Z,Z)
= αp2 |ap |2 |wp (f )|2 (5.24)

et enfin, le terme croisé correspondant à l’interaction entre la composante X et Z :
Γs,p (i, f ) = ap wp (f )e j2πf τi (θp ) αp e −jϕp a∗p wp (f )∗ e −j2πf τi (θp )
(X,Z)
= αp |ap |2 |wp (f )|2 e −jϕp . (5.25)

Tous ces termes se trouvent soit sur la diagonale principale, soit sur les diagonales secondaires
de la matrice Γs,p (voir Fig. 5.7).
X Z
i=1
f=1 Γs,p (i, f ) Γs,p (i, f )

(X,X) (X,Z)
i=Nx
X
i=1
f=Nf
i=Nx
i=1
f=1 Γs,p (i, f ) Γs,p (i, f )

(Z,X) (Z,Z)
i=Nx
PSfrag replacements
Z
i=1
f=Nf
i=Nx
Fig. 5.7 – Schéma de la matrice spectrale large bande multicomposante correspondant à

l’onde p : Γs,p
On peut alors déduire des estimateurs pour les paramètres de polarisation de l’onde p sur
chaque capteur i. En effet, le rapport d’amplitude entre la composante X et Z sur la capteur
i à la fréquence f s’exprime par :
v
uΓ
u s,p(Z,Z) (i, f )
cp (i, f ) = t
α . (5.26)
Γs,p (i, f )
(X,X)
De même, le déphasage entre les composantes X et Z est :
cp (i, f ) = arg[Γs,p
ϕ (i, f )]. (5.27)
(X,Z)
Bien souvent, le milieu de propagation est considéré comme isotrope. Par conséquent,
les paramètres de polarisation d’une onde sont indépendants de la fréquence et du capteur
considéré. On peut alors obtenir une meilleure estimation en les moyennant à la fois sur les
fréquences et les capteurs.
Cependant, pour avoir une estimation correcte, la moyenne doit être faite non pas sur l’en-
semble des fréquences mais seulement sur les fréquences appartenant à la bande passante du
signal. Pour cela, on estime la largeur de bande du signal L3dB = [finf , fsup ] à −3dB. On
réalise ensuite la moyenne sur les fréquences appartenant à cette bande.
Les estimateurs ainsi obtenus sont :
v
u
u XNx fXsup Γs,p (i, f )
u 1 (Z,Z)
cp = t
α (5.28)
card(L3dB ).Nx Γs,p (i, f )
i=1 f =finf (X,X)
 
Nx fX
X sup
1
cp = arg 
ϕ Γs,p (i, f ) (5.29)
card(L3dB ).Nx (X,Z)
i=1 f =finf
où card correspond au cardinal d’un ensemble fini.
5.2.2 Exemple sur un jeu de données synthétiques

Nous nous proposons de tester la méthode précédente sur le profil synthétique de la figure
5.3 qui contient deux ondes de polarisation linéaire pour la plus rapide (onde 1) et elliptique
pour la plus lente (onde 2) et du bruit de très faible amplitude (RSB=23dB). La première
étape consiste à séparer ces deux ondes du bruit et les deux ondes entre elles par la méthode
MCWB-SMF pour ainsi accéder aux matrices spectrales de l’onde 1 et de l’onde 2 : Γs,1 et Γs,2 .
L’estimation de la matrice spectrale des données initiales (Fig. 5.8) se fait avec les pa-
ramètres de lissage Ks = 3 et Kf = 1. On décompose ensuite la matrice en vecteurs et valeurs
propres. Au vu de la décroissance des valeurs propres, on décide de garder les deux premières
sections propres qui correspondent chacune à une onde :
Γs,1 = λ1 u1 uH H
1 et Γs,2 = λ2 u2 u2 . (5.30)
Les figures 5.11(a) et (b) montrent les modules de Γs,1 et de Γs,2 (les matrices spectrales de
l’onde 1 et 2). Ainsi, en projetant les données initiales sur le premier vecteur propre u1 , on
obtient l’onde 1 (Fig. 5.9) et sur le deuxième vecteur propre u2 , l’onde 2 (Fig. 5.10).
La deuxième étape consiste à faire l’analyse de polarisation de l’onde 1 et de l’onde 2

respectivement à partir des éléments des matrices Γs,1 et Γs,2 .
Tout d’abord, observons la façon dont sont construites ces deux matrices. On peut les subdi-
viser en quatre blocs. Sur la figure 5.11(a) (resp. 5.11(b)), les blocs (1) et (4) correspondent
aux matrices spectrales large bande de l’onde 1 (resp. 2) respectivement sur la composante X
600
500 500
1000 400
1500 300
2000 200
2500 100
3000
500 1000 1500 2000 2500 3000
Fig. 5.8 – Module de la matrice spectrale des données initiales de taille 3072 × 3072 (avec
3072 = 24 × 64 × 2 = Nx × Nf × Nc )
Composante X Composante Z Composante X Composante Z

0 0
0 0
5 5
5 5
10 10 10 10
Capteurs
Capteurs
Capteurs
Capteurs
15 15 15 15
20 20
20 20
25 25
25 25
0 20 40 60 80 100 120 0 20 40 60 80 100 120 0 20 40 60 80 100 120 0 20 40 60 80 100 120
Temps Temps Temps Temps
Fig. 5.9 – Onde 1 filtrée avec la méthode Fig. 5.10 – Onde 2 filtrée avec la méthode
MCWB-SMF MCWB-SMF
et la composante Z. On les note Γs,1 et Γs,1 (resp. Γs,2 et Γs,2 ). Les blocs (2)
(X,X) (Z,Z) (X,X) (Z,Z)
et (3) correspondent aux matrices interspectrales de l’onde 1 (resp. 2) contenant les interac-
tions entre les composantes X et Z. On les note Γs,1 et Γs,1 (resp. Γs,2 et Γs,2 ).
(X,Z) (Z,X) (X,Z) (Z,X)
La figure 5.12 montre plusieurs courbes. Les deux premières (en clair) correspondent au
module de la diagonale des blocs (1) et (4) de la matrice spectrale de l’onde 1. Elles permettent
à la fois de déterminer la bande de fréquence L1 = [finf 1 , fsup1 ] utilisée pour l’estimation des
paramètres de polarisation mais aussi de réaliser l’estimation du rapport d’amplitude entre
550
500
500 500
450
400
1000 1000
350
(1) (2) (1) (2)
300
1500 1500
250
2000 2000 200
150
2500 2500 100
(3) (4) (3) (4) 50

3000 3000
500 1000 1500 2000 2500 3000 500 1000 1500 2000 2500 3000
(a) (b)
Fig. 5.11 – (a) Module de la matrice spectrale de l’onde 1 Γs,1 . (b) Module de la matrice
spectrale de l’onde 2 Γs,2 .
Valeurs réelles Valeurs estimées

Onde 1 α1 = 0.667 c1
α = 0.666
ϕ1 = 0 rad c1
ϕ = 6.10−4 rad
Onde 2 α2 = 0.667 c2
α = 0.664
ϕ2 = 1.500 rad c2
ϕ = 1.499 rad
Tab. 5.1 – Valeurs réelles et estimées des rapports d’amplitude et des déphasages ca-
ractéristiques de la polarisation des ondes 1 et 2
les composantes X et Z :
v
u
u Nx fX
X sup1 Γs,1 (i, f )
u 1 (Z,Z)
c1 = t
α . (5.31)
Nx card(L1) Γs,1 (i, f )
i=1 f =finf 1 (X,X)
La troisième courbe (en gras) de la figure 5.12 représente la phase de la diagonale du bloc
(2). Elle permet d’obtenir le déphasage entre les composantes X et Z en réalisant une moyenne
des points de cette courbe sur la fenêtre 1 :
 
Nx fX
X sup1
1
ϕc1 = arg  Γs,1 (i, f ) . (5.32)
Nx card(L1) (X,Z)
i=1 f =finf 1
Il est possible d’estimer de façon identique les paramètres de polarisation de l’onde 2

en utilisant cette fois-ci les diagonales principales et secondaires de la matrice spectrale Γs,2
(Fig. 5.13).
Les valeurs obtenues pour les paramètres de polarisation des ondes 1 et 2 sont résumées
dans le tableau 5.1. On constate que les résultats sont très satisfaisants car la méthode pro-
posée a permis de réaliser une analyse de polarisation très précise.
−1
−2
Fenetre 1
de taille
−3 card(L1)*Nx
PSfrag replacements
−4
0 200 finf 1 Nx fsup1 Nx 800 1000 1200 1400
Fig. 5.12 – En trait clair, module des diagonales des blocs (1) et (4) de la matrice spectrale
de l’onde 1 (Fig. 5.11(a)). En trait foncé, phase de la diagonale du bloc (2) de la matrice
spectrale de l’onde 1 (Fig. 5.11(a))
−1
−2
Fenetre 2
−3 de taille
card(L2)*Nx
PSfrag replacements
−4
0 200 400 600 finf 2 Nx fsup2 Nx 1200 1400
Fig. 5.13 – En trait clair, module des diagonales des blocs (1) et (4) de la matrice spectrale
de l’onde 2 (Fig. 5.11(b)). En trait foncé, phase de la diagonale du bloc (2) de la matrice
spectrale de l’onde 2 (Fig. 5.11(b))
5.3 Applications sur des données sismiques simulées et réelles

Dans cette partie, nous comparons les performances de la méthode basée sur la matrice
spectrale étendue avec celle proposée par Flinn. Ensuite, nous proposons une application sur
un profil sismique réel.
5.3. Applications sur des données sismiques simulées et réelles 115
5.3.1 Comparaison de la méthode proposée avec la méthode de Flinn

Il est important de rappeler que les deux méthodes que nous allons comparer ont des ap-
proches différentes de l’analyse de polarisation. Ainsi, la méthode Flinn qui utilise la matrice
de covariance propose une approche temporelle sur une trace unique alors que la méthode que
nous proposons est un approche fréquentielle qui peut être faite soit sur une trace unique, soit
sur un ensemble de traces. Par conséquent, pour pouvoir comparer les performances de ces
deux méthodes, il faut réaliser les tests sur les mêmes données et sur le même nombre de traces.
Voici donc la procédure que nous proposons pour un profil sismique à 2 composantes :
– étape 1 : filtrage du profil sismique par la méthode MCWB-SMF en vue de réduire le
bruit et d’isoler l’onde dont on souhaite faire l’analyse de polarisation,
– étape 2 : à partir de la matrice spectrale de l’onde ainsi séparée, estimation du déphasage
et du rapport d’amplitude entre les deux composantes pour chaque capteur avec la
méthode de la matrice spectrale,
– étape 3 : à partir du profil débruité issu de l’étape 1, estimation du déphasage et du
rapport d’amplitude entre les deux composantes pour chaque capteur avec la méthode
de Flinn.
Dans les cas que nous allons étudier, la polarisation des ondes ne varie pas avec la distance,
par conséquent, pour une onde donnée, on estime le rapport d’amplitude et le déphasage entre
les composantes en réalisant une moyenne des paramètres trouvés sur chaque capteur.
5.3.1.1 Estimation du déphasage

Nous nous plaçons dans le cas d’une onde à retard nul dont le rapport d’amplitude α sera
constant et égal à 0.8 et dont le déphasage entre composantes sera successivement de 0, 0.4,
0.8 et 1.2 radian.
Les courbes obtenues correspondent à l’erreur absolue moyenne (EAM 1 ) entre la valeur
théorique du déphasage et sa valeur estimée en fonction du rapport signal sur bruit (RSB).
Pour chaque figure, la courbe en trait plein correspond à la méthode de la matrice spectrale
et la courbe en trait discontinu correspond à la méthode de Flinn. Le rapport signal sur bruit
varie de -10dB à 15dB et pour chaque RSB, l’estimation des paramètres a été effectuée sur
500 réalisations puis moyennée sur l’ensemble de ces réalisations.
Nous présentons plusieurs courbes d’EAM pour l’estimation de ϕ pour les différents cas
suivants :
– onde polarisée elliptiquement avec ϕ = 0 rad et α = 0.8 : Figure 5.14
– onde polarisée elliptiquement avec ϕ = 0.4 rad et α = 0.8 : Figure 5.15
5.3.1.2 Estimation des paramètres pour des rapports d’amplitude variables

Cette fois-ci, nous nous plaçons dans le cas d’une onde à retard nul dont le rapport
d’amplitude α entre les 2 composantes est successivement de 0.2, 0.6 et 1 et dont le déphasage
1
L’erreur absolue moyenne correspond à la valeur absolue de la différence entre la valeur du paramètre et
la valeur estimée, moyennée sur l’ensemble des réalisations.
0.8
Matrice spectrale Matrice spectrale
Flinn Flinn
0.7
1
0.6
0.8
0.5
EAM
EAM
0.6 0.4
0.3
0.4
0.2
0.2
0.1
0 0
−10 −5 0 5 10 15 −10 −5 0 5 10 15
RSB en dB RSB en dB
Fig. 5.14 – Erreur absolue moyenne pour Fig. 5.15 – Erreur absolue moyenne pour
l’estimation du déphasage en fonction du l’estimation du déphasage en fonction du
RSB (Étude du cas d’une onde avec ϕ = 0 RSB (Étude du cas d’une onde avec ϕ = 0.4
rad et α = 0.8) rad et α = 0.8)
0.5
Flinn Flinn
0.45
0.25
0.4
0.35
0.2
0.3
EAM
EAM
0.25 0.15
0.2
0.1
0.15
0.1
0.05
0.05
0 0
−10 −5 0 5 10 15 −10 −5 0 5 10 15
RSB en dB RSB en dB
l’estimation du déphasage en fonction du l’estimation du déphasage en fonction du
RSB (Étude du cas d’une onde avec ϕ = 0.8 RSB (Étude du cas d’une onde avec ϕ = 1.2
rad et α = 0.8) rad et α = 0.8)
est constant et égal à 1 radian.

Les courbes proposées représentent l’erreur absolue moyenne (EAM) entre la valeur théorique
et la valeur estimée du rapport d’amplitude en fonction du rapport signal sur bruit (RSB).
Les courbes proposées correspondent aux différents cas suivants :
5.3.1.3 Conclusion
Nous pouvons tirer plusieurs conclusions des courbes d’EAM présentées précédemment.
Tout d’abord, indépendamment de la méthode utilisée, on constate que l’analyse de la po-
larisation est bien évidemment très sensible au bruit et donc les estimations sont meilleures
lorsque le RSB augmente.
5.3. Applications sur des données sismiques simulées et réelles 117
0.5 0.25
Flinn Flinn
0.45
0.4 0.2
0.35
0.3 0.15
EAM
EAM
0.25
0.2 0.1
0.15
0.1 0.05
0.05
0 0
−10 −5 0 5 10 15 −10 −5 0 5 10 15
RSB en dB RSB en dB
l’estimation du rapport d’amplitude en fonc- l’estimation du rapport d’amplitude en fonc-
tion du RSB (Étude du cas d’une onde avec tion du RSB (Étude du cas d’une onde avec
ϕ = 1 rad et α = 0.2) ϕ = 1 rad et α = 0.6)
0.25
Matrice spectrale
Flinn
0.2
0.15
EAM
0.1
0.05
PSfrag replacements
ϕ 0
−10 −5 0 5 10 15
RSB en dB
Fig. 5.20 – (a) Erreur absolue moyenne pour l’estimation du rapport d’amplitude en fonction
du RSB (Étude du cas d’une avec que ϕ = 1 rad et α = 1)
Pour l’estimation du déphasage, la méthode basée sur la matrice spectrale est toujours beau-
coup plus performante que ne l’est la méthode de Flinn et cela indépendamment de la valeur
du rapport d’amplitude entre les composantes.
Concernant l’estimation du rapport d’amplitude, les performances dépendent de la valeur de
ce rapport. Ainsi, pour des rapports proches de 1 (amplitude de l’onde égale sur les deux
composantes), la méthode de Flinn fournit de meilleurs résultats que la méthode de la ma-
trice spectrale. En revanche, dès que ce rapport s’éloigne de 1 (amplitude différente sur les
composantes), alors la méthode de la matrice spectrale fournit de meilleurs résultats que la
méthode de Flinn.
5.3.2 Application sur un profil sismique de données réelles

Après avoir testé les performances de la méthode de la matrice spectrale sur des données
simulées, nous l’appliquons sur un profil sismique réel déjà étudié dans la partie précédente.
Ce profil (Fig. 4.43) est issu d’une campagne de sismique réflexion réalisée dans le bassin
grenoblois. Dans la partie 4.3, la méthode de séparation MCWB-SMF a permis de séparer les
différents champs d’onde présents, à savoir les deux ondes de Rayleigh, et les ondes réfléchies.
50 50
100 100
150 150
200 200
Distance (m)
Distance (m)
250 250
300 300
350 350
400 400
450 450
500 500
0 0.5 1 1.5 2 2.5 3 3.5 4 0 0.5 1 1.5 2 2.5 3 3.5 4

Temps (s) Temps (s)
Fig. 5.21 – Extraction de l’onde de pseudo-Rayleigh lente
Nous nous proposons de tester l’algorithme d’analyse de polarisation sur l’onde de pseudo-
Rayleigh lente (Fig. 5.21). Cette onde a une polarisation elliptique comme nous le montre le
diagramme de polarisation réalisé entre la composante verticale et la composante horizontale
sur un capteur (Fig. 5.24). Au vu du profil sismique, la polarisation de l’onde semble ne pas
varier en fonction de la distance et les amplitude de l’onde sur les deux composantes semblent
très proches. Ceci est confirmé par l’analyse de polarisation effectuée sur chaque capteur en
utilisant la méthode de la matrice spectrale.
1
180
0.9
160
0.8
140
0.7
120
Rapport d’amplitude
0.6
Dephasage ( °)
100
0.5
80
0.4
60
0.3
40 0.2
20 0.1
0
0 50 100 150 200 250 300 350 400 450 500
50 100 150 200 250 300 350 400 450 500 Distance (m)
Distance (m)
Fig. 5.22 – Estimation du déphasage entre Fig. 5.23 – Estimation du rapport d’ampli-
la composante verticale et la composante ho- tude entre la composante verticale et la com-
rizontale en fonction de la distance posante horizontale en fonction de la distance
Les courbes des figures 5.22 et 5.23 correspondent respectivement au déphasage et au

5.4. Conclusion 119
rapport d’amplitude estimés entre la composante verticale et horizontale en fonction de la

distance. Le déphasage varie peu en fonction de la distance et vaut entre 60 et 80 degrés.
De même, le rapport d’amplitude est en moyenne constant et proche de 0.9. Travaillant sur
des données réelles, il est difficile de vérifier l’exactitude de ces valeurs. Néanmoins, il est
possible de tester leur authenticité. Nous avons donc appliqué l’opposé du déphasage estimé
pour chaque capteur à la composante verticale Z. Le but étant de vérifier que l’on obtient bien
une onde de polarisation linéaire si le déphasage a été correctement compensé. En effet, si l’on
applique à la composante Z, l’opposé du déphasage réel entre les composantes X et Z alors la
polarisation de l’onde devrait devenir en théorie parfaitement linéaire (déphasage nul entre
les deux composantes). C’est bien ce que nous vérifions sur la figure 5.25 qui représente le
diagramme de polarisation après correction du déphasage. On constate que le diagramme tend
vers une droite et donc confirme que l’estimation du déphasage entre les deux composantes
est correcte.
0.8 0.8
0.6 0.6
0.4 0.4
Composante Verticale
Composante Verticale
0.2 0.2
0 0
−0.2 −0.2
−0.4 −0.4
−0.6 −0.6
−0.8 −0.8
−0.8 −0.6 −0.4 −0.2 0 0.2 0.4 0.6 0.8 −0.8 −0.6 −0.4 −0.2 0 0.2 0.4 0.6 0.8
Composante Horizontale Composante Horizontale
Fig. 5.24 – Diagramme de polarisation de Fig. 5.25 – Diagramme de polarisation de

l’onde de Rayleigh lente initiale (avant cor- l’onde de Rayleigh lente après correction du
rection du déphasage déphasage entre les composantes
5.4 Conclusion
L’intérêt de ce chapitre était de proposer une méthode permettant de réaliser une analyse
précise de la polarisation des ondes contenues dans un profil sismique multicomposante.
Après avoir présenté l’intérêt et les différentes façons de réaliser cette analyse de polarisation,
nous avons proposé une méthode utilisant les matrices de rang un issues de la décomposition en
valeurs propres de la matrice spectrale large bande multicomposante. Ainsi, on a pu montrer
que l’information de polarisation des ondes, à savoir le rapport d’amplitude et le déphasage
entre les composantes, se trouve dans les diagonales principales et secondaires de ces matrices.
Cette méthode propose donc une approche fréquentielle qui permet d’estimer les paramètres
de polarisation à toutes les fréquences de la bande du signal et sur tous les capteurs. De plus,
elle ne présente pas les inconvénients que possèdent les approches temporelles qui sont liés
au choix de la fenêtre d’analyse et qui supposent qu’une unique onde est présente dans cette
fenêtre.
Enfin, pour valider cette méthode, nous l’avons comparée sur des données synthétiques à la
méthode de Flinn classiquement utilisée en analyse de polarisation. Les résultats obtenus sont
très encourageants car dans la majorité des cas testés, la méthode proposée est beaucoup plus
performante que la méthode de Flinn.
Chapitre 6
Estimation de la direction d’arrivée

des ondes
Sommaire
6.1 Méthode à haute résolution . . . . . . . . . . . . . . . . . . . . . . 122
6.1.1 MUSIC ou goniomètre . . . . . . . . . . . . . . . . . . . . . . . . . . 123
6.1.2 MUSIC Actif Large-bande (MUSICAL) . . . . . . . . . . . . . . . . 125
6.1.3 Long-Vecteur-MUSIC (LV-MUSIC) : cas des données multicomposantes127
6.2 MultiComponent WideBand MUltiple SIgnal Classification (MCWB-
MUSIC) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
6.3 Étude des performances de MCWB-MUSIC . . . . . . . . . . . . 131
6.3.1 Application de MCWB-MUSIC en sismique . . . . . . . . . . . . . . 131
6.3.2 Nombre de sources détectables . . . . . . . . . . . . . . . . . . . . . 132
6.3.3 Étude du pouvoir de résolution . . . . . . . . . . . . . . . . . . . . . 134
6.3.4 Étude de la variance de l’estimateur . . . . . . . . . . . . . . . . . . 137
6.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
121
122 Chapitre 6. Estimation de la direction d’arrivée des ondes
Nous allons nous intéresser à un problème fondamental en traitement d’antenne à savoir

l’estimation de la direction d’arrivée des ondes. Ce problème a été maintes fois traité et il
existe un panel très large de méthodes. Nous allons plus particulièrement nous intéresser aux
méthodes dites à Haute Résolution (HR) [Mar98] car elles fournissent une bien meilleure
résolution par rapport aux méthodes classiques telles que la formation de voies.
Le but à atteindre est de proposer une méthode de type haute résolution adaptée à des si-
gnaux large bande reçus sur des antennes polarisées. Ce problème se retrouve notamment en
électromagnétisme et un inventaire des applications a été réalisé par Wong dans [WZ97].
Après un état de l’art des méthodes existantes, nous proposerons une méthode adaptée à
notre problématique de signaux multicomposantes et nous comparerons ses performances en
terme de variance des estimateurs et de pouvoir de résolution.
6.1 Méthode à haute résolution

Dans cette partie, nous ferons un inventaire non-exhaustif des méthodes classiquement
utilisées pour réaliser l’estimation de direction d’arrivée d’une onde. Nous ne rappellerons pas
en détails le principe de la méthode de formation de voies utilisée classiquement en traite-
ment d’antenne. Cette méthode correspond à une sommation des signaux reçus sur l’antenne
selon un modèle de propagation établi puis à la mesure de l’énergie résultante. Cette méthode
simple a l’inconvénient majeur d’être limité en résolution angulaire par la géométrie de l’an-
tenne. Ceci nous amène donc à introduire les méthodes dites HR.
Dans les années 1970, lorsqu’il était question des méthodes HR, cette dénomination était ac-
ceptée pour toute méthode facilitant l’obtention d’une résolution angulaire meilleure que celle
du traitement classique associée à la formation de voie. Cette appellation s’est révélée rapi-
dement obsolète, avec l’arrivée d’un très grand nombre de techniques permettant d’améliorer
la résolution.
Aujourd’hui l’expression méthodes HR fait référence à un ensemble de techniques dont

les performances sont asymptotiquement (( illimitées )). Ces performances, asymptotiquement
illimitées, sont atteintes dans le cas idéal où la modélisation reste indéfiniment valable ; ce qui
est irréaliste car en pratique, cette résolution est limitée par la durée de l’observation. Dans ce
mémoire, nous nous intéressons à cette classe de méthode, et plus précisément aux méthodes
de type MUSIC (MUltiple SIgnal Classification). Ces méthodes utilisent les propriétés de
la matrice spectrale des signaux reçus sur l’antenne et commencent par la recherche d’une
base orthogonale permettant de décrire la partie bruitée des données. Plusieurs algorithmes,
goniomètre ou MUSIC [Sch79, Sch81, Sch86, BK79, BK83], Tufts-Kumaresan [TK83] per-
mettent de localiser les ondes en utilisant cette base orthogonale.
Les premières extensions aux signaux vectoriels ont été faites par Schmidt [Sch81] et
Ferrara [FP83] puis par Wong [WZ00] pour l’algorithme MUSIC. Des algorithmes pour es-
timer les DDAs des sources polarisées en électromagnétisme ont été proposés aussi dans
[Hua93, SV93, LS94, NP94b].
Nous allons donc nous intéresser à cette catégorie de méthodes et plus précisément à la
méthode MUSIC et ses dérivées. MUSIC a été développé de façon indépendante aux États-
6.1. Méthode à haute résolution 123
Unis par Schmidt [Sch79, Sch81, Sch86] et en France par Bienvenu et Kopp [BK79, BK83].
Le principe de cette méthode, basée sur la décomposition de la matrice spectrale en deux
sous-espaces signal et bruit, est de réaliser la projection d’un vecteur modèle sur l’espace
restreint au sous-espace bruit.
6.1.1 MUSIC ou goniomètre

Nous nous plaçons dans le contexte décrit dans le paragraphe 2.2.2 où l’on a présenté le
filtre basé sur la décomposition de la matrice spectrale (SMF). Comme nous venons de le
dire, l’estimateur MUSIC réalise une projection d’un vecteur modèle sur le sous-espace bruit
issu de la décomposition de la matrice spectrale des données.
Nous considérons donc les signaux reçus sur une antenne constituée de Nx capteurs et qui
résultent de la combinaison linéaire de P ondes planes (avec P < Nx ) et d’un bruit supposé
blanc spatialement, gaussien et indépendant des ondes (cf. éq. 2.21) :
P
X
X(f ) = S x (f ) A + B(f ) = Sx p (f )ap + B(f ). (6.1)
p=1
On suppose que le milieu est homogène isotrope, que les ondes sont décorrélées entre elles et
que le bruit est décorrélé des ondes.
On estime la matrice spectrale de taille (Nx , Nx ) définie à chaque fréquence par :
Γ(f ) = E{X(f ) X(f )H }. (6.2)
Nous avons vu au paragraphe 2.2.2 que les observations sont contenues dans un espace de
dimension Nx et que dans cet espace, les signaux sources forment un sous-espace de dimension
P . De plus, sous certaines conditions (cf. paragraphe 3.4), la contribution de chaque source
dans la matrice spectrale est donnée par un terme de rang un et coı̈ncide avec un vecteur
propre. La matrice spectrale peut être décomposée en une partie signal Γs (f ) et une partie
bruit Γb (f ) à partir des vecteurs issus de la décomposition en valeurs propres :
P
X Nx
X
Γ(f ) = Γs (f ) + Γb (f ) = λi (f )ui (f )uH
i (f ) + λk (f )uk (f )uH
k (f ). (6.3)
i=1 k=P +1
De plus, on peut écrire :

Γ(f ) = S x (f ) ΓA S x (f )H + σb2 I (6.4)
avec S x (f ) le vecteur de propagation des ondes, σb2 la densité spectrale du bruit et ΓA la

matrice spectrale des sources.
On peut définir deux matrices U s (f ) et U b (f ), la première contient l’ensemble des vecteurs

propres correspondant au sous-espace signal et la deuxième ceux correspondant au sous espace
bruit :
U s (f ) = [u1 (f ), · · · , uP (f ) ] (6.5)
£ ¤
U b (f ) = uP +1 (f ), · · · , uNx (f ) . (6.6)
Ces matrices sont à valeurs complexes, de taille Nx × P pour la première et Nx × (Nx − P )

pour la deuxième. Elles permettent d’écrire la matrice spectrale sous la forme suivante :
Γ(f ) = U s (f ) Λs (f ) U s (f )H + σb2 U b (f ) U b (f )H (6.7)
avec Λs (f ) une matrice diagonale contenant les P plus grandes valeurs propres. Si l’on mul-
tiplie l’équation (6.4) à droite par U b (f ), on obtient :
Γ(f ) U b (f ) = S x (f ) ΓA S x (f )H U b (f ) + σb2 U b (f ). (6.8)
En combinant les équations (6.7) et (6.8) et en utilisant la propriété d’orthogonalité des

vecteurs de U s (f ) et U b (f ), on a :
σb2 U b (f ) = S x (f ) ΓA S x (f )H U b (f ) + σb2 U b (f ) (6.9)
ce qui implique :
S x (f )H U b (f ) = 0 (6.10)
ou encore en fonction des vecteurs de propagation correspondant à chaque source p :
Sx p (f )H U b (f ) U b (f )H Sx p (f ) = 0. (6.11)
On notera par la suite Π(f ) = U b (f ) U b (f )H , le projecteur sur le sous espace bruit.
D’après la relation (6.11), on constate que les vecteurs de propagation des ondes sont
orthogonaux au sous-espace bruit. Par conséquent, leur projection sur Π(f ) est nulle. L’algo-
rithme MUSIC exploite cette propriété en réalisant la projection d’un vecteur modèle e(θ, f )
sur l’estimée du sous-espace bruit.
Ce vecteur modèle correspond en fait aux retards sur les différents capteurs associés à la
direction d’observation θ (cf. Fig. 6.1). Le retard introduit sur le capteur i s’exprime comme
suit :
∆ sin(θ)
ξi (θ) = (i − 1) (6.12)
V
avec V la vitesse de propagation de l’onde dans le milieu et ∆ le pas inter-capteur.
Le traitement étant fréquentiel, on applique pour chaque capteur i un déphasage fonction de
la fréquence égal à :
∆ sin(θ)
ψi,θ,f = −2πf ξi (θ) = −2πf (i − 1) = (i − 1)ψθ,f . (6.13)
V
Le vecteur directionnel contient donc les déphasages à appliquer sur les Nx capteurs pour
une direction de visée θ. Ce vecteur, noté e(θ, f ), s’exprime par :
 
1
 .. 
 . 
1  −j(i−1)ψθ,f 


e(θ, f ) =  e . (6.14)
Nx  . 
 .. 
 
e−j(Nx −1)ψθ,f
Capteur i ∆ i+1
∆ sin(θ)
θ
PSfrag replacements
Fig. 6.1 – Arrivée d’une onde sur un réseau de capteurs
Ce vecteur modélise l’arrivée d’une onde de direction θ sur l’antenne de capteurs. Les P
directions d’arrivées des ondes correspondent aux minima de la fonctionnelle suivante :
e(θ, f )H Π(f ) e(θ, f ). (6.15)

En pratique, on cherchera les maxima de la fonctionnelle inverse :
1
M U SIC(θ, f ) = . (6.16)
e(θ, f )H Π(f ) e(θ, f )
Les estimées des directions d’arrivée correspondent aux P valeurs de θ qui rendent la fonc-
tionnelle MUSIC maximale. Cette recherche s’effectue pour des θ variant dans un certain
intervalle [θmin ; θmax ] avec un pas choisi suivant la précision voulue.
Cet algorithme a un pouvoir de résolution très supérieur à celui obtenu avec les méthodes
classiques présentées précédemment. Dans la littérature, de nombreux ouvrages traitent des
performances de l’algorithme MUSIC [JF85, KB86, SN89].
Une première insuffisance de MUSIC tient au fait qu’il est impossible de réaliser l’estima-
tion de l’offset, ou temps de retard, qui correspond au temps de propagation de l’onde entre
la source et le capteur de référence (puisque seul des retards relatifs sont obtenus).
Une deuxième insuffisance de cet algorithme réside dans le fait qu’il travaille en bande étroite.
L’estimation de la direction d’arrivée d’une onde sera correcte si l’on se place à une fréquence
appartenant au spectre de cette onde. Le problème se pose si l’on est en présence de deux
ondes ayant des spectres disjoints. Ainsi, l’estimation de leurs directions d’arrivées fera ap-
paraı̂tre un seul pic si l’on se trouve à une fréquence appartenant à l’une des deux bandes
passantes ou bien aucun pic si l’on est en dehors.
Ces deux inconvénients ont favorisé le développement d’une extension de l’algorithme

MUSIC au cas large bande. Cette extension, dénommée MUSICAL pour MUSIC Actif Large-
bande, utilise toute la bande fréquentielle du signal et permet l’estimation à la fois temporelle
et angulaire de plusieurs sources.
6.1.2 MUSIC Actif Large-bande (MUSICAL)

À la différence de MUSIC classique, l’algorithme MUSICAL [Gou94, GB95, Gon99] considère
toute la bande passante du signal ce qui permet d’une part d’améliorer l’estimation de la di-
rection d’arrivée et d’autre part de rendre possible l’estimation de l’offset. Cette méthode est
dite ”active” car elle suppose la forme du signal émis wp connue.
Nous rappelons ici l’écriture du signal reçu sur le capteur i à la fréquence f :

P
X
xi (f ) = ap wp (f )e−j2πf τ0,p e−j2πf ξi (θp ) + bi (f ). (6.17)
p=1
Dans notre cas, nous sommes en présence d’une source et de trajets multiples dans le
sol, chaque source de notre modèle correspond en fait à un trajet, par conséquent, on peut
considérer le signal source wp comme égal au signal w émis par la source réelle.
Le temps de propagation entre la source p et le capteur i s’exprime par l’expression sui-

vante : τi (θp ) = τ0,p + ξi (θp ) où τ0,p correspond à l’offset et ξi (θp ) au temps de propagation
entre la capteur de référence (souvent le premier capteur) et le capteur i, pour la source p de
direction d’arrivée θp sur l’antenne.
Le modèle de mélange de l’équation (6.17) peut s’écrire sous forme matricielle :

X = Sx A + B (6.18)
avec : £ ¤
– X = £X(f1 )T , · · · , X(fN¤f )T avec X(f ) défini à l’équation (2.21) ;
– S x = s1 , · · · , sp , · · · , sP une matrice de taille Nx Nf × P dont les colonnes décrivent la
propagation des P ondes le long des Nx capteurs de l’antenne pour les Nf fréquences ;
– sp = [k Tp,f1 , · · · , k Tp,fi , · · · , k Tp,fN f ]T le vecteur défini dans l’équation (3.5) ;
– A = [a1 , · · · , ap , · · · , aP ]T les atténuations complexes aléatoires des sources qui peuvent
être considérées
£ comme décorrélées
¤ du fait de la propagation ;
– B = B(f1 )T , · · · , B(fN f )T avec B(f ) le vecteur des bruits défini à l’équation (2.21).
On considère la matrice spectrale large bande de taille Nx Nf × Nx Nf définie par :

Γ = E{X X H }. (6.19)
Sous les hypothèses de décorrélation des sources avec le bruit et de bruit blanc (spatialement
et temporellement) et gaussien, on peut écrire :
Γ = S x ΓA S H
x
+ σb2 I = Γs + Γb . (6.20)
Si les sources sont décorrélées (ΓA de rang plein), on peut définir le sous-espace signal engendré
par les P premiers vecteurs propres de Γ et son complémentaire, le sous-espace bruit engendré
par les Nx Nf − P derniers vecteurs propres :
U s = [u1 , · · · , uP ] (6.21)
£ ¤
U b = uP +1 , · · · , uNx . (6.22)
Le principe de l’algorithme MUSICAL se déduit directement de MUSIC classique. On
réalise une projection orthogonale d’un vecteur modèle large bande sur le sous-espace bruit.
Ce vecteur modèle a la forme suivante :
 
w(f1 )e−j2πf1 τ0 e(θ, f1 )T
1  .. 
d(θ, τ0 ) =  .  (6.23)
Nx Nf
w(fN f )e−j2πfN f τ0 e(θ, fN f )T
avec e(θ, f ) le vecteur directionnel bande étroite défini à l’équation (6.14) et w(f ) le signal
émis par la source à la fréquence f .
Ce vecteur d(θ, τ0 ) modélise l’arrivée d’une onde de direction θ et d’offset τ0 sur l’antenne
de capteurs. Ainsi, on cherchera les P maxima de la fonctionnelle suivante :
1
M U SICAL(θ, τ0 ) = (6.24)
d(θ, τ0 )H Π d(θ, τ0 )
avec Π = U b U Hb
. Les estimées des directions d’arrivée et des offsets correspondent aux P
couples de valeur de (θ, τ0 ) qui rendent la fonctionnelle MUSICAL maximale.
Cet algorithme présente l’avantage de pouvoir détecter un nombre de sources plus impor-
tant que l’algorithme MUSIC classique : Nx Nf − 1 au lieu de Nx − 1 sources [Boz96, Gon99].
6.1.3 Long-Vecteur-MUSIC (LV-MUSIC) : cas des données multicompo-

santes
L’ensemble des algorithmes présentés précédemment sont des algorithmes adaptés à des
données de type monocomposante. Dans le cadre de notre étude, où nous nous intéressons
à des signaux enregistrés sur des antennes de capteurs multicomposantes, ces traitements ne
sont pas optimals car il ne prennent pas en compte l’ensemble de l’information disponible.
Récemment, des extensions de MUSIC ont été développées pour la cas des antennes pola-
risées. Parmi elles, nous pouvons citer l’algorithme que nous appellerons LV-MUSIC [NP94b].
Nous verrons que la prise en compte de l’information de polarisation améliore fortement les
résultats par rapport à l’algorithme MUSIC classique.
On considère une source polarisée émettant un champ d’onde stationnaire. Après s’être
propagé ce champ d’onde est enregistré sur une antenne linéaire composée de N x capteurs à
Nc composantes. Toujours par souci de simplification, nous ne considérons que le cas N c = 2
(composante horizontale X et verticale Z). On rappelle l’expression des signaux reçus sur les
deux composantes du capteur i :
P
xi (f ) = Pp=1 ap wp (f )e−j2πf τ0,p e−j2πf ξi (θp ) + bi (f ),
P (6.25)
zi (f ) = Pp=1 αp ejϕp ap wp (f )e−j2πf τ0,p e−j2πf ξi (θp ) + bi (f )
avec αp et ϕp respectivement le rapport d’amplitude et le déphasage entre le signal reçu sur
la composante Z et celui reçu sur la composante X et qui rendent compte de l’état de polari-
sation de l’onde p.
Ces Nx Nc signaux sont concaténés dans un long-vecteur de taille Nx Nc , noté LV , et définie

à une fréquence donnée par :
£ ¤T
LV (f ) = X(f )T , Z(f )T (6.26)
où X(f ) et Z(f ) sont des vecteurs de longueur Nx correspondant à la ième fréquence du signal
reçu sur chacun des Nx capteurs respectivement sur les composantes X et Z.
À partir de ce vecteur d’observations multicomposantes, on peut construire la matrice

interspectrale de taille Nx Nc × Nx Nc :
Γ(f ) = E{LV (f ) LV (f )H }. (6.27)
Cette matrice contient l’ensemble des relations statistiques à l’ordre deux entre toutes
les composantes de tous les capteurs. Elle peut être décomposée en Nx Nc valeurs et vecteurs
propres. Compte-tenu des hypothèses de décorrélation entre les sources, et entre les sources et
le bruit, on peut associer les P premières valeurs propres au sous-espace signal et les N x Nc −P
dernières au sous-espace bruit. On peut alors construire le projecteur orthogonal sur le sous
espace bruit définit par :
Π(f ) = U b (f ) U b (f )H (6.28)
où la matrice U b (f ) contient les Nx Nc − P vecteurs propres correspondant au sous-espace
bruit.
Nous construisons alors le vecteur directionnel suivant :

Ã !
1 e(θ, f )T
g(θ, f, α, ϕ) = (6.29)
Nx Nc αejϕ e(θ, f )T
avec e(θ, f ) le vecteur directionnel défini à l’équation (6.14).

L’expression de la fonctionnelle LV-MUSIC est calculée par projection de g(θ, f, α, ϕ) sur le
projecteur sur le sous-espace bruit Π(f ) :
1
LV − M U SIC(θ, f, α, ϕ) = . (6.30)
g(θ, f, α, ϕ)H Π(f ) g(θ, f, α, ϕ)
Pour une fréquence f choisie dans la bande passante du signal, la fonctionnelle admet
des maxima locaux pour des valeurs de (θ, α, ϕ) correspondant aux sources présentes dans le
signal. En faisant varier θ ainsi que les paramètres de polarisation dans un intervalle de valeurs,
avec un pas choisi, on calcule ainsi une hyper-surface. Les paramètres des sources estimées
correspondent aux P premiers maxima de cette hyper-surface. Il est possible d’introduire des
informations a priori sur les sources qui permettent ainsi d’optimiser la recherche et de réduire
le temps de calcul. Par exemple, si les paramètres de polarisation des différentes sources ont été
estimés au préalable (cf. chapitre 5), la fonctionnelle LV-MUSIC se réduit à une fonctionnelle
dépendant d’un seul paramètre. Cependant, cet algorithme possède la même limitation que
l’algorithme MUSIC concernant le choix de la fréquence d’analyse.
6.2 MultiComponent WideBand MUltiple SIgnal Classifica-

tion (MCWB-MUSIC)
Dans cette partie, nous proposons une extension de l’algorithme MUSIC au cas large bande
et multicomposante. Pour cela, nous nous sommes inspirés des différentes versions de MUSIC
existantes (MUSICAL, LV-MUSIC...). Le but étant de réaliser une méthode d’estimation de
6.2. MultiComponent WideBand MUltiple SIgnal Classification (MCWB-MUSIC) 129
direction d’arrivée et d’offset des ondes dans le cas de données reçues sur des antennes de
capteurs multicomposantes.
Comme pour la méthode MUSICAL, la méthode proposée suppose que la forme du signal
émis est connue. Si ce n’est pas le cas, il est possible d’obtenir une estimation de ce signal
par des méthodes de maximum de vraisemblance déterministe [FLC95, Lar92]. L’algorithme
proposé prend en compte l’ensemble de la bande passante des signaux reçus sur les différentes
composantes des capteurs de l’antenne, permettant ainsi d’améliorer les performances de l’es-
timation de la direction d’arrivée et de l’offset.
Nous nous plaçons dans un contexte identique à celui énoncé au chapitre 3 sur le filtrage
matriciel spectral large-bande multicomposante MCWB-SMF. Nous rappelons que le modèle
matriciel des signaux reçus sur les Nc = 2 composantes des Nx capteurs et sur l’ensemble des
Nf bandes de fréquences s’expriment sous la forme :
T =S A+B (6.31)
avec :
– T le long-vecteur des observations de longueur Nx Nf Nc ,
– S une matrice de taille Nx Nf Nc × P dont les colonnes décrivent la propagation des P
ondes reçues sur l’antenne et correspondent aux vecteurs de propagation large-bande
multicomposante,
– A le vecteur de longueur P contenant les atténuations complexes aléatoires des sources ;
– B le vecteur de bruit de longueur Nx Nf Nc . Ces bruit sont supposés aléatoires, indépendants
des signaux sources, blanc temporellement et spatialement et non-polarisé.
Chaque source est caractérisée par les paramètres suivant : θp la direction d’arrivée (DDA),
τ0,p l’offset, et αp et ϕp les paramètres de polarisation.
A partir des observations, on a construit la matrice spectrale large bande multicomposante

de taille Nx Nf Nc × Nx Nf Nc :
Γ = E{T T H }. (6.32)
Nous avons vu que cette matrice spectrale peut être décomposée après troncature de rang
en un sous-espace signal et un sous-espace bruit :
Γ = U s Λs U H
s
+ U b Λb U H
b
. (6.33)
Nous devons alors construire un vecteur directionnel large bande multicomposante qui a
la forme suivante :
Ã !
1 d(θ, τ0 )
h(θ, τ0 , α, ϕ) = (6.34)
Nx Nf Nc αejϕ d(θ, τ0 )
ou encore, en explicitant d(θ, τ0 ) (cf. éq. (6.23)) :

 w(f1 )e−j2πf1 τ0

.
 .
. 
 
 w(f1 )e−j2πf1 τ0
−j(i−1)ψθ,f
e 1 
 . 
 .
. 
 
 w(f1 )e−j2πf1 τ0
−j(Nx −1)ψθ,f
e 1 
 . 
 . 
 .

 . 
 .
. 
 −j2πfN f τ0 
 w(fN f )e

 . 
 .
. 
 −j2πfN f τ0 −j(i−1)ψθ,f 
 w(fN f )e e Nf

 . 
 .
. 
 
1  w(fN f )e
−j2πfN f τ0 −j(Nx −1)ψθ,f
e Nf 
h(θ, τ0 , α, ϕ) =  . (6.35)
Nx Nf Nc 
 αejϕ w(f1 )e−j2πf1 τ0


 . 
 .
. 
 αejϕ w(f1 )e−j2πf1 τ0

 
−j(i−1)ψθ,f
e 1
 . 
 .
. 
 
 
−j(Nx −1)ψθ,f
αejϕ w(f1 )e−j2πf1 τ0 e 1
 . 
 .
. 
 
 .
. 
 . 
 αejϕ w(fN f )e
−j2πfN f τ0 
 
 .
. 
 . 
 αejϕ
−j2πfN f τ0 −j(i−1)ψθ,f 
 w(fN f )e e Nf

 .
.

.
−j2πfN f τ0 −j(Nx −1)ψθ,f
αejϕ w(fN f )e e Nf
L’expression de la fonctionnelle est calculée par projection de h(θ, τ, α, ϕ) sur le projecteur

sur le sous-espace bruit :
1
H
(6.36)
h(θ, τ0 , α, ϕ) Πb h(θ, τ0 , α, ϕ)
avec Πb = U b U Hb
le projecteur orthogonal sur le sous espace bruit.
En pratique, nous avons vu au paragraphe 3.2.2.2, que nous n’effectuons pas la décomposition
complète de la matrice spectrale car nous calculons seulement les K premiers vecteurs propres
(où K dépend de l’ordre de lissage avec K > P ). Nous n’avons donc pas accès à l’ensemble
des vecteurs propres de U b . Par conséquent, au lieu de minimiser la projection du vecteur
directionnel sur le sous-espace bruit, nous maximiserons sa projection sur le sous-espace signal.
La fonctionnelle MCWB-MUSIC sera alors la suivante :
M CW B − M U SIC(θ, τ0 , α, ϕ) = h(θ, τ0 , α, ϕ)H Πs h(θ, τ0 , α, ϕ) (6.37)
avec Πs = U s U H
s
le projecteur sur le sous-espace signal.
Cette fonctionnelle admet des maxima locaux pour des valeurs de (θ, τ0 , α, ϕ) corres-
pondant aux sources présentes dans le signal. En faisant varier θ, τ0 et les paramètres de
polarisation dans un intervalle de valeurs, avec un pas choisi, on calcule ainsi une hyper-
surface. Cette fonctionnelle dépendant de quatre paramètres, la recherche des maxima de
6.3. Étude des performances de MCWB-MUSIC 131
cette hyper-surface devient très vite lourde en calcul si l’on souhaite estimer les paramètres
avec une bonne précision.
En utilisant, la méthode d’estimation de polarisation décrite dans le chapitre 5, il est pos-
sible d’obtenir les paramètres de polarisation (αp ,ϕp ) de chaque onde. On peut alors fixer
les paramètres α et ϕ du vecteur h(θ, τ0 , α, ϕ) aux valeurs ainsi estimées, la fonctionnelle
MCWB-MUSIC devenant ainsi seulement fonction de la direction d’arrivée θ et de l’offset τ 0 .
6.3 Étude des performances de MCWB-MUSIC

Dans cette partie, nous montrons tout d’abord les résultats obtenus en utilisant la méthode
proposée d’estimation de direction d’arrivée et d’offset (MCWB-MUSIC) sur des données
synthétiques. Ensuite, afin de montrer l’importance de la prise en compte de l’information de
polarisation, nous comparons les performances de cet estimateur avec d’autres estimateurs
basés aussi sur la méthode MUSIC.
6.3.1 Application de MCWB-MUSIC en sismique

On considère un enregistrement sismique composé de quatre ondes sur une antenne de
capteurs à 2 composantes. Ces ondes sont choisies avec une polarisation linéaire dans le but
de simplifier l’étude en restreignant la fonctionnelle MCWB-MUSIC à la recherche de la
direction d’arrivée et de l’offset (Les paramètres de polarisation ϕ et α sont respectivement
fixés à 0 et 1). En pratique, nous ne recherchons pas la direction d’arrivée θ mais plutôt
le retard de l’onde entre deux capteurs successifs ξ(θ) en nombre d’échantillons. Ces deux
grandeurs sont directement liées par la relation :
∆ sin(θ)
ξ(θ) = (6.38)
V
avec ∆ et V respectivement la distance inter-capteurs et la vitesse de propagation.
Le paramètre V n’étant pas toujours connu en pratique, les paramètres à estimer pour chaque
onde p seront donc ξ(θp ), le retard entre deux capteurs (proportionnel à la direction d’arrivée)
et τ0,p l’offset ou le temps d’arrivée sur le premier capteur de l’antenne.
La simulation a été effectuée pour une antenne de Nx = 30 capteurs et Nt = 128

échantillons temporels (Fig. 6.2). Du bruit gaussien, blanc a été ajouté aux quatre ondes
présentes (RSB=5dB). Les valeurs des offsets et des directions d’arrivée de ces quatre ondes
sont récapitulées dans le tableau 6.1.
Pour l’estimation de la matrice spectrale large bande multicomposante, nous avons utilisé un
lissage spatial (Ks = 6) et fréquentiel (Kf = 1). La décroissance des valeurs propres obtenues
par décomposition de la matrice spectrale est présentée sur la figure 6.3. Les quatre premières
valeurs propres sont dominantes.
Nous avons calculé la fonctionnelle MCWB-MUSIC avec pour la DDA ξ(θ), un pas de
calcul de 0.01 sur l’intervalle [-3 ;3] et pour l’offset τ0 , un pas de calcul de 1 sur l’intervalle
[0 ;127]. Nous montrons les résultats de l’algorithme MCWB-MUSIC sur la figure 6.4. Les
quatre lobes principaux sont placés aux bonnes valeurs des offsets et des DDAs des quatre
ondes. La figure 6.5 correspond à des coupes pour des offsets fixés et égaux à ceux des quatre
ondes. Les traits verticaux sont tracés aux valeurs théoriques des DDA des ondes. Les valeurs
estimées pour la DDA et l’offset des quatre ondes sont récapitulées dans le tableau 6.1. On
0 0
ONDE 1
ONDE 2
ONDE 3
ONDE 4
5 5
10 10
Capteurs
Capteurs
15 15
20 20
25 25
30 30
0 20 40 60 80 100 120 0 20 40 60 80 100 120
Temps Temps
Fig. 6.2 – Profil des données initiales bruitées

4
x 10
12
10
0
1 2 3 4 5 6 7 8 9 10
Fig. 6.3 – Amplitude des dix premières valeurs propres
peut constater que les valeurs estimées sont très proches des valeurs réelles (pourcentage
d’erreur compris entre 0 et 4%).
6.3.2 Nombre de sources détectables

Nous considérons dans cet autre exemple, quatre ondes reçues sur une antenne linéaire
composée seulement de quatre capteurs à 2 composantes (Fig. 6.6). Le but est de montrer
qu’il est possible de détecter un nombre de sources supérieur ou égal au nombre de capteurs
alors que la méthode MUSIC classique est limitée à Nx − 1 sources.
La simulation a donc été effectuée pour une antenne de Nx = 4 capteurs et Nt = 128

échantillons temporels et du bruit gaussien a été ajouté aux ondes (Fig. 6.7) de sorte que le
RSB sur les deux composantes est d’environ 6dB. Pour l’estimation de la matrice spectrale
large bande multicomposante, nous avons utilisé un lissage spatial (Ks = 1) et fréquentiel
(Kf = 2). La décroissance des valeurs propres fait ressortir quatre valeurs propres domi-
nantes. La projection des données sur les quatre premiers vecteurs propres est présentée sur
Fig. 6.4 – Amplitude de la fonctionnelle MCWB-MUSIC en fonction de la DDA et de l’offset
−6
x 10
11
coupe offset = 27
coupe offset = 47
coupe offset = 77
coupe offset = 92
10
5
−3 −2 −1 −0.5 0 1.1 2 3
DOA (en echantillons)
Fig. 6.5 – Estimation de la DDA (Coupe pour différents offsets)
la figure 6.8. La majeure partie du bruit a été enlevée des données bruitées.
La fonctionnelle MCWB-MUSIC (Fig. 6.9) est obtenue avec pour la DDA ξ(θ) un pas de
calcul de 0.05 sur l’intervalle [-3 ;3] et pour l’offset τ0 un pas de calcul de 1 sur l’intervalle
[0 ;127]. On constate que les quatre ondes ont été détectées bien que nous n’ayons que quatre
capteurs.
La figure 6.10 correspond à des coupes pour des offsets fixés et égaux à ceux des quatre
ondes. Les valeurs estimées pour la DDA et l’offset des quatre ondes sont récapitulées dans
le tableau 6.2. On peut constater que les valeurs estimées sont assez proches des valeurs
réelles (pourcentage d’erreur compris entre 0 et 20%). La perte de précision par rapport à la
simulation précédente est probablement dû au fait que le nombre de capteurs est faible et que
DDA (pts.) Offset (pts.)

Valeur Valeur Valeur Valeur
réelle estimée réelle estimée
Onde 1 0 0.00 27 26
Onde 2 −0.5 −0.52 47 46
Onde 3 −0.5 −0.51 77 77
Onde 4 1.1 1.1 92 92
Tab. 6.1 – Résultats de l’estimation des paramètres
Onde 1 0 0
0 0
Onde 2
Onde 3 0.5 0.5
0.5 0.5
Onde 4
1 1
1 1
1.5 1.5
1.5 1.5
2 2
2 2
Capteurs
Capteurs
Capteurs
Capteurs
2.5 2.5
2.5 2.5
3 3
3 3
3.5 3.5
3.5 3.5
4 4
4 4
4.5 4.5
4.5 4.5
5 5
0 20 40 60 80 100 0 20 40 60 80 100 5 5
Temps Temps 0 20 40 60 80 100 0 20 40 60 80 100
Temps Temps
Fig. 6.6 – Profil du modèle du signal Fig. 6.7 – Profil des données initiales
0 0
0.5 0.5
1 1
1.5 1.5
2 2
Capteurs
Capteurs
2.5 2.5
3 3
3.5 3.5
4 4
4.5 4.5
5 5
0 20 40 60 80 100 0 20 40 60 80 100
Temps Temps
Fig. 6.8 – Profil des données filtrées
les opérateurs de lissage introduisent un biais relativement important.
6.3.3 Étude du pouvoir de résolution

Nous considérons à présent le cas de deux ondes ayant des polarisations identiques, des
DDAs très proches (ξ(θ) = 0 échantillons pour l’onde de vitesse infinie et ξ(θ) = −0.2
échantillons pour l’autre onde) et des offsets identiques (Fig. 6.11). Ces deux ondes addi-
tionnées à du bruit gaussien (RSB=0dB) sont reçues sur un réseau de 30 capteurs à 2 com-
posantes (Fig. 6.12). La matrice spectrale large bande multicomposante est estimée avec un
Fig. 6.9 – Amplitude de la fonctionnelle MCWB-MUSIC en fonction de la DDA et de l’offset
DDA (pts.) Offset (pts.)

Valeur Valeur Valeur Valeur
réelle estimée réelle estimée
Onde 1 −0.5 −0.6 21 21
Onde 2 0.0 −0.1 30 30
Onde 3 −2.0 −2.0 46 46
Onde 4 0.8 0.9 80 80
Tab. 6.2 – Résultats de l’estimation des paramètres
1600
coupe pour offset = 21
1400 coupe pour offset = 80
1200
1000
800
600
400
200
0
−3 −2 −1 −0.5 0 0.8 1 2 3
DOA (en echantillons)
Fig. 6.10 – Estimation de la DDA

lissage spatial de paramètre Ks = 2 (sur 5 capteurs) et un lissage fréquentiel de paramètre

Kf = 4 (sur 9 canaux).
Le but de cet exemple est de comparer les pouvoirs de résolution des différentes extensions
de l’algorithme MUSIC.
0 0
0 0
5 5
5 5
10 10 10 10
Capteurs
Capteurs
Capteurs
Capteurs
15 15 15 15
20 20 20 20
Onde 1
25 25 25 25
Onde 2
30 30 30 30
0 20 40 60 80 100 0 20 40 60 80 100 0 20 40 60 80 100 0 20 40 60 80 100
Temps Temps Temps Temps
Fig. 6.11 – Profil du modèle du signal Fig. 6.12 – Profil des données initiales
Les résultats de MUSIC classique appliqué indépendamment sur les deux composantes
sont présentés en trait discontinu sur la figure 6.13. On observe qu’en appliquant MUSIC
classique sur la composante X, la fonctionnelle ne présente qu’un seul pic, correspondant à
une valeur moyenne des DDAs théoriques des deux ondes (retard d’environ -0.1 échantillon).
Sur la composante Z, on observe à nouveau un seul pic centré sur le retard 0.
En revanche, l’algorithme MCWB-MUSIC (en trait plein sur les figures 6.13 à 6.15) réalise
une bonne détection des deux ondes bien que l’un des pics ne soit pas parfaitement bien posi-
tionné à la valeur théorique (traits verticaux). Pour l’onde de retard ξ(θ) = −0.2 échantillons,
la DDA estimée est bien de −0.2 mais pour l’onde de retard ξ(θ) = 0.0 échantillons, la DDA
estimée est de 0.04.
Les résultats obtenus avec l’algorithme large bande MUSICAL appliqué indépendamment
sur les deux composantes sont présentés en trait discontinu sur la figure 6.14. Sur les compo-
santes X et Z, la forme des courbes laisse penser qu’il y a deux ondes présentes mais il est
difficile de donner avec précision leur DDA.
Enfin, la figure 6.15 montre les résultat obtenus avec l’algorithme LV-MUSIC en trait dis-
continu. L’algorithme étant multicomposante, l’estimation se fait conjointement sur les deux
composantes. On obtient alors un unique pic au niveau de l’onde 1 (DDA=0). La forme du
pic ne laisse pas penser qu’il y a deux ondes dans l’enregistrement et il est donc impossible
d’estimer la DDA de la deuxième onde.
Sur cet exemple, la comparaison de l’algorithme MCWB-MUSIC avec d’autres extensions

de MUSIC a permis de montrer sa supériorité en terme de pouvoir de résolution. En effet, sur
l’exemple précédent, il est le seul à pouvoir détecter les deux ondes et à estimer leur direction
d’arrivée. Cette performance peut s’expliquer par la prise en compte de l’information de
cohérence entre les deux composantes et entre les canaux fréquentiels permettant ainsi une
meilleure estimation des directions d’arrivées.
1
MCWB−MUSIC
MUSIC sur la composante X
0.9 MUSIC sur la composante Z
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
−2 −1.5 −1 −0.5 −0.2 0 0.5 1 1.5 2
DOA en echantillons
Fig. 6.13 – Comparaison du pouvoir de résolution entre MCWB-MUSIC et MUSIC Classique
1
MCWB−MUSIC
MUSICAL sur la composante X
0.9 MUSICAL sur la composante Z
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
−2 −1.5 −1 −0.5 −0.2 0 0.5 1 1.5 2
DOA en echantillons
Fig. 6.14 – Comparaison du pouvoir de résolution entre MCWB-MUSIC et MUSICAL
6.3.4 Étude de la variance de l’estimateur

Dans ce dernier paragraphe, nous allons comparer les variances des différents estimateurs
(MUSIC classique, MUSICAL, LV-MUSIC et MCWB-MUSIC).
Sur la figure 6.16, nous avons représenté l’erreur quadratique moyenne pour l’estimation
de la DDA avec les algorithmes cités ci-dessus. L’expression utilisée est la suivante :
1 ³ b
´2
EQMθ = θ−θ (6.39)
N
1
MCWB−MUSIC
LV−MUSIC
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
−2 −1.5 −1 −0.5 −0.2 0 0.5 1 1.5 2
DOA en echantillons
Fig. 6.15 – Comparaison du pouvoir de résolution entre MCWB-MUSIC et LV-MUSIC
−2
10
MCWB−MUSIC
MUSIC
MUSICAL
LV−MUSIC
−3
10
EQM
−4
10
−5
10
−18 −16 −14 −12 −10 −8 −6 −4 −2 0
RSB (dB)
Fig. 6.16 – Comparaison de la variance des différents estimateurs
avec N le nombre de réalisations (ici, N = 200).

Nous avons considéré le cas d’une source polarisée arrivant sur une antenne composée de 30
capteurs à 2 composantes. La direction d’arrivée de la source exprimée en terme de nombre
d’échantillons de retard entre deux capteurs est de 1 échantillon. Deux cents réalisations
différentes des estimateurs ont été utilisées pour chaque point de la figure. Nous avons ajouté
un bruit blanc gaussien dans divers rapports signal à bruit (de -18dB à 0dB). L’erreur qua-
dratique moyenne d’estimation de la DDA est définie comme la moyenne quadratique des
erreurs d’estimation de la DDA de la source. Dans le cas des algorithmes n’opérant que sur
une seule composante (MUSIC classique et MUSICAL), nous avons réalisé une moyenne des
6.4. Conclusion 139
résultats obtenus sur les deux composantes.

La figure 6.16 montre clairement que la prise en compte de l’information de polarisation et de
la cohérence fréquentielle améliore les performances statistiques de l’estimateur de DDA. Ceci
justifie aussi le fait que les performances les moins bonnes sont obtenues avec l’algorithme
MUSIC classique. De plus, on peut voir que les algorithmes LV-MUSIC et MUSICAL ont des
performances assez proches.
6.4 Conclusion
Dans cette partie, nous avons proposé une méthode permettant d’estimer des attributs
importants des ondes sismiques, à savoir leur direction d’arrivée (DDA) et leur temps d’ar-
rivée sur l’antenne (offset). La technique proposée se devait d’être adaptée à notre problème
de signaux large bande reçus sur des antennes de capteurs multicomposantes. C’est pourquoi,
nous avons décidé de réaliser une extension de l’algorithme Haute Résoltution MUSIC pour
l’adapter à notre cas.
Nous nous sommes concentrés sur les méthodes dites à Haute Résolution, car elles présentent
l’avantage d’être en théorie de résolution infinie. Une des méthodes HR les plus performantes
est la méthode MUSIC. Cette méthode a suscité beaucoup d’intérêt et de nombreuses exten-
sions de cette méthode ont été proposées dans la littérature. Nous nous sommes plus parti-
culièrement intéressés à deux d’entre elles, appelées MUSICAL et LV-MUSIC. La première
est en fait une extension au cas large bande ce qui permet conjointement une estimation de
l’offset et de la DDA et la deuxième est une extension au cas multicomposante. Chacune de
ces deux extensions améliore les performances de l’algorithme.
Traitant des signaux large bande reçus sur des antennes multicomposantes, un développe-
ment logique a été de proposer une extension de l’algorithme MUSIC classique au cas large
bande multicomposante. La méthode s’appelle donc MCWB-MUSIC pour MultiComponent
WideBand-MUSIC. Cette méthode est basée sur une projection d’un vecteur directionnel
large bande multicomposante sur le sous-espace signal issu de la décomposition de la matrice
spectrale large bande multicomposante.
Après avoir comparé les performances de l’ensemble de ces algorithmes en terme de va-
riance des estimateurs et de pouvoir de résolution, nous arrivons à la conclusion que la prise en
compte de l’information de polarisation et de la cohérence fréquentielle des signaux améliore
fortement les performances statistiques de l’estimateur de la DDA et permet de réaliser une es-
timation de l’offset. Le tableau (6.4) récapitule les différentes extensions de MUSIC présentées
dans ce manuscrit avec pour chacune d’elles ses avantages et inconvénients.
140
Méthodes Type Matrice Vecteur Avantages Inconvénients Références
spectrale directionnel
MUSIC 1C N c · Nf e(θ, f ) = - Méthode type HR - Bande étroite [Sch79, Sch81]
1
 
MUltiple bande matrices  .  - Pas d’estimation de l’offset [Sch86, BK79]
 . 
étroite de taille .
- Choix de la fréquence [BK83]
 
SIgnal 
 −j(i−1)ψθ,f


1/Nx  e 
N x × Nx d’analyse
 
Classification .
 
.
 
.
 
 
−j(Nx −1)ψθ,f
e
MUSICAL 1C Nc matrices d(θ, τ0 ) = - Large Bande - Connaissance du signal source [Gou94, GB95]
w(f1 )e−j2πf1 τ0 e(θ, f1 )
 
MUSIC Actif large de taille - Estimation de l’offset
.
 
1/Nx Nf  .
 
Large bande bande N x Nf × N x Nf  .
−j2πfN f τ0


w(fN f )e e(θ, N f )
Chapitre 6. Estimation de la direction d’arrivée des ondes

LV-MUSIC nC Nf matrices - Polarisation - Bande étroite [NP94b]
g(θ, f, α, ϕ) =
Long-vecteur bande de taille µ
e(θ, f )
¶ - Choix de la fréquence
1/Nx Nc jϕ
αe e(θ, f )
MUSIC étroite N x Nc × N x Nc d’analyse
MCWB-MUSIC nC 1 matrice - Large Bande - Connaissance du signal source

h(θ, τ0 , α, ϕ) =
MultiComponent large de taille µ
d(θ, τ0 )
¶ - Polarisation
1/Nx Nf Nc jϕ
αe d(θ, τ0 )
WideBand bande N x Nf Nc - Estimation de l’offset
MUSIC ×Nx Nf Nc - Résolution améliorée
avec θ la direction d’arrivée, τ0 l’offset, ψθ,f le déphasage entre deux capteurs successifs, w(f ) la forme de la source émise à la fréquence f et α et ϕ les paramètres de polarisation
Conclusions et perspectives
Dans ce travail de recherche, nous nous sommes intéressés à établir de nouvelles méthodes
de séparation et de caractérisation des ondes pour le traitement des signaux sismiques multi-
composantes. Le contexte de notre étude est celui de la prospection sismique où l’on dispose
d’un ensemble de signaux reçus sur une antenne de capteurs à plusieurs composantes. Les
traitements proposés se devaient de prendre en compte l’intégralité de l’information dispo-
nible en vue d’améliorer les performances par rapport aux méthodes existantes. L’efficacité
des algorithmes proposés a été illustrée sur des données synthétiques mais aussi réelles, pro-
venant de campagnes sismiques.
La première partie de ce travail concernait le filtrage et à la séparation des ondes. Pour

répondre aux problèmes physiques liés à la dispersion d’une part et pour prendre en compte
l’information de polarisation d’autre part, nous avons fait le choix d’étendre le filtrage ma-
triciel classique (SMF) au cas large-bande multicomposante. En effet, la méthode classique
(SMF) présente de nombreux avantages. Par exemple, le filtre SMF ne requiert pas de trai-
tement préalable tel que le recalage des ondes à isoler, il n’est pas sensible au problème
d’aliasing spatial des données ou encore il ne nécessite le réglage que d’un faible nombre de
paramètres. Ce filtre répond donc en partie au problème posé. Cependant, la technique pro-
posée se devait de traiter des données issues d’acquisitions sismiques multicomposantes dans
leur ensemble et non pas indépendamment sur chaque composante. La méthode proposée,
appelée MCWB-SMF, est basée sur une modélisation des données de type long-vecteur. Une
première étape consiste à estimer une matrice spectrale large bande multicomposante puis à
réaliser une séparation de l’espace des données en deux sous-espaces complémentaires issus
de la décomposition de cette matrice spectrale. Le sous-espace engendré par les premiers vec-
teurs propres issus de cette décomposition génère un sous-espace signal qui, sous certaines
conditions, correspond au même sous-espace que celui engendré par les vecteurs de propaga-
tion. La condition principale est que le bruit se doit d’être non-polarisé, blanc spatialement et
temporellement, et décorrélé des ondes. Cette condition a pour conséquence que l’énergie du
bruit se retrouve équi-répartie sur l’ensemble des vecteurs propres. Ceci justifie alors l’intérêt
de projeter les données sur les premiers vecteurs propres, inhibant ainsi la majeure partie du
bruit. Un autre intérêt de la méthode est sa capacité à séparer un nombre plus important
d’ondes que la méthode classique. La validation de cette technique a été réalisée sur des si-
mulations ainsi que sur des données issues de campagnes sismiques. Ceci a permis de révéler
141
142 Conclusions
sa capacité à améliorer la qualité de la séparation des ondes sur des profils multicomposantes.
La deuxième partie de ce travail de recherche concernait la caractérisation de certains

attributs des ondes en essayant d’exploiter au maximum les termes de la matrice spectrale
large bande multicomposante définie dans la première partie.
L’intérêt du chapitre 5 a été de proposer une méthode permettant de réaliser une analyse
de la polarisation des ondes contenues dans un profil sismique multicomposante. Après une
introduction à l’analyse de polarisation, nous avons proposé une méthode utilisant les ma-
trices de rang 1 issues de la décomposition en valeurs propres de la matrice spectrale large
bande multicomposante. On a pu ainsi montrer que l’information de polarisation (le rapport
d’amplitude et le déphasage entre les composantes) se trouve dans les diagonales principales
et secondaires de ces matrices. Cette méthode propose donc une approche fréquentielle qui
permet d’estimer les paramètres de polarisation à toutes les fréquences de la bande passante
du signal et sur tous les capteurs. Elle possède de nombreux avantages par rapport aux
méthodes classiques. Tout d’abord, elle propose une approche qui permet de déterminer la
polarisation indépendamment sur chaque capteur et chaque fréquence ce qui est important
dans le cas d’une onde dispersive. Ensuite, elle ne nécessite pas la détermination d’une fenêtre
temporelle d’analyse dans laquelle une seule onde se doit d’être présente. Les performances
de cette méthode ont été validées sur des simulations et comparées à celles de la méthode
de Flinn classiquement utilisée en analyse de polarisation. Les résultats obtenus sont très
encourageants car dans la majorité des cas testés, la méthode proposée est beaucoup plus
performante que la méthode de Flinn.
Le dernier chapitre s’est intéressé à un problème classique de traitement d’antenne : la

localisation de sources. Nous avons proposé une méthode permettant d’estimer la Direction
D’Arrivée (DDA) et le temps d’arrivée (offset) des ondes sur une antenne. Nous avons focalisé
notre étude sur les algorithmes de type Haute Résolution et essentiellement sur l’algorithme
MUSIC et quelques-unes de ses extensions. Les extensions ayant le plus attiré notre attention
sont les algorithmes MUSICAL et LV-MUSIC. La première correspond à un développement
de MUSIC dans le cas large bande qui permet une estimation conjointe de l’offset et de la
DDA et la deuxième est une extension au cas multicomposante. Nous nous sommes inspirés
de ces deux méthodes pour proposer un algorithme HR de type MUSIC pour le cas large
bande et multicomposante, appelé MCWB-MUSIC. La technique réalise une projection d’un
vecteur directionnel large bande multicomposante sur le sous-espace signal. Après avoir com-
paré les performances de l’ensemble de ces algorithmes en terme de variance des estimateurs
et de pouvoir de résolution, nous sommes arrivés à la conclusion que la prise en compte de
l’information de polarisation et de la cohérence fréquentielle des signaux améliore fortement
les performances statistiques de l’estimateur de la DDA et permet de réaliser une estimation
de l’offset. Cette technique permet aussi une estimation de la polarisation des ondes. Cepen-
dant, la recherche conjointe de l’ensemble de ces paramètres est très coûteuse en temps de
calcul. Nous utilisons donc l’algorithme d’analyse de polarisation proposé dans le chapitre 5
pour insérer de l’information a priori dans la fonctionnelle de l’algorithme MCWB-MUSIC.
Conclusions 143
Les perspectives de ces travaux sont multiples et nous pouvons les classer en deux grands
types : les unes liées à des méthodes de traitement de signal, les autres liées à la physique.
Une première perspective intéressante serait le passage des statistiques d’ordre deux
aux statistiques d’ordre supérieur (SOS). En effet, l’hypothèse de bruit blanc émise par les
méthodes basées sur la matrice spectrale est assez restrictive et cette hypothèse n’est en réalité
pas toujours vérifiée dans le cas de la sismique. Un moyen de passer outre cette contrainte sur le
bruit serait d’utiliser les statistiques d’ordre supérieur. Ces statistiques présentent l’avantage
majeur de s’annuler dans le cas de signaux gaussiens. Ainsi, sous des hypothèses beaucoup
plus réalistes de bruit gaussien coloré, cette extension présenterait certainement un réel intérêt.
Une deuxième perspective, à plus long terme, serait l’utilisation d’une modélisation ten-
sorielle plutôt que la modélisation long-vecteur des données telle que cela a été proposé dans
ce travail. En effet, bien que l’approche long-vecteur ait de nombreux avantages, notamment
sa simplicité et son adaptabilité aux algorithmes développés dans le cas scalaire, on pour-
rait envisager une version tensorielle des algorithmes basés sur la matrice spectrale. Ainsi,
la séparation et la caractérisation des ondes se feraient à partir de la décomposition de type
PARAFAC ou TUCKER d’un tenseur spectral large bande multicomposante. Bien que cette
modélisation serait très coûteuse en temps de calcul et en place mémoire, elle aurait certai-
nement de nombreux avantages, en permettant notamment de garder la cohérence trimodale
(distance, fréquence, composante) des données.
Enfin, d’autres perspectives sont liées à la physique. Il pourrait être intéressant de tra-
vailler non pas directement sur les signaux de déplacements issus des capteurs sismiques, mais
sur des variations de ces déplacements suivant deux directions de l’espace sur la surface du
sol. Ces variations permettent alors de construire deux quantités utiles pour l’analyse des
champs d’ondes, le divergent et le rotationnel du vecteur déplacement. Ces deux quantités
sont fondamentales car directement liées à l’équation des ondes.
Pour finir, et par souci de répondre au mieux aux problématiques actuelles, il serait en-
visageable d’intégrer dans notre traitement une quatrième dimension qui est la dimension
temporelle liée à la répétition des mesures sismiques à différents moments. En effet, les me-
sures sismiques répétées dans le temps peuvent aider à suivre l’état de réservoirs de pétrole
ou de gaz en cours d’exploitation. Il serait alors judicieux d’ajouter cette dimension dans
nos traitement, par le biais, soit d’une modélisation long-vecteur, soit tensorielle pour ainsi
permettre de suivre l’évolution des réservoirs.
144 Conclusions
Bibliographie
[AF65] C. B. Archambeau et E. A. Flinn. Automated analysis of seismic radiation for

source characteristics. Proc. IEEE, 53 :1876–1884, 1965.
[AN96] S. Anderson et A. Nehorai. Analysis of polarized seismic wave model. IEEE
Trans. on Signal Processing, 44(2) :379–386, February 1996.
[Bar84] H. H. Barrett. The Radon Transform and its Application, volume 21. North-
Holland, Amsterdam, E. Wolf edition, 1984.
[Bie83] G. Bienvenu. Eigensystem properties of the sampled space correlation matrix.
In ICASSP, Boston, 1983.
[BK79] G. Bienvenu et L. Kopp. Principe de la goniométrie passive adaptative. In
GRETSI Symposium on signal and image processing, 1979.
[BK83] G. Bienvenu et L. Kopp. Optimality of high resolution array processing using the
eigensystem approach. IEEE Trans. Acoustics, Speech, and Signal Processing,
31(5) :1235–1248, October 1983.
[Boz96] S. Bozinoski. Analyse spatio temporelle des signaux large bande en vue de la
tomographie acoustique océanique. PhD thesis, Institut National Polytechnique
de Grenoble, 1996.
[Bri60] L. Brillouin. Wave propagation and group velocity. Academic Press, New York
and London, 1960.
[Bro94] R. Bronson. Calcul matriciel. Série Schaum. McGraw-Hill, 1994.
[BT59] R. B. Blackman et J. W. Tukey. The Measurement of Power Spectra from the
Point of View of Communications Engineering. Dover Publications, New York,
1959.
[BW80] M. Born et E. Wolf. Principles of optics : Electromagnetic theory of propagation
interference and diffraction of light. Sixth edition. Pergamon Press, 1980.
[Cal99] J. Caldwell. Marine multicomponent seismology. The Leading Edge, 18(11),
1999.
[CGP00] A. Cordsen, M. Galbraith et J. Peirce. Planning Land 3D Seismic Surveys. SEG
Eds., 2000.
[Cha81] C. H. Chapman. A new method for computing synthetic seismograms. Geophys.
J. Roy. Astr. Soc., 66 :445–453, 1981.
[Cla76] J. F. Claerbout. Fundamentals of Geophysical Data processing. McGraw-Hill
Book Co., 1976.
[Cra85] S. Crampin. Evaluation of anisotropy by shear-wave splitting. Geophysics,
50(1) :142–152, January 1985.
145
146 BIBLIOGRAPHIE
[CS91] C.-M. Chen et M. A. Simaan. Velocity filters for multiple interferences in two
dimensional geophysical data. IEEE Trans. Geoscience and Remote Sensing,
29(4) :563–570, July 1991.
[CS92] W. H. Cho et T. W. Spencer. Estimation of polarization and slowness in mixed
wavefields. Geophysics, 57(6) :805–814, June 1992.
[CU01] B. Cagnoli et T. J. Ulrych. Singular value decomposition and wavy reflections
in ground penetrating radar images of base surge deposits. Journal of applied
geophysics, 48 :175–182, 2001.
[DB95] G. Duncan et G. Beresford. Median filter behaviour with seismic data. Geophy-
sical Prospecting, 43 :329–345, 1995.
[Die88] M. Dietrich. Modeling of marine seismic profiles in the t-x and τ − p domains.
Geophysics, 53(4) :453–465, April 1988.
[DK92] W. Du et R. L. Kirlin. Enhancement of covariance matrix for array processing.
IEEE Trans. on Signal Processing, 40(10) :2602–2606, October 1992.
[DKM91] W. J. Done, R. L. Kirlin et A. Moghaddamjoo. Two-dimensional coherent noise
suppression in seismic data using eigendecomposition. IEEE Trans. on Geos-
cience and Remote Sensing, 29(3) :379–384, May 1991.
[DT95] W. Debski et A. Tarantola. Information of elastic parameters obtained from the
amplitudes of elastic waves. Geophysics, 60 :1426–1436, 1995.
[EBB63] P. Embree, J. P. Burg et M. M. Backus. Wide-band velocity filtering - the
pie-slice process. Geophysics, 28 :948–974, 1963.
[EJP57] W. M. Ewing, W. S. Jakdetsky et F. Press. Elastic waves in layered media. New
York Eds., McGraw Hill, 1957.
[EJS81] J. E. Evans, J. R. Johnson et D. F. Sun. High resolution angular spectrum
estimation techniques for terrain scattering analysis and angle of arrival estima-
tion. In First ASSP Workshop Spectral Estimation, pages 134–139, Hamilton,
Ontario, Canada, 1981.
[Esm90] C. Esmersoy. Inversion of P and S waves from multicomponent offset vertical
seismic profiles. Geophysics, 55 :39–50, January 1990.
[FLC95] A. Flieller, P. Larzabal et H. Clergeot. Antenne multicapteur pour communica-
tions simultanées. Revue de l’Electricité et de l’Electronique, 3 :59–66, Septembre
1995.
[Fli65] E. A. Flinn. Signal analysis using rectilinearity and direction of particule motion.
Proc. IEEE, 56 :1874–1876, 1965.
[FM92] D. J. Foster et C. C. Mosher. Suppression of multiple reflections using the Radon
transform. Geophysics, 57(3) :386–395, March 1992.
[FP83] E. R. Ferrara et T. M. Parks. Direction finding with an array of antennas having
diverse polarizations. IEEE Trans. Antennas and Propagation, 31(2) :231–236,
March 1983.
[FU88] S. L. M. Freire et T. J. Ulrych. Application of singular value decomposition to
vertical seismic profiling. Geophysics, 53(6) :778–785, June 1988.
[GB95] P. Gounon et S. Bozinoski. High resolution spatio-temporal analysis by an active
array. In ICASSP, 1995.
BIBLIOGRAPHIE 147
[GDD02] P. Y. Galibert, L. Duval et R. Dupont. Practical aspects of 3D coherent noise

filtering using (f-kx-ky) or wavelet transform filters. In Meeting of Society of
Exploration Geophysicists, Salt Lake City, USA, October 2002.
[GG97] D. Goncalves et P. Gounon. Décorrélation de sources large bande en traitement
d’antenne actif à haute résolution. In GRETSI, Grenoble, Septembre 1997.
[GGM93] F. Glangeaud, P. Gavin et J.-L. Mari. Utilisation des vecteurs propres de la
matrice spectrale dans l’espace temps. application à la prospection sismique.
Traitement du signal, 10(2) :85–104, 1993.
[GL96] G. H. Golub et C. F. Van Loan. Matrix Computations. The John Hopkins
University Press, London, 1996.
[GMG98] P. Gounon, J. I. Mars et D. Goncalves. Wideband spectral matrix filtering. In
Meeting of Society of Exploration Geophysicists, New Orleans, 1998.
[GML+ 90] S. A. Greenhalgh, I. M. Mason, E. Lucas, D. Pant et R. T. Eames. Controlled
direction reception filtering of P- and S- waves in tau-p space. Geophys. J. Int.,
100 :221–234, 1990.
[GMM01] F. Glangeaud, J.-L. Mari et J. Meunier. 4C-sensor orientation using
multicomponent-SVD method applied on shallow water data. In Meeting of
European Association Geoscientists Engineers, Amsterdam, The Netherlands,
June 2001.
[GMML90] S. A. Greenhalgh, I. M. Mason, C. C. Mosher et E. Lucas. Seismic wavefield sepa-
ration by multi-component tau-p polarisation filtering. Tectonophysics, 173 :53–
61, 1990.
[Gon99] D. Goncalves. Traitement d’antenne et matrice spectrale large bande. PhD thesis,
Institut National Polytechnique de Grenoble, Mai 1999.
[Gou94] P. Gounon. Analyse spatio-temporelle haute résolution à l’aide d’une antenne
active. Traitement du signal, 11(5) :351–360, 1994.
[Han88] M. T. Hanna. Velocity filters for multiple interference attenuation in geophysi-
cal array data. IEEE Trans. Geoscience and Remote Sensing, 26(6) :741–748,
November 1988.
[Har70] R. A. Harshman. Foundations of the PARAFAC procedure : models and condi-
tion for a n ”explanatory” multi-modal factor analysis. UCLA working papers
in phonetics, 16 :1–84, 1970.
[Har92] B. A. Hardage. Crosswell Seismology & Reverse VSP, volume 1 of Seismic
Application Series. Geophysical Press Ltd, 1992.
[Har00] B. A. Hardage. Vertical Seismic Profiling : Principles. Pergamon, New York,
2000.
[HH99] S. Hearn et N. Hendrick. A review of single-station time-domain polarisation
analysis techniques. J. of Seismic Exploration, 8 :181–202, 1999.
[HH03] N. Hendrick et S. Hearn. Introduction to vector-processing techniques for multi-
component seismic exploration. In ASEG, Adelaide, Australia, February 2003.
[HM78] C. H. Hemon et D. Mace. Use of the Karhunen-Loeve transformation in seismic
data processing. Geophysical Prospecting, 26 :600–626, 1978.
148 BIBLIOGRAPHIE
[Hua93] Y. Hua. A pencil-MUSIC algorithm for finding two-dimensional angles. IEEE

Trans. Antennas and Propagation, 41 :370–376, 1993.
[Hug98] P. Hugonnet. La transformée de Radon généralisée et ses applications à la
sismique. PhD thesis, Université de Pau et des pays de l’Adour, 1998.
[JF85] D. J. Jeffries et D. R. Farrier. Asymptotic results for eigenvector methods. IEEE
Proc., 132 :589–594, 1985.
[JMG91] G. M. Jackson, I. M. Mason et S. A. Greenhalgh. Principal component trans-
forms of triaxial recordings by singular value decomposition. Geophysics,
56(4) :528–533, April 1991.
[Jol56] R. N. Jolly. Investigation of shear waves. Geophysics, 21(4) :905–938, October
1956.
[KB86] M. Kaveh et A. J. Barabell. The statistical performance of the MUSIC and
the minimum norm algorithms in resolving plane waves in noise. IEEE Trans.
Acoust., Speech, Signal Processing, 34 :331–341, April 1986.
[KCSA03] A. Karagül, R. Crawford, J. Sinden et S. Ali. Recent advances in 3D land
processing : examples from the Pakistan badin area. First Break, 22 :37–44,
September 2003.
[KD91] R. L. Kirlin et W. Du. Improvement on the estimation of covariance matrices
by incorporating crosscorrelations. IEE Proceedings-F, 138(5) :479–482, October
1991.
[KD99] R. L. Kirlin et W. D. Done. Covariance analysis for seismic signal processing.
SEG Eds., Tulsa, 1999.
[Kir01] R. L. Kirlin. Data covariance matrices in seismic signal processing. Canadian
SEG recorder, 26(4) :18–24, April 2001.
[KL80] V. C. Klema et A. J. Laub. The singular value decomposition : its computation
and some applications. IEEE Trans. Automatic Control, 25(2) :164–176, April
1980.
[Kro83] P. M. Kroonenberg. Three-mode principal component analysis : theory and ap-
plications. DSWO Press, 1983.
[Lar92] P. Larzabal. Application du maximum de vraisemblance au traitement d’an-
tenne : radio-goniométrie et poursuite de cibles. PhD thesis, Université de Paris
Sud - Centre d’Orsay, Juin 1992.
[Lat97] L. De Lathauwer. Signal processing based on multilinear algebra. PhD thesis,
Université Catholique de Leuven, 1997.
[Lav86] M. Lavergne. Méthodes sismiques. Ed. Technip, 1986.
[LBG04] N. Le Bihan et G. Ginolhac. Three-mode data set analysis using higher order
subspace method : application to sonar and seismo-acoustic signal processing.
Signal Processing, 84 :919–942, May 2004.
[LBLM01] N. Le Bihan, S. Lariani et J. I. Mars. Seismic cube decomposition before reservoir
characterisation. In Meeting of Society of Exploration Geophysicists, pages 1564–
1567, San Antonio, 2001.
[LBM02] N. Le Bihan et J. I. Mars. Subspace method for vector-sensor wave separation
based on quaternion algebra. In EUSIPCO, Toulouse, France, September 2002.
BIBLIOGRAPHIE 149
[LBM04] N. Le Bihan et J. I. Mars. Singular value decomposition of quaternion matrices :

a new tool for vector-sensor signal processing. Signal Processing, 84 :1177–1199,
June 2004.
[LBS03] N. Le Bihan et S. J. Sangwine. Analyse de signaux vectoriels basée sur le modèle
quaternionique. In GRETSI Symposium on signal and image processing, Paris,
France, September 2003.
[Lic46] A. Lichnerowiz. Eléments de calcul tensoriel. Jacques Gabay, 1946.
[LMV00] L. De Lathauwer, B. De Moor et V. Vandewalle. A multilinear singular value
decomposition. SIAM J. Matrix Anal. Appl., 21(4) :1253–1278, 2000.
[Lov11] A. E. H. Love. Some problems of geodynamics. Cambridge University Press,
1911.
[LS94] J. Li et P. Stoica. Efficient parameter estimation of partially polarized electro-
magnetic waves. IEEE Trans. Signal Processing, 42 :3114–3152, 1994.
[MACG98] J.-L. Mari, G. Arens, D. Chapellier et P. Gaudiani. Géophysique de gisement et
de génie civil. Institut Français du Pétrole, technip edition, 1998.
[MACG99] J.-L. Mari, G. Arens, D. Chapellier et P. Gaudiani. Geophysics of reservoirs and
civil engineering. Ed. Technip, Paris, 1999.
[Mar88] J. I. Mars. Séparation d’ondes. PhD thesis, Institut National Polytechnique de
Grenoble, Janvier 1988.
[Mar98] S. Marcos. Les méthodes à haute résolution : traitement d’antenne et analyse
spectrale. Hermes, Paris, 1998.
[MBV03] J. I. Mars, N. Le Bihan et V. Vrabie. Extensions de la SVD aux données multidi-
mensionnelles ; applications à la séparation de sources. In GRETSI Symposium
on signal and image processing, volume 1, pages 333–336, Paris, 2003.
[MBVP06] J. I. Mars, N. Le Bihan, V. Vrabie et C. Paulus. Multicomponent seismic data
filtering by multilinear methods. In International Symposium on Communica-
tions, Control and Signal Processing, Marocco, march 2006.
[MC91] C. Macbeth et S. Crampin. Comparison of signal processing techniques for
estimating the effects of anisotropy. Geophysical Prospecting, 39 :357–385, 1991.
[MC98] J.-L. Mari et F. Coppens. Geophysique pour les gisements et le génie civil. Ed.
Technip, 1998.
[MCTD86] W. Moon, A. Carswell, R. Tang et C. Dilliston. Radon transform wavefield
separation for vertical seismic profiling data. Geophysics, 51(4) :940–947, April
1986.
[Mer76] H. Mermoz. Imagerie, corrélation et modèles. Annales des télécommunications,
31(1-2), 1976.
[MG90] J.-L. Mari et F. Glangeaud. Spectral matrix filtering applied to VSP processing.
Revue de l’institut français du pétrole, 45(3) :417–434, Mai-Juin 1990.
[MG94] J.-L. Mari et F. Glangeaud. Comparative study of different methods for sepa-
rating waves : application to VSP data. In EUSIPCO, pages 244–247, 1994.
[MGC01] J.-L. Mari, F. Glangeaud et F. Coppens. Traitement du signal pour géologues
et géophysiciens. Prospection sismique, volume 1. Ed. Technip, Paris, 2001.
150 BIBLIOGRAPHIE
[MGM04] J. I. Mars, F. Glangeaud et J.-L. Mari. Advanced signal processing tools for
dispersive waves. Near Surface Geophysics, pages 199–210, 2004.
[MJLMG04] J.I. Mars, Lacoume J.-L., J.-L. Mari et F. Glangeaud. Traitement du signal pour
géologues et géophysiciens, chapter 1, pages 92–123. Ed. Technip, 2004.
[MLMG04] J. Mars, J.-L. Lacoume, J.-L. Mari et F. Glangeaud. Traitement du signal pour
géologue et géophysiciens. Techniques avancées. Ed. Technip, Paris, 2004.
[MMG+ 03] J. I. Mars, J.-L. Mari, F. Glangaud, N. Le Bihan et V. Vrabie. Multidimensional
SVD processing : an overview. In North Africa/Mediterranean Petrolum and
Geoscience conference, Tunis, October 2003.
[MRL99] J. I. Mars, J. W. Rector et S. K. Lazaratos. Filter formulation and wavefield
separation of cross-well seismic data. Geophysical Prospecting, 47 :611–636, 1999.
[NP88] C. L. Nikias et R. Pan. Time delay estimation in unknown gaussian spatially
correlated noise. IEEE Trans. Acoustics, Speech, and Signal Processing, 36(11),
November 1988.
[NP94a] A. Nehorai et E. Paldi. Acoustic vector-sensor array processing. IEEE Trans.
Signal Processing, 42(9) :2481–2491, September 1994.
[NP94b] A. Nehorai et E. Paldi. Vector-sensor array processing for electromagnetic source
localization. IEEE Trans. Signal Processing, 42(2) :376–398, February 1994.
[PH94] A. I. Perelberg et S. C. Hornbostel. Applications of seismic polarization analysis.
Geophysics, 59(1) :119–130, January 1994.
[PK89] S. U. Pillai et B. H. Kwon. Forward/backward spatial smoothing techniques
for coherent signal identification. IEEE Trans. Acoustics, Speech, and Signal
Processing, 37(1) :8–15, January 1989.
[PM05] C. Paulus et J. I. Mars. Polarization analysis on seismic data after multicom-
ponent wavefield filtering. In EAGE / SEG Research Workshop on ”Multicom-
ponent Seismic - Past, Present and Future”, Pau, France, September 2005.
[PM06] C. Paulus et J. I. Mars. New multicomponent filters for geophysical data pro-
cessing. IEEE Trans. on Geoscience and Remote Sensing, 44(8), August 2006.
[PMG04] C. Paulus, J. I. Mars et P. Gounon. Wideband spectral matrix filtering for mul-
ticomponent sensors array. In Meeting of Society of Exploration Geophysicists,
Denver, USA, 2004.
[PMG05] C. Paulus, J. I. Mars et P. Gounon. Wideband spectral matrix filtering for
multicomponent sensors array. Signal Processing, 85(9) :1723–1743, September
2005.
[PMM05] C. Paulus, J. I. Mars et J.-L. Mari. High resolution wave-field filtering for near
surface multicomponent dataset. In European Association of Geoscientists and
Engineers, Madrid, Spain, June 2005.
[PRM04] C. Paulus, A. Roueff et J. I. Mars. Dispersion correction based on gradient
computations. In European Association of Geoscientists and Engineers, Paris,
France, June 2004.
[Red87] S. S. Reddi. On a spatial smoothing technique for multiple source location.
IEEE Trans. Acoustics, Speech, and Signal Processing, 35(5) :709, May 1987.
BIBLIOGRAPHIE 151
[RH90a] B. Russell et D. Hampson. Noise elimination and the Radon transform - part
1. Geophysics : The leading edge of exploration, pages 18–23, october 1990.
[RH90b] B. Russell et D. Hampson. Noise elimination and the Radon transform - part
2. Geophysics : The leading edge of exploration, pages 31–37, November 1990.
[RH93] B. D. Rao et K. V. S. Hari. Weighted subspace methods and spatial smoothing :
analysis and comparison. IEEE Trans. on Signal Processing, 41(2) :788–803,
February 1993.
[Rob67] E. A. Robinson. Predictive decomposition of time series with application to
seismic exploration. Geophysics, 32 :418–484, 1967.
[Sam77] J. C. Samson. Matrix and Stokes vector representation of detectors for polarised
waveforms : theory with some applications to teleseismic waves. Geophys. J. Roy.
Astr. Soc., 51 :583–603, 1977.
[Sam83] J. C. Samson. The spectral matrix, eigenvalues, and principal components in the
analysis of multichannel geophysical data. Annales Geophysicae, 1(2) :115–119,
1983.
[Sch79] R. O. Schmidt. Multiple emitter location and signal parameters estimation. In
Rome air development center spectrum estimation workshop, October 1979.
[Sch81] R. O. Schmidt. A signal subspace approach to multiple emitter location and
spectral estimation. PhD thesis, Stanford University, California, USA, November
1981.
[Sch86] R. O. Schmidt. Multiple emitter location and signal parameter estimation. IEEE
Trans. Antennas and Propagation, 34(3) :276–280, March 1986.
[SG82] R. E. Sheriff et L. P. Geldart. Exploration Seismology, volume 1. Cambridge
University Press, 1982.
[SG85] M. Suprajitno et S. A. Greenhalgh. Separation of upgoing and downgoing waves
in vertical seismic profiling by contour slice filtering. Geophysics, 50(6) :950–962,
June 1985.
[SH90] C.-F. Shieh et R. B. Herrmann. Ground roll : rejection using polarisation filters.
Geophysics, 55(9) :1216–1222, September 1990.
[She87] R. E. Sheriff. Reservoir Geophysics, third edition. SEG Eds., 1987.
[She02] R. E. Sheriff. Encyclopedic Dictionary of Exploration. fourth edition. SEG Eds.,
2002.
[SN89] P. Stoica et A. Nehorai. MUSIC, maximum likelihood, and Cramer-Rao bound.
IEEE Trans. Acoustics, Speech, and Signal Processing, 37(5) :720–741, May
1989.
[Spe81] Special issue on time delay estimation. IEEE Trans. Acoustics, Speech, and
Signal Processing, 29(3), June 1981.
[SS64] M. Shimshoni et S. W. Smith. Linear end parabolic τ -p revisited. Geophysics,
29(5) :664–671, October 1964.
[SSC88] T. W. Spencer, G. A. Smith et W. H Cho. Vertical seismic profile polarization
method for determining reflector orientation. Geophysics, 53(9) :1169–1174,
September 1988.
152 BIBLIOGRAPHIE
[SV93] A. Swindlehurst et M. Viberg. Subspace fitting with diversely polarized antenna

arrays. IEEE Trans. Antennas Propagat., 41 :1687–1694, 1993.
[SWK85] T. J. Shan, M. Wax et T. Kailath. On spatial smoothing for direction-of-arrival
estimation of coherent signals. IEEE Trans. Acoustics, Speech, and Signal Pro-
cessing, 33(4) :806–811, August 1985.
[Thi95] N. Thirion. Séparation d’ondes en prospection sismique. PhD thesis, Institut
National Polytechnique de Grenoble, Septembre 1995.
[TK83] D. W. Tufts et R. Kumaresan. Estimating the angle of arrival of multiple plane
waves. IEEE Trans. Aerosp. Electron. Syst., 19 :135–139, January 1983.
[TLM96] N. Thirion, J.-L. Lacoume et J. I. Mars. Resolving power of spectral matrix
filtering : a discussion of the links steering vectors / eigenvectors. In ICASSP,
pages 340–343, 1996.
[TM91] R. H. Tatham et M. D. McCormack. Multicomponent seismology in petroleum
exploration. SEG Eds., 1991.
[TML96] N. Thirion, J. I. Mars et J.-L. Lacoume. Analytical links between steering vectors
and eigenvectors. In EUSIPCO, pages 81–84, Trieste, Italy, 1996.
[Tri03] S. R. Trickett. F-xy eigenimage noise suppression. Geophysics, 68(2) :751–759,
March-April 2003.
[VBM02] V. Vrabie, N. Le Bihan et J. I. Mars. 3D-SVD and partial ICA for 3D array
sensors. In Meeting of Society of Exploration Geophysicists, Salt Lake City, USA,
2002.
[Vil48] J. Ville. Théories et applications de la notion de signal analytique. Cables et
transmissions, 2A(1) :61–74, Septembre 1948.
[VM01] V. Vrabie et J. I. Mars. High resolution time delay estimation based on third
order statistics domain. In European Association of Geoscientists and Engineers,
Amsterdam, June 2001.
[VM02] V. Vrabie et J. I. Mars. Aplication of SVD by means of ICA. In European
Association of Geoscientists and Engineers, Florence, Italy, May 2002.
[VML04] V. D. Vrabie, J. I. Mars et J.-L. Lacoume. Modified singular value decomposition
by means of independent component analysis. Signal Processing, 84 :645–652,
2004.
[WK85a] H. Wang et M. Kaveh. Coherence signal-subspace processing for the detection
and estimation of angles of arrival of multiple wide-band source. IEEE Trans.
Acoustics, Speech, and Signal Processing, 33(4) :823–831, August 1985.
[WK85b] M. Wax et T. Kailath. Detection of signals by information theoretic criteria.
IEEE Trans. Acoustics, Speech, and Signal Processing, 33(2) :387–392, April
1985.
[WK87] H. Wang et M. Kaveh. On the performance of signal-subspace processing- part
2 : Coherent wide-band systems. IEEE Trans. Acoustics, Speech, and Signal
Processing, 35(11) :1583–1591, November 1987.
[WZ97] K. T. Wong et M. D. Zoltowski. Polarization diversity and extended aperture
spatial diversity to mitigate fading-channel effects with a sparse array of electric
dipoles or magnetic loops. In IEEE Int. Veh. Technol. Conf, pages 1163–1167,
1997.
BIBLIOGRAPHIE 153
[WZ00] K. T. Wong et M. D. Zoltowski. Self-initiating MUSIC direction-finding and

polarization estimation in spatio-polarized beamspace. IEEE Trans. Antennas
and Propagation, 48(5) :1235–1245, 2000.
[Yil01] O. Yilmaz. Seismic Data Analysis, volume 1. SEG Eds., 2001.
[Yil02] O. Yilmaz. Seismic Data Processing, volume 1, chapter 6, pages 938–960. SEG
Eds., 2002.
[ZG94a] B. Zhou et S. A. Greenhalgh. Linear end parabolic τ -p revisited. Geophysics,
59(7) :1133–1149, July 1994.
[ZG94b] B. Zhou et S. A. Greenhalgh. Wave equation extrapolation-based multiple at-
tenuation : 2D filtering in the f-k domain. Geophysics, 59(9) :1377–1391, Sep-
tember 1994.
View publication stats

Filtrage de Donnees Sismiques Multicomposantes Et

Transféré par

Droits d'auteur :

Formats disponibles

Filtrage de Donnees Sismiques Multicomposantes Et

Transféré par

Informations du document

Description originale:

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Filtrage de Donnees Sismiques Multicomposantes Et

Transféré par

Droits d'auteur :

Formats disponibles

See discussions, stats, and author profiles for this publication at: https://www.researchgate.

Filtrage de données sismiques multicomposantes et estimation de la

Article · September 2006

Eurosky View project

The user has requested enhancement of the downloaded file.

To cite this version:

HAL Id: tel-00204504

HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

N ◦ attribué par la bibliothèque

pour obtenir le grade de

Spécialité : ((Signal, Image, Parole et Télécoms))

préparée au Laboratoire des Images et des Signaux de Grenoble

dans le cadre de l’École Doctorale ((Électronique, Électrotechnique, Automatique,

présentée et soutenue publiquement

FILTRAGE DE DONNÉES SISMIQUES MULTICOMPOSANTES

Directeur de thèse : Jérôme MARS

Madame G. Jourdain, Présidente

I Filtrage et séparation d’ondes 29

2 État de l’art sur les méthodes de séparation d’ondes 31

3 Filtrage matriciel spectral large-bande multicomposante 47

3.2.1 Estimation de la matrice spectrale . . . . . . . . . . . . . . . . . . . . 52

4 Applications sur des données sismiques synthétiques et réelles 65

II Attributs de polarisation et de direction d’arrivée 97

6 Estimation de la direction d’arrivée des ondes 121

6.3.3 Étude du pouvoir de résolution . . . . . . . . . . . . . . . . . . . . . . 134

Conclusions et perspectives 141

La technique fondamentale utilisée en sismique consiste à produire des ondes sismiques

L’objectif de ce travail de thèse est de proposer des méthodes de traitement et de ca-

La deuxième partie aborde des problèmes couramment rencontrés en traitement d’an-

Il existe une grande quantité d’ouvrages généraux traitant de la prospection sismique, le

1.1.2 Acquisitions terrestres

– Sismique réflexion et sismique réfraction

Fig. 1.2 – Les différents types de campagnes d’acquisition en sismique terrestre

permettant l’enregistrement des mouvements du sol dans plusieurs directions de l’espace

1.1.3 Types d’enregistrement

1.1.3.1 Enregistrements monocomposantes

Fig. 1.3 – Acquisitions sismiques 2D et 3D

1.1.3.2 Enregistrements multicomposantes (2C/3C/4C)

Fig. 1.4 – Acquisitions sismiques multicomposantes

1.2 Physique des ondes sismiques

1.2.1 Ondes élastiques

1.2.1.1 Les ondes de volume

Si l’on considère un mouvement rotationnel défini par le potentiel vecteur Ψ, de compo-

Le rapport entre les vitesses VP et VS est un précieux indicateur de la nature de la roche.

Onde P Onde SH Onde SV

Direction Déplacement Direction Déplacement

Fig. 1.6 – Propagation et polarisation des ondes P et des ondes S

1.2.1.2 Les ondes de surface

Plusieurs types d’ondes de surface peuvent exister en fonction de la topologie du milieu

– ondes de Stoneley : ce sont des ondes d’interface ou de surface, de grande amplitude

1.2.2 Différents milieux de propagation

Cette information de polarisation n’est accessible qu’avec des enregistrements multicom-

Fig. 1.7 – Modèle d’un capteur à 2 composantes X et Z

Amplitude de la composante Verticale

risée linéairement, ce diagramme représente une droite.

1.2.4 Trajets des différentes ondes sismiques

1.2.4.1 Réflexion, transmission, réfraction

Onde incidente Onde réfléchie