حذف نوفه تصادفی یکی از مراحل اساسی در پردازش داده‌های لرزه‌ای برای ارتقای تفکیک‌پذیری و پیوستگی بازتاب‌ها است. روش‌های مرسوم تجزیه مُد بر پایه تجزیه مُد تجربی با چالش‌هایی چون آمیختگی مُدهای فرکانسی، ایجاد مُدهای کاذب و هزینه محاسباتی بالا روبه‌رو هستند. در مقابل، تجزیه مد متغیر چارچوبی بهینه‌سازی‌شده برای جداسازی مُدهای محدودباند ارائه می‌دهد؛ با این حال، انتخاب دستی تعداد مُدها و عدم خودکارسازی آستانه‌گذاری از محدودیت‌های آن است. در این پژوهش، روشی تلفیقی مبتنی بر تجزیه مُد متغیر و تحلیل نوسان بدون روند پیشنهاد شده است که در آن، پارامتر تعداد مُد به‌صورت کاملاً خودکار بر مبنای نمای مقیاس تعیین می‌شوند. مُدهای دارای مقدار نمای مقیاس کمتر از مقادیر آستانه حذف و سیگنال بازسازی می‌گردد. ارزیابی الگوریتم بر روی داده لرزه‌ای مصنوعی با نسبت سیگنال به نوفه اولیه 6962/6 دسی‌بل، بهبود چشمگیر آن تا 7961/15دسی‌بل را نشان داد که نسبت به روش‌های تجزیه مُد تجربی، تجزیه مُد تجربی گروهی، تجزیه مُد تجربی گروهی مکمل و فیلتر نقطه بیشینه زمان – فرکانس کارایی بسیار بالاتری دارد. همچنین، پیاده‌سازی بر روی مقطع لرزه‌ای دوبعدی واقعی مؤید آن است که روش پیشنهادی با بازده محاسباتی بالا، نوفه تصادفی را بدون تضعیف دامنه‌ها یا آسیب به پیوستگی ساختارهای لرزه‌ای به‌طور مؤثر تضعیف می‌کند.