Sunteți pe pagina 1din 374

GEOFSICA DE PROSPECCIN I

Semestre PRIMAVERA/2007
CONTENIDOS
MDULO I: Introduccin (~ 2.5 semanas)

MDULO II: Geofsica de Potencial Descriptiva (~ 1 semana)

MDULO III: Teora de Potencial (~ 2 semanas)

MDULO IV: Modelacin Directa (~ 2 semanas)

MDULO V: ANALISIS EN EL DOMINIO DE FRECUENCIAS (~ 2 semanas)

MDULO VI: PROCESO DE DATOS (~ 3 semanas)

MDULO VII: TEORIA DE INVERSIN (~ 3 semanas)


BIBLIOGRAFIA
BALKELEY, POTENTIAL THEORY, 2002

TELFORD ET AL., APPLIED GEOPHYSICS, 2000

GRANT & WEST, INTERPRETATION THEORY IN APPLIED GEOPHYSICS, 1965

PARKER, GEOPHYSICAL INVERSE THEOR, 1994

VOGELSANG, ENVIRONMENTAL GEOPHYSICS, 1995

BURGER, EXPLORATION GEOPHYSICS OF THE SHALLOW SURFACE, 1992

TURCOTTE & SHUBERT, GEODYNAMICS, 2000

STVE, GEODYNAMICS OF THE LITHOSPHERE, 2002

LOWRIE, FUNDAMENTALS OF GEOPHYSICS, 1997


MDULO I.- Introduccin

MODULO 1: INTRODUCCIN
MDULO I.- Introduccin

MTODOS DE POTENCIAL: Conceptos


Bsicos
GRAVEDAD: mide la variacin del campo gravitacional de la
tierra, asociado a contrastes de densidad de las rocas de
subsuperficie.

Aplicaciones:
- marco regional
- isostasia
- geometra de cuencas
- reconocimiento de domos salinos
- geodesia
- etc.
MDULO I.- Introduccin

MTODOS DE POTENCIAL: Conceptos


Bsicos
MAGNETISMO: mide variaciones en el campo magntico
terrestre, asociadas a la magnetizacin de las rocas en
subsuperficie.

Aplicaciones:
- marco regional
- propiedades magnticas relleno/basamento
- caracterizacin de arcos magmticos
- geometra de cuencas
- etc.
MDULO I.- Introduccin

GRAVEDAD: Campo Gravitacional


GMm
F= Ley de Gravitacin Universal
R2

Donde : G = 6.67x10-11 N m2 Kg-2 Cte. Gravitacin Universal


Y F corresponde a la atraccin gravitacional entre las
masas M y m separadas por una distancia R.

Si consideramos m=1, hablaremos del campo gravitacional


ejercido por la masa M y en el caso de la tierra corresponder a:

g = aceleracin de gravedad

En este caso M= Masa de la Tierra


R = Radio de la tierra
MDULO I.- Introduccin

GRAVEDAD: Potencial Gravitacional


g es un campo conservativo
Puede ser representado como
el gradiente de un potencial escalar.

g(P) = -Grad. U(P) Donde

U(P) = G M/R

En general, para una distribucin


de masa (figura):

(x,y,z) dv

U(P) = G dm/r = G
v
r

(x,y,z) ^
r
g(P) = -Grad. U(P) = G
v
r2
dv
MDULO I.- Introduccin

GRAVEDAD: Conceptos Bsicos


Pero la tierra no es una esfera perfecta y esta rotando
R Cte. ; M = (x,y,z) dV ; efectos dinmicos

U = Ug + Ur (U Potencial Gravitacional)
Ug = Potencial Propio ; Ur = Potencial Rotacional
MDULO I.- Introduccin

GRAVEDAD: Conceptos Bsicos


Tierra Normal Gravedad Terica

g() = 9.78031846(1+0.0053024sin2-0.0000058sin22 ) m/s2

1967 International Gravity Formula

1+0.00193185138639sin2
g() = 9.7803267714
(1-0.00669437999013sin2)1/2

World Geodetic System 1984 (WGS84)


MDULO I.- Introduccin

GRAVEDAD: Reduccin de Datos


Gravedad Observada (gobs) = Atraccin del Elipsoide de Referencia
+ variaciones temporales (mareas, deriva instrumental)
+ efecto de elevacin sobre nivel de referencia (free-air)
+ efecto de masa sobre nivel de referencia (Bouguer, Terrain)
+ efectos dinmicos (plataformas en movimiento Etvs)
+ efecto de masas asociadas a compensacin isosttica
+ efectos asociados a variaciones de densidad en la corteza
y manto superior (geologa) 9 9 9

Debemos ser capaces de aislar el ltimo trmino de esta


sumatoria, descontando todos los dems efectos.
MDULO I.- Introduccin

GRAVEDAD: Conceptos Bsicos


Unidades
1 Gal = 1 cm/s2

- La unidad ms comn en gravimetra es el miligal (mGal).


1 mGal = 10-3 Gal

-Un gravmetro puede medir con precisin 0.001 mGal

- Un rango comn de efectos gravimtricos asociados a


fenmenos geolgicos, estara entre 1 50 mGal.

(g normal 9.8 m/s2 = 980 Gal = 980.000 mGal)


MDULO I.- Introduccin

GRAVEDAD: Reduccin de Datos


Efectos Dinmicos: Mareas y Deriva Instrumental

Mareas:
- Dependen del tiempo y la latitud
- Perodo 12 hrs.
- Tablas
- Nunca > 0.3 mGal.
- Aprox. Lineal en perodos cortos 3 hrs.

En primera aproximacin, ambos efectos pueden ser


considerados lineales y tratados en forma conjunta.
MDULO I.- Introduccin

GRAVEDAD: Reduccin de Datos


Atraccin del Elipsoide de Referencia

Gravedad Observada gobs g()


MDULO I.- Introduccin

GRAVEDAD: Reduccin de Datos


Correcin de Aire Libre (free-air)

g(r+h) = g(r) + hg(r) / r + ... Taylor (h<<r)

g(r) = g(r+h) - 2g(r)h/r Corr. de Aire Libre (gfa)

gfa = -0.3086h [mGal] (h en metros)

Anomala de Aire Libre


gfa = gobs g() gfa
MDULO I.- Introduccin

GRAVEDAD: Reduccin de Datos


Correcin de Bouguer
Considera placa infinita
gPI = 2Gh

gB = 0.04193 B h [mGal]
(h en metros, B en grs/cc)

Anomala de Bouguer (simple)


gB = gobs g() gfa gB

- Como estimar B ?
MDULO I.- Introduccin

GRAVEDAD: Reduccin de Datos


Correcin de Bouguer

Correccin Topogrfica
(terrain correction)

Anomala de Bouguer (completa)


gB = gobs g() gfa gB gt
MDULO I.- Introduccin

GRAVEDAD: Reduccin de Datos


Compensacin Isosttica Regional/Residual

- Mnimos Cuadrados
- Filtraje en Frecuencia
- Continuaciones Analticas
- etc.
Anomala Residual
MDULO I.- Introduccin

GRAVEDAD: Reduccin de Datos


Plataformas en Movimiento (V > 0) Correccin de Etvs

gE = 7.503 V cos() sin() + 0.004154 V2 [mGal]

V [nudos] ; =latitud ; =rumbo c/r norte verdadero

Puede tener magnitud del orden de efectos asociados a


fenmenos geolgicos ( 5 mGal para un barco movindose
hacia el Este, en latitud 45 y con V= 1 nudo).

Crtico para levantamientos aerotransportados.


MDULO I.- Introduccin

GRAVEDAD: Instrumental
La COSTE & RONBERG WORDEN
POZO TIERRA SCINTREX
TIERRA

La COSTE & ROMBERG


MARINO

LaCOSTE & RONBERG


TIERRA

Principio Fsico
Lacoste&Romberg
MDULO I.- Introduccin

Gravedad: Densidad de Rocas


MDULO I.- Introduccin

Gravedad: Precisin Relativa


PRECISION RELATIVA DE LAS
TECNICAS GRAVIMETRICAS
10
SATELITAL

AEREO

1
MARINO

m
G 0.1
SUBMARINO

A
l 0.01
TERRESTRE

POZO
ABSOLUTO

0.001

0.00001
1 10 100 1000 10,000 100,000

Longitud de Onda [m]


MDULO I.- Introduccin

MAGNETISMO: Conceptos Bsicos


Induccin Magntica

Ia
dIa
Anlogo a la atraccin entre dos masas
puntuales, consideremos la atraccin entre
r
dos loops de corriente continua, con
dIb
corrientes Ia e Ib respectivamente.
Ib

p
dI a (dI b r$)
df a = Cm I a I b
La fuerza actuando sobre un r2
pequeo elemento dIa del loop a, Fuerza de Lorentz
causada por la corriente en el
elemento dIb del loop b, estar
dada por la Fuerza de Lorentz. Cm es una constante de
proporcionalidad, anloga a
G = constante gravitacional
MDULO I.- Introduccin

MAGNETISMO: Conceptos Bsicos


Induccin Magntica
Si definimos un vector B tal que:

dIb x r^
dBb = CmIb Y dfa = Ia dla x dBb
r2

e integramos sobre el loop b, obtenemos:

,
dI b r$ Ley de Biot-Savart
B = Cm I b
r2

El vector B se conoce como Induccin Magntica, Densidad de


Flujo Magntico, o simplemente Campo Magntico de un loop de
corriente continua.
Una corriente elctrica induce una fuerza sobre una carga en
movimiento, igual al producto vectorial del campo magntico y la
velocidad de la carga.
MDULO I.- Introduccin

MAGNETISMO: Conceptos Bsicos


Potencial Magntico
F Fr
F
r

El campo magntico (F) es una


1
1
P

fuerza conservativa deriva de


un potencial escalar (A).
r1
r2
r
F(r) = - Grad. A (r)
-p p
2 l

Para un dipolo:

A = p [ r 2
+ l 2
1
2 rl cos
r 2
+ l 2
1
+ 2 rl cos
]
2 l p cos lml cos
Si r>>l (campo lejano) A ~ =
r2 r2
En este caso:
lml
F~ [2cos r + sin ]

r3
En primera aproximacin, el campo terrestre puede ser considerado dipolar.
MDULO I.- Introduccin

MAGNETISMO: Conceptos Bsicos


Susceptibilidad Magntica

En presencia de un campo externo H, un cuerpo magnetizable se


magnetiza por induccin magntica. El alineamiento de los dipolos
magnticos al interior del cuerpo, produce un campo magntico M
que se suma al campo externo.

En campos magnticos dbiles (como el terrestre), el campo M es


proporcional a H y alineado en la misma direccin.

El grado de magnetizacin alcanzado por este cuerpo corresponde


a la constante de proporcionalidad, que se define como
susceptibilidad magntica (k), tal que:

M = kH
MDULO I.- Introduccin

MAGNETISMO: Conceptos Bsicos


Unidades
Ms complejo que en el caso de gravedad, bsicamente por el enorme rango
de magnitudes que presentan los campos magnticos dependiendo de la
aplicacin y tambin por la derivacin matemtica, que en algunos casos es
dependiente del sistema de unidades usado !!! (Blakely 1995, p.67).

Bsicamente se usan dos sistemas: CGS (tambin conocido como emu =


Electromagnetic Units) y el Sistema Internacional (SI).

Cm = 1 en emu (adimensional) ; Cm = 0/4 [10-7 henry/m] en SI


0 permeabilidad mag. del vaco.

En emu B se mide en Gauss (G), mientras que en SI, B se mide en Weber/m2


Tesla (T). En aplicaciones geofsicas la unidad ms comn para B es
gamma en emu () o nanotesla en SI (nT).

1 Tesla = 104 Gauss (1 nT = 10-9 T = 1 gamma = 10-5 Gauss)


MDULO I.- Introduccin

MAGNETISMO: Conceptos Bsicos


El Campo Magntico Terrestre
Asumimos en primera aproximacin que la tierra es una esfera de
radio a y consideramos un potencial escalar V, el cual debe satisfacer
la ecuacin de Laplace: 2
V=0
La solucin de esta ecuacin en coordenadas esfricas, estar dada
por los polinomios asociados de Legendre

- Colatitud ; Longitud

A partir de valores medidos por los observatorios magnticos, se


determinan los coeficientes g y h que ajustan una superficie matemtica
al campo observado.
Esto se conoce como el IGRF (International Geomagnetic Reference Field)
MDULO I.- Introduccin

MAGNETISMO: Conceptos Bsicos


El Campo Magntico Terrestre

N
x

Fx Fh
D

E
Fy y
I
F
Fz

F = Intensidad de campo total


I = Inclinacin
D = Declinacin
MDULO I.- Introduccin

MAGNETISMO: Conceptos Bsicos


El Campo Magntico Terrestre

Induccin Magntica Rocas magnetizadas en direccin del campo actual

Remanencia Magntica Rocas magnetizadas en direccin de un campo


magntico del pasado.
Ej.- Termoremanencia en basaltos ocenicos.

Temperatura de Curie (Tc)


MDULO I.- Introduccin

MAGNETISMO: Conceptos Bsicos


El Campo Magntico Terrestre
MDULO I.- Introduccin

MAGNETISMO: Conceptos Bsicos


Magnetizacin de las Rocas
MDULO I.- Introduccin

MAGNETISMO: Conceptos Bsicos


CMT. Sus Variaciones Temporales

Recurrencia de Tormentas

Ciclo Manchas Solares

Variaciones Seculares
(Semianual)
Y Variacin Diurna
Tormentas Mag.
Pulsaciones
Atmosfricas

Inversiones
Tiempo [s]

10-3 100 103 106 109 1012 1015

Origen Externo Origen Interno


MDULO I.- Introduccin

VARIACIONES CAMPO
MAGNETICO TERRESTRE

Externas:
periodicidad de 11 aos
variacin diurna ~ 30 nT
variacin lunar ~ 2 nT
tormentas solares
MDULO I.- Introduccin

MAGNETISMO: Reduccin de Datos


CORRECCIONES:

- ESTACION BASE (REGISTRO DE VARIACIONES TEMPORALES)

- ANOMALA REGIONAL (IGRF)


MDULO I.- Introduccin

VARIACIONES CAMPO
MAGNETICO TERRESTRE

Internas:
variaciones seculares (precesin)
[I=10/400 aos; D=35/400 aos]
[IGRF actualizacin cada 5 aos]

Inversin de campo magntico


[comportamiento catico del proceso
magneto-hidrodinmico que genera
el campo magntico terrestre en el
ncleo lquido de la tierra y el
desarrollo de la capa D en la
interfase manto-ncleo
MDULO I.- Introduccin

MAGNETIZACION DE LAS ROCAS


En presencia de un campo externo (H) las
rocas presentan dos comportamientos:

PARAMAGNETISMO: Momento
magntico neto positivo (susceptibilidad
magntica, k > 0)

DIAMAGNETISMO: Se opone al campo


externo (susceptibilidad magntica
negativa), caracterstico de materiales
que completan todos los orbitales. En
ausencia de un campo externo tienen
momento magntico nulo (ej. , grafito,
mrmol, quarzo)
En general el efecto paramagntico y diamagntico es muy dbil,
con la excepcin de los elementos FERROMAGNESIANOS (fierro,
cobalto, nquel), con una interaccin magntica varios ordenes de
magnitud superior.
MDULO I.- Introduccin

MAGNETIZACION DE LAS ROCAS


FERROMAGNESIANOS: El tipo de interaccin magntica define los DOMINIOS
MAGNETICOS:
a) Ferromagnetismo: dominios en fase momento magntico mximo (fierro)
b) Anti-Ferromagnetismo: dominios en oposicin de fase, momento
magnetico nulo (hematita), si los dominios estn levemente rotados se
genera un anti-ferromagnetismo con momento magntico dbil en sentido
perpendicular al campo c)

d) Ferrimagnetismo: momento neto mayor que cero (la mayora de las rocas
magnetizadas en la naturaleza (magnetita, titanomagnetita, ox. fierro)
MDULO I.- Introduccin
MAGNETIZACION DE LAS ROCAS
FERROMAGNESIANOS: El grado
La solucin slida titanomagnetita de magnetizacin en las rocas se
es la familia de xidos de fierro puede expresar en un diagrama
mas importante en trminos de la triangular Fe-Ti-O,
magnetizacin de las rocas, a
mayor contenido de titaneo se
incrementa el tamao de grano y
disminuye la T. Curie => ulvo-
spinel no magntico a temperatura
ambiente, la magnetizacin
superior la alcanza la magnetita.
La solucin slida titanohematita
tiene el mismo comportamiento: al
aumentar el contenido de titaneo,
su valor extremo, hematita,
presenta una magnetizacin dbil
pero alta T. Curie por lo cual es
muy utilizada en estudios
paleomagneticos.
MDULO I.- Introduccin

SUSCEPTIBILIDA
D MAGNETICA
ROCAS Y
MINERALES
MDULO I.- Introduccin

MAGNETIZACION DE LAS ROCAS: PUNTO CURIE

A medida que aumenta la


temperatura el ordenamiento
mostrado por la
magnetizacin de los
dominios magnticos se
mantiene estable hasta
alcanzar la Temperatura de
Curie, propia para cada
mineral (580 C para la
magnetita). Sobre esta
temperatura los granos
magnticos muestran una
orientacin aleatoria con un
momento magntico neto = 0
MDULO I.- Introduccin

MAGNETIZACION DE LAS ROCAS:


CICLO DE HISTERESIS Y REMANENCIA

Al variar la intensidad del campo


externo varia la magnetizacin
adquirida por la roca: (1)
aumenta hasta un nivel de (2)
saturacin (Ms); al decrecer el
campo no necesariamente sigue
la misma trayectoria (2), (1)
manteniendo una magnetizacin
remanente incluso en ausencia de (3)
un campo externo (Mrs), si el
campo H no decrece bajo el valor
Hcr al aumentar el campo retoma
la trayectoria original (1), si
alcanza el nivel de saturacin su
recuperacin la efecta segn la
trayectoria (3)
MDULO I.- Introduccin

MAGNETIZACION DE LAS
ROCAS: REMANENCIA
En presencia de un campo externo
variable, la magnetizacin de las
rocas puede contener una
magnetizacin remanente (Mr) que
es funcin de la historia de
magnetizacin a la cual ha estado
sometida la muestra. Esta
magnetizacin remanente puede
tener diversos orgenes pero en
trminos simples puede expresarse
como una componente vectorial neta
que presenta una angularidad
relativa con respecto a la
magnetizacin inducida por el campo
actual (Mt). La importancia relativa
de cada componente se expresa en el
RADIO DE KONIGSBERG : Q= Mr/Mt.
MDULO I.- Introduccin

MAGNETIZACION DE LAS ROCAS: REMANENCIA


MDULO I.- Introduccin

MAGNETIZACION DE LAS ROCAS: TIPOS DE REMANENCIA

TRM: Magnetizacin Termoremanente. Magnetizacin


adquirida al momento de enfriarse bajo el punto de Curie
correspondiente. Esta magnetizacin es caracterstica de
rocas efusivas tipo basaltos ocenicos que se magnetizan
en la direccin del campo ambiente al momento de
cristalizar en dorsales ocenicas.
MDULO I.- Introduccin

MAGNETIZACION DE LAS ROCAS: TIPOS


DE REMANENCIA

DRM: Magnetizacin Detrtica.


Magnetizacin adquirida durante los
procesos de sedimentacin lenta, por
ejemplo en arcillas. Los granos de
magnetita se orientan segn la direccin
del campo ambiente al momento de la
depositacin.
MDULO I.- Introduccin

MAGNETIZACION DE LAS ROCAS: TIPOS DE REMANENCIA

CRM: Magnetizacin Qumico-


remanente. Magnetizacin
adquirida mediante un proceso
qumico en la diagnesis de rocas
sedimetarias y tambin en
ambientes gneos sometidos a
circulacin hidrotermal (ej.
dorsales ocenicas). Tambin en
ambientes metamrficos (ej.
Depsitos tipo skarn)

Otros tipos, VRM: magnetizacin viscoremanente en sometimiento a


campos externos por un periodo prolongado de tiempo.
IRM: magnetizacin remanente al eliminar el campo externo
MDULO I.- Introduccin

MAGNETISMO: Instrumental

MAGNETOMETRO GEOMETRICS G-858


PRECESION (VAPORES DE CESIO)

PRINCIPIO FISICO
MAGNETOMETROS DE PRECESION
MDULO I.- Introduccin

Principio del magnetometro de


precesin magntica:

a)En una bobina con agua


destilada se dispone un volumen
de protones con una bobina
envolvente.
b)Se energiza la bobina
generando un campo magntico
intenso en una direccin distinta
del campo terrestre
c) Al cortar el flujo de corriente
por la bobina los protones
adquieren un movimiento de
precesin en torno a la direccin
del campo terrestre con una
frecuencia que es proporcional a
la intensidad del campo (50 a
100 veces la amplitud de las
anomalas observadas)
MDULO I.- Introduccin

MAGNETISMO:
Instrumental
MDULO I.- Introduccin

GRAVEDAD Y MAGNETISMO: Generalidades


1) Definicin del Experimento
- rea de Estudio
- Objetivos Precisin Requerida
Parmetros de Adquisicin
Direccin y espaciamiento entre perfiles
Razn de muestreo (resolucin espacial)
Tipo de posicionamiento
Etc.
2) Adquisicin Planeamiento Logstica
3) Reduccin de Datos
- Correcciones
- Filtros (relacin seal/ruido)
4) Interpretacin
- Problema geolgico
- Infinitas soluciones (informacin complementaria)
- Modelado
MDULO I.- Introduccin

GRAVEDAD Y MAGNETISMO: Conclusiones

ALCANCES
LIMITACIONES
APLICACIONES PRINCIPALES
En Diversos Ambientes Geolgicos
En Chile
RESOLUCIN RELATIVA
COSTOS RELATIVOS

(VOGELSANG, 1993)
MDULO II.- GEOFISICA DE POTENCIAL DESCRIPTIVA

MODULO 2: TEORIA DE POTENCIAL


DESCRIPTIVA

SATELITAL (CONTINENTAL)
REGIONAL (MARINA-TERRESTRE)
LOCAL (EXPLORACION)
MDULO II.- GEOFISICA DE POTENCIAL DESCRIPTIVA

GRAVEDAD:
MDULO II.- GEOFISICA DE POTENCIAL DESCRIPTIVA

Gravedad Satelital, Sandwell-Smith, 1997


Geosat: rbita 800 km altitud
MDULO II.- GEOFISICA DE POTENCIAL DESCRIPTIVA

Gravedad Satelital,
Sandwell-Smith, 1997
MDULO II.- GEOFISICA DE POTENCIAL DESCRIPTIVA

Gravedad Satelital, Sandwell-Smith, 1997


MDULO II.- GEOFISICA DE POTENCIAL DESCRIPTIVA

GRAVEDAD
SATELITAL
SUD-
AMERICA
MDULO II.- GEOFISICA DE POTENCIAL DESCRIPTIVA

MAGNETISMO: MAGSAT
MDULO II.- GEOFISICA DE POTENCIAL DESCRIPTIVA

MAGNETOMETRIA SATELITAL: PROYECTO MAGSAT


MDULO II.- GEOFISICA DE POTENCIAL DESCRIPTIVA

MAGNETOMETRIA SATELITAL: PROYECTO MAGSAT


MDULO II.- GEOFISICA DE POTENCIAL DESCRIPTIVA

MAGNETOMETRIA SATELITAL: PROYECTO MAGSAT


MDULO II.- GEOFISICA DE POTENCIAL DESCRIPTIVA

MAGNETOMETRIA
SATELITAL:
PROYECTO
MAGSAT:
ATLANTICO
MDULO II.- GEOFISICA DE POTENCIAL DESCRIPTIVA

MAGNETOMETRIA
SATELITAL: PROYECTO
MAGSAT: PACIFICO
MDULO II.- GEOFISICA DE POTENCIAL DESCRIPTIVA

MAGNETOMETRIA SATELITAL: MODELO DE


REMAGNETIZACION N PERIODOS DE
POLARIDAD MAGNETICA ESTABLE
MDULO II.- GEOFISICA DE POTENCIAL DESCRIPTIVA

MAGNETOMETRIA SATELITAL: PROYECTO MAGSAT: MODELACION ATLANTICO


MDULO II.- GEOFISICA DE
POTENCIAL DESCRIPTIVA

MAGNETOMETRIA
SATELITAL:
PROYECTO
MAGSAT:
MODELACION
PACIFICO
MDULO II.- GEOFISICA DE POTENCIAL DESCRIPTIVA

REGIONAL: RESPUESTA MAGNETICA Y


GRAVIMETRICA EN MARGENES DE PLACA
MDULO II.- GEOFISICA DE POTENCIAL DESCRIPTIVA

RESPUESTA
GRAVIMTRICA
EN DORSAL
OCEANICA
MDULO II.- GEOFISICA DE POTENCIAL DESCRIPTIVA

MARGEN DIVERGENTE: AL ENFRIARSE EL MAGMA ADQUIERE LA


MAGNETIZACION DEL CAMPO MAGNETICO TERRESTRE
MDULO II.- GEOFISICA DE POTENCIAL DESCRIPTIVA

GRAVEDAD: MARGEN ACTIVO


MDULO II.- GEOFISICA DE POTENCIAL DESCRIPTIVA

RESPUESTA MAG&GRAV EN MARGEN PASIVO


MDULO II.- GEOFISICA DE POTENCIAL DESCRIPTIVA

MAGNETISMO REGIONAL: CORTEZA


OCEANICA
MDULO II.- GEOFISICA DE POTENCIAL DESCRIPTIVA

MARGEN DIVERGENTE: AL ENFRIARSE EL MAGMA ADQUIERE LA


MAGNETIZACION DEL CAMPO MAGNETICO TERRESTRE
MDULO II.- GEOFISICA DE POTENCIAL DESCRIPTIVA

Anomalas magnticas de fondo ocenico


tratamiento clsico Tebbens, 1997
MDULO II.- GEOFISICA DE POTENCIAL DESCRIPTIVA
MDULO II.- GEOFISICA DE POTENCIAL DESCRIPTIVA

Interpretacin tectnica
MDULO II.- GEOFISICA DE POTENCIAL DESCRIPTIVA

Interpretacin tectnica
MDULO II.- GEOFISICA DE POTENCIAL DESCRIPTIVA

Implicancias:
Reconstruccin de placas

Cinemtica
MDULO II.- GEOFISICA DE POTENCIAL DESCRIPTIVA

PROYECTO CONDOR:
MAGNETISMO EN CORTEZA
OCEANICA ASOCIADA A LA
COLISION DE LA DORSAL DE
JUAN FERNANDEZ
MDULO II.- GEOFISICA DE POTENCIAL DESCRIPTIVA

AREA DE
TRABAJO
MDULO II.- GEOFISICA DE POTENCIAL DESCRIPTIVA
MDULO II.- GEOFISICA DE POTENCIAL DESCRIPTIVA
MDULO II.- GEOFISICA DE POTENCIAL DESCRIPTIVA
MDULO II.- GEOFISICA DE POTENCIAL DESCRIPTIVA

RAW DATA

200

0
[nT]

-200

-400
0 20000 40000 60000 80000 100000 120000 140000 160000 180000 200000
A distance [m] A'
SYNTHETIC MODEL

0
[nT]

-200

-400

0 20000 40000 60000 80000 100000 120000 140000 160000 180000 200000
A distance [m] A'
16 17 Anomaly
18

500 m

37.5 38.5 39.5 Ma


35.5 36.5
half spreading rate 6 cm/yr; magnetization: 1.5 [Am-1]
MDULO II.- GEOFISICA DE POTENCIAL DESCRIPTIVA
MDULO II.- GEOFISICA DE POTENCIAL DESCRIPTIVA
MDULO II.- GEOFISICA DE POTENCIAL DESCRIPTIVA
MDULO II.- GEOFISICA DE POTENCIAL DESCRIPTIVA
MDULO II.- GEOFISICA DE
POTENCIAL DESCRIPTIVA
MDULO II.- GEOFISICA DE POTENCIAL DESCRIPTIVA

ANALISIS FLEXURAL: GRAVEDAD


MDULO II.- GEOFISICA DE POTENCIAL DESCRIPTIVA

ANALISIS FLEXURAL MEDIANTE LA COMBINACION


DE GRAVEDAD Y RELIEVE, STEWART & WATTS, 1997
MDULO II.- GEOFISICA DE POTENCIAL DESCRIPTIVA

ANALISIS
FLEXURAL
MEDIANTE LA
COMBINACION
DE GRAVEDAD Y
RELIEVE
MDULO II.- GEOFISICA DE POTENCIAL DESCRIPTIVA
MDULO II.- GEOFISICA DE POTENCIAL DESCRIPTIVA

ESTIMACION DE ESPESOR ELASTICO EN SUD-AMERICA


MDULO II.- GEOFISICA DE POTENCIAL DESCRIPTIVA

EXPLORACION CARTA
MAGNETICA
MDULO II.- GEOFISICA DE POTENCIAL DESCRIPTIVA

GRAVEDAD EN CUENCAS BASIN&RANGE


MDULO II.- GEOFISICA DE POTENCIAL DESCRIPTIVA

FUNCION DE DENSIDAD GENERALIZADA


normalized density structure [gr/cc]
0 2.34 normalized density structure [gr/cc]
0 2.34

-0.1 2.33 -0.1 2.33

-0.2 -0.2
2.32 2.32

-0.3 -0.3
2.31 2.31

normalized depth]
normalized depth]

-0.4 -0.4
2.3
2.3
-0.5
-0.5
2.29
2.29 -0.6
-0.6
2.28
2.28 -0.7
-0.7 2.27
-0.8
2.27
-0.8 2.26
-0.9

-0.9 2.26
-1 2.25
0 0.2 0.4 0.6 0.8 1
-1 2.25 normalized distance
0 0.2 0.4 0.6 0.8 1
normalized distance
MDULO II.- GEOFISICA DE POTENCIAL DESCRIPTIVA

DISTRIBUCION DE DENSIDAD EN AMBIENTES


DE CUENCAS TIPO BASIN & RANGE
density contrast structure [gr/cc] density contrast structure [gr/cc]
0 -0.32 0 -0.32

-0.33 -0.33
-100 -100
-0.34 -0.34
-200 -200
-0.35 -0.35
-300 -300
-0.36 -0.36
depth [m]

depth [m]
-400 -0.37 -400 -0.37

-0.38 -0.38
-500 -500
-0.39 -0.39
-600 -600
-0.4 -0.4
-700 -700
-0.41 -0.41

-800 -800
0 2000 4000 6000 8000 10000 0 2000 4000 6000 8000 10000
distance [m] distance [m]
MDULO II.- GEOFISICA DE POTENCIAL DESCRIPTIVA

FUNCION DE DENSIDAD EN TEGUACHI (MEXICO)


MDULO II.- GEOFISICA DE POTENCIAL DESCRIPTIVA
d e n s it y c o n t ra s t s t ru c t u re [ g r/ c c ] P e rfil 1 T e g u a c h i
-0 . 3 2
800
-0 . 3 3

700 -0 . 3 4

-0 . 3 5

600 -0 . 3 6
depth [m]

-0 . 3 7
500
-0 . 3 8

400 -0 . 3 9

-0 . 4

300
-0 . 4 1

0 2000 4000 6000 8000


d is t a n c e [ m ]

COMPARACION
MODELO DE DENSIDAD
CON SECCION
ESTRUCTURAL EN
TEGUACHI
MDULO II.- GEOFISICA DE POTENCIAL DESCRIPTIVA

EXPLORACION NORTE CHILE


MDULO II.- GEOFISICA DE POTENCIAL DESCRIPTIVA

PAMPA DEL TAMARUGAL SUR


MAGNETISMO: anomalas de alta frecuencia GRAVEDAD:desarrollo de cuencas en flanco sur oriental
(volcnico/intrusivo) y sistema estructural NE cortada por sistema estructural evidenciado en magnetismo
MDULO II.- GEOFISICA DE POTENCIAL DESCRIPTIVA

PAMPA DE
LIMON VERDE
GRAVEDAD:
cuenca de mas de 1000m
en flanco norte; sistema
estructural NS que
coincide con ramal de
falla oeste en sector
occidental

MAGNETISMO:
anomalas de mas alta
frecuencia asociada
a cuerpos mas someros;
anomala de baja frecuencia
sobre cuenca gravimetrica
(relleno magntico?)
MDULO II.- GEOFISICA DE POTENCIAL DESCRIPTIVA

DESCRIPCION
GEOFISICA
CANDELARIA
(MODELO TIPO)

CAMPO MAGNETICO
RTP
MDULO II.- GEOFISICA DE POTENCIAL DESCRIPTIVA

MAGNETIZACION DE
LAS ROCAS
DURANTE LOS
EVENTOS
MAGMATICOS Y DE
ENRRIQUECIMIENTO
DURANTE EL
PERIODO QUIETO
DEL CRETACICO =>
MAGNETIZACION EN
LA DIRECCION DEL
CAMPO ACTUAL
MDULO II.- GEOFISICA DE POTENCIAL DESCRIPTIVA

ESTRATIGRAFIA Y ALTERACION
MDULO II.- GEOFISICA DE POTENCIAL DESCRIPTIVA

SECCION GEOLOGICA V/S RTP


MDULO II.- GEOFISICA DE
POTENCIAL DESCRIPTIVA

MODELACION
MAGNETICA
MDULO II.- GEOFISICA DE POTENCIAL DESCRIPTIVA

EXPLORACION
BRASIL:
Ambientes de
borde cratnico
MDULO II.- GEOFISICA DE POTENCIAL DESCRIPTIVA

510000 520000 530000 540000 550000


9200000

9200000
00
54
2

2
5
30
0

25572
25508 253 00

25473
25447
25428
25412

9190000
9190000

25395
25300

25378
25364

25
30
0
25354
25346
25342
25337
EXPLORACION
BRASIL: CAMPO
25331 25
500
2530
0
25
300

25324 25500

25317 24
9180000

9180000
9 0
0 0
0
3
2 5
80 0
24

25309
0
2530

2
5
0
MAGNETICO

00
25302

L12
25294 24
70
0 20
5
2

0
25100

25288
2 5200
0
0
2 4 6

0
2530

25281
25273
25264 25100

25
3
0
0
25254
25241

AMBIENTES
2
4
7
0

25228
9170000

9170000
0

25
200

25213
L2

0
0
253
24
90
0

25196
25
00
0
25
10
0
25
20
0

CRATNICOS DE
25181 2530
0

25163
0
2560

252 00

25143 25 60
0
2
5
4
0
0

L12
25114 00
25
6

25073
25018
24942
2
5
7
0
0
2
530
0

ROCAS MAFICAS CON


9160000

9160000
24842 6
00

GRAN CONTRASTE
25

0
50

24734 25

24552
L2

C.T. 2
55 0
0

[nT]
MAGNTICO
9150000

9150000
200
25

Scale 1:350000
25000

2 4
9
0
2 0
4
8
0
0

5000 0 5000
25
00
0

metres
25
70 0

00
2 56
9140000

9140000
00
255

200

CODELCO DO BRASIL
00 25
253

500
25

2530
0
00
252
225532 0 0
20 0
25400

00
256
5
4
0
0

2 5
2
0

PROYECTO GRADAUS
0
0
0
5
2 5
2
5
3

2
0

5
0

2
0
0

MAGNETOMETRIA AEREA
25100

INTENSIDAD DE CAMPO TOTAL

510000 520000 530000 540000 550000


MDULO III.- TEORIA DE POTENCIAL

MODULO 3: TEORIA DE
POTENCIAL
MDULO III.- TEORIA DE POTENCIAL

Campos

Se defienen dos tipos de campos:

campo de material: que caracterizan una propiedad fisica


en el espacio (densidad, magnetizacion, temperatura)

campo de fuerza: fuerza actuando en una determinada


posicion en el espacio y tiempo (gravedad, magnetismo,
campo electrico)

Los campos pueden ser escalares (campo gravimetrico gz)


o bien vectoriales (campo magntico)
MDULO III.- TEORIA DE POTENCIAL

Campos
Los campos vectoriales pueden exprezarse en trminos de
las lneas de campo o lneas de flujo. Por ejemplo el campo
gravitacional: m
g ( P ) = G 2
r
r
MDULO III.- TEORIA DE POTENCIAL

Campos
Se puede desmostrar que si la funcin F es un campo
vectorial continuo entonces las lineas de campo se pueden
expresar como la integracin de las ecuaciones diferenciales:

dx dy dz
= =
Fx Fy Fz
Ejercicio: demostrar esta afirmacin
MDULO III.- TEORIA DE POTENCIAL

ENERGIA TRABAJO Y POTENCIAL


La energa cinetica utilizada para mover una particula en un
campo de fuerza es definida como el trabajo efectuado por el
campo de fuerza.
La segunda ley de Newton nos indica que:
d
F = m v
dt
Tal que al multiplicar por v (velocidad) a ambos lados se
obtiene:
d 2 d
Fv = m v = E
1
2
dt dt
t1 p1

( E Eo ) = F vdt ' = F ds = W ( po , p1 )
to po
MDULO III.- TEORIA DE POTENCIAL

ENERGIA TRABAJO Y POTENCIAL


El trabajo efectuado depende de la trayectoria seguida entre
los puntos Po y P1.

Un campo de fuerzas se dice conservativo si el trabajo es


independiente de la trayectoria seguida.

Si ese es el caso entonces para el trabajo en una dimensin:

p1 x1

F ds = F dx = W (x , x )
po xo
o 1

W
Fx =
x
MDULO III.- TEORIA DE POTENCIAL

ENERGIA TRABAJO Y POTENCIAL


La expresin anterior se puede generalizar para 3-D tal que:

r W W W
F = , , = W
x y z
La derivada del trabajo en cualquier direccin es igual a la
componente de fuerza en esa direccin. En consecuencia
cualquier cualquier campo de fuerzas cuya funcin trabajo
tiene derivadas es un campo conservativo.

El potencial asociado a un campo vectorial se define como


el trabajo hecho a favor o en contra del campo dependiendo
de la naturaleza de la fuerza:
MDULO III.- TEORIA DE POTENCIAL

ENERGIA TRABAJO Y POTENCIAL


Fuerzas de atraccin (gravedad):

r
F =
Fuerzas de repulsin (electrosttica):
r
F =
El potencial se define como el trabajo efectuado para traer
una dada particula desde el infinito hasta su posicin actual:

P
= F ds

MDULO III.- TEORIA DE POTENCIAL

ENERGIA TRABAJO Y POTENCIAL


Definicin:

Superficie equipotencial, superficie en la cual el potencial se


mantiene constante

( x, y, z ) = constante
Funciones armonicas: Mas adelante veremos que la siguiente
ecuacin diferencial (de Laplace) tiene importantes
implicancias en la teoria de potencial. Esta ecuacin presenta
la siguiente forma:
=0
2

Si cumple esta relacin se dice que esta funcin es armonica


(y puede ser resuelta con funciones sinusoidales
MDULO III.- TEORIA DE POTENCIAL

POTENCIAL: Consecuencias
En la presentacin anterior se definio la funcin potencial en
campos de fuerzas conservativos, ahora se revisara una serie
de caracteristicas que son fundamentales para el
tratamiento posterior de la teoria de potencial

Identidades de Green:

Considerar dos funciones U y V continuas y diferenciables en


primer orden en un espacio R cerrado. Ademas considerar
que U presenta una segunda derivada continua en la frontera
R. Definiendo:
A = V U
MDULO III.- TEORIA DE POTENCIAL

POTENCIAL: Consecuencias

Adv = (VU )dv


Entonces:

R R

[
= V U + V U dv 2
]
R

Usando el teorema de divergencia, la integral del lado


izquierdo se puede reducir a una integral de superficie en el
entorno R:

U
R Adv = S A
n dS = S V U
n dS = V
S
n
dS
MDULO III.- TEORIA DE POTENCIAL

POTENCIAL: Consecuencias
Entonces se obtiene la primera identidad de Green:

[ ] U
V U + V U dv = V
2
dS
R S
n
Si la funcin U es armonica y V=1 (constante), entonces:

U
S n dS = 0
Si la funcin U es armonica el flujo nulo atravez de la
frontera implica la ausencia de fuente al interior del dominio:
MDULO III.- TEORIA DE POTENCIAL

POTENCIAL: Consecuencias

[ ] U
V U + V U dv = V
2
dS
R S
n
Si la funcin U es armonica y V=U, entonces:

U
R (U ) dv = S U n dS
2

Si la funcin U es nula en la frontera entonces se cumple que


es nula al interior donde U es constante. Se puede demostrar
ademas que si hay dos potenciales U1(S) = U2(S) entonces
U1 y U2 son identicos. En otras palabras la condicion interior
esta determinada por las condiciones de borde.
MDULO III.- TEORIA DE POTENCIAL

POTENCIAL: Consecuencias
Segunda identidad de Green:

Si se intercambian U y V en la primera identidad de Green y


se resta a esta:

[ 2 2
] V U
R U V V U dv = S U n V n dS
Que corresponde a la Segunda identidad de Green:
MDULO III.- TEORIA DE POTENCIAL

POTENCIAL: Consecuencias
Tercera identidad de Green:

Considerar V=1/r en segunda identidad de Green (r es la


distancia entre los puntos P y Q):

[U ] 1r 1 U
2 1
U dv = U
1 2
r dS
R
r r
S
n n
Se demuestra que al integrar c/r a Q se obtiene 3a Identidad
de Green:

1 U
2
1r 1 U
U ( P) = dv + U r dS
4 R r S
n n
MDULO III.- TEORIA DE POTENCIAL

POTENCIAL: Consecuencias
Tercera identidad de Green:

Si U es armnico:

1 1r 1 U
U ( P) = U
4 S n
r
n
dS
MDULO IV.- Modelacin directa

MODULO 4: MODELACION
DIRECTA
MDULO IV.- Modelacin directa

Gravedad
El potencial gravitatorio se define
como:

U ( P) = G dv
V
r
Tal que la aceleracin de
gravedad se puede escribir como:


g ( P ) = U = G 2
rdv
V
r
o en particular en direccin de z:

U
= G
( z z ')
g ( P ) = U =
z x'

y' z'
( x' , y ' , z ' )
r3
dx' dy ' dz '
MDULO IV.- Modelacin directa

Gravedad
Donde la distacia observador-
fuente r es:
r= ( x x ') + ( y y ') ( z z ')
2 2 2

A) PRISMAS RECTANGULARES

Para prismas rectangulares


centrados en el origen a una
profundidad z, que pueden
aproximar un cuerpo irregular
(Plouff, 1975):

x2 y2 z2 z'
g = G (x' + y' + z ' ) dx' dy ' dz '
x1 y1 z1 2 2 2 3/ 2
MDULO IV.- Modelacin directa

Gravedad
A) PRISMAS RECTANGULARES

Integrando en los lmites correspondientes del prisma:


xi log(Rijk + y j )
xi y j
2 2 2
z k atan
g = G ijk z k Rijk
i =1 j =1 k =1
yi log(Rijk + x j )

Rijk = x + y + z ;
2
i
2
j
2
k ijk = ( 1) ( 1) ( 1)
i j k
MDULO IV.- Modelacin directa

Gravedad
B) LAMINAS DE PLANTA VARIABLE

Para cuerpos de forma irregular


Talwani & Ewing proponen separar la
integral de volumen en una
integracin de lnea en planta para
luego efectuar la integracin c/r a z
como una sumatoria de la secuencia
de laminas horizontales.

dx' dy '
g = G z 'dz ' (x' + y' + z ' ) = G z '( z ' )dz '
2 2 2 3/ 2
z' x' y' z'
144424443
( z ')
MDULO IV.- Modelacin directa

Gravedad
B) LAMINAS DE PLANTA VARIABLE
La integral (z) se resuelve mediante una integracin de lnea
(teorema de Stokes):

A dl = ( A) nds
s

En la integral anterior esta transformacin de Stokes se


resuelve como:

x'
A= ; dl = dy '
(y' + z ' ) (x' + y' + z ' )
2 2 2 2 2 1/ 2
MDULO IV.- Modelacin directa

Gravedad
B) LAMINAS DE PLANTA VARIABLE

Discretizando entonces en trazos


rectos, la integral de lnea se
expresa como:

M y m+1
x' dy '
( z ' ) = (y' + z ' )(x' + y' + z ' )
2 2 2 2 2 1/ 2
m =1 y m
MDULO IV.- Modelacin directa

Gravedad
B) LAMINAS DE PLANTA VARIABLE
Esta integral se resuelve para los M segmentos del permetro
de la planta del cuerpo para la profundidad z:
M
( z ' ) = [atan( m +1 ) atan( m )]
m =1

m =
(
z ' m ym m z ' 2
)
[( ) ] (
xm 1 + m2 z '2 + m2 m2 z '2 + m2 ) xm2 + ym2 + z '2
z ' ( y z ' 2
)
m +1 = m m +1 m

[(
xm +1 1 + m2 )z ' + ] (
2 2
m
2
m z '2 + m2 ) xm2 +1 + ym2 +1 + z '2
xm +1 xm xm ym +1 xm +1 ym
x' = m y '+ m ; m = ; m =
ym +1 ym ym +1 ym
MDULO IV.- Modelacin directa

Gravedad
B) LAMINAS DE PLANTA VARIABLE
Finalmente la integracin segn z se resuelve subdividiendo
el volumen en lminas de espesor dh a una profundidad hi:

M
g = Gh hn ( z ' , hn ) = hn [atan( m +1,n ) atan( m ,n )]
N N

n =1 n =1 m =1
MDULO IV.- Modelacin directa

Gravedad
C) MODELACION 2-D

Para cuerpos que se extienden


en forma infinita en una
direccin (p.ej cuencas
sedimentarias elongadas en
direccin del rumbo), la
integral de volumen se
transforma en una integral de
superficie (integrando entre - y
X

+infinito en direccin y:
potencial logartmico), cuya
gravedad corresponde a:

z ' dx ' dz '


g = 2G 2 2
S
x' + z ' Z
MDULO IV.- Modelacin directa

Gravedad
C) MODELACION 2-D
Esta integral de superficie puede tambien expresarse como una
integral de lnea mediante la aplicacin del teorema de stokes:

z ' dx' dz ' x'


g = 2G 2 2 = 2G atan dz '
S
x' + z ' z'
Esta integral de lnea se discretiza en trazos rectos que simulan
en forma aproximada la geometra del cuerpo anmalo:

N
n rn +1
g = 2G 2
log n ( n +1 n )
n =1 1 + n rn
xn +1 xn
x' = n z '+ n ; n = ; n = xn n z n
z n +1 z n
rn = xn2 + z n2 ; n = atan( z n / xn )
MDULO IV.- Modelacin directa

MAGNETISMO
P(x,y,z)
Potencial Magntico en cuerpo magnetizado
de forma arbitraria
Un cuerpo magnetizado de volumen M(x',y',z')
V puede ser discretizado en dipolos r
magnticos cuya distancia dipolar
sea considerablemente superior a la
distancia entre el punto de
observacin y la fuente. El potencial
V
magntico diferencial de cada dipolo
al interior del volumen V

A = M (r ' ) cosr 2 = M (r ' ) ( r1' )


corresponde a:

En consecuencia el potencial
magntico de todo el volumen A(r ) = M (r ' ) ( r 1 r ' )dv'
V se expresa como: V
MDULO IV.- Modelacin directa

Si la magnetizacin es uniforme no depende del volumen de


integracin y puede ser ubicada fuera de la integral en conjunto con
el operador gradiente:
A(ro ) = M (ro ) ( r 1 r )dv
o
V

La expresin anterior permite establecer una importante relacin


entre el potencial magntico y gravitario para el caso de
distribuciones homogneas de densidad y magnetizacin:

A(ro ) = M ( ro )
G ( ro ) U (Relacin de Poisson).

Gm
Fuerza gra vitacional F = = U U (r ) = Gm
r2
r
o bien para una distribucin en un volumen dado :
U (ro ) = G dm
r ro
= G dv
r ro
= G dv
r ro
(densidad constante)
v v v
MDULO IV.- Modelacin directa

Relacin de Poisson:
A(ro ) = M ( ro )
G ( ro ) U

Si pensamos en una carga magntica distribuida en


un volumen de integracin:

1
A(r ) M (r ) dv
V r ro
1
H = A = M (r ) dv
s r ro
MDULO IV.- Modelacin directa

Si la direccin de magnetizacin es la misma en todo


el volumen de integracin entonces:

dv
M = M

H =
s
M (r )
r ro

Al igual que en gravimetra, es posible derivar una


expresin similar del potencial magntico para
cuerpos infinitamente extendidos en la direccin del
rumbo. Utilizando la relacin de Poisson se obtiene:

A(r ) = 2 M (r ' ) log( r 1 r ' )ds '


s
MDULO IV.- Modelacin directa

Si la magnetizacin es constante, entonces podemos


expresar el efecto magntico de un cuerpo de forma
arbitraria como:
dv
H (ro ) = M (ro )

s
r ro
N
Donde es la direccin de
magnetizacin del cuerpo
d
magnetizado:
i
E
La derivada direccional en M ()
direccin se expresa en un
sistema cartesiano como:
Z

= cos(i ) cos(d ) + cos(i ) sin(d ) + sin(i )
x y z
MDULO IV.- Modelacin directa

En la prctica sin embargo el magnetmetro registra


el campo magntico del cuerpo anmalo superpuesto
al campo magntico terrestre, y por razones del
principio fsico utilizado para efectuar la medicin del
campo (ver recuadro), solo se registra la componente
paralela al campo ambiente en el lugar de medicin.

H = H o + H , peroH << H o
A
T H = A =

H
= cos( I ) cos( D ) + cos( I ) sin ( D ) + sin ( I )
x y z
T
: direccin del campo magntico terrestre,
I , D : inclinaci n y declinacin del campo magntico

Ho
MDULO IV.- Modelacin directa

En caso de cuerpos magnetizados por induccin


( = ; => M = Fo):
2
T (ro ) = ' Fo
2
v
1
r ro
dv

Para el caso de vectores no coincidentes (remanencia


pura): 2

T (ro ) = M

v
1
r ro
dv

En el caso mas general:


M = M o + ' Fo
MDULO IV.- Modelacin directa

EJEMPLO: MODELACION MAGNETICA DE DIQUE


VERTICAL

En el captulo de gravedad se demostr que la integral


de volumen:

v
1
r ro dv

Puede expresarse como una integral de superficie bajo


el supuesto que el cuerpo presenta simetra cilndrica
(se extiende infinitamente en direccin del rumbo):
1
v
1
r ro
dv = 2 log(
s
r ro
)ds
MDULO IV.- Modelacin directa

En consecuencia el potencial magntico en dos


dimensiones se expresa como:

A ( ro ) = 2 M log ( r 1 r ) ds
o
s


A(ro ) = 2 M x log( r r )ds + z log( r r )ds
1 1

x s z s
o o

x : cos(i ) cos(d ); z : sin(i ) N


N.M.
Y


A(ro ) = 2 M x ds + z
d

2 ds
x z
2
r ro r ro
s s
E

X
MDULO IV.- Modelacin directa

El campo magntico total se expresa entonces como:

A A
T = A(ro ) = x + z
x z

x : cos( I ) cos( D ); z : sin( I )


x x ds + z +
x z
ds
x s r ro r ro

T = 2 M
s


z x ds + z ds
x z

z s r ro
s
r ro

MDULO IV.- Modelacin directa


2 x z ds +
x x

z 2 x 2 ds +
r ro
4 z r ro
4

s s
T = 2 M


z x
s
2 x z ds +
r ro
4 z x 2 z 2 ds
r ro
4

s

T = 2 M { x [ xU xx + zU xz ] + z [ xU xz zU xx ]}

U xx =

s
z 2 x 2 ds;
r ro
4
U xz =

s
2 x z ds
r ro
4
MDULO IV.- Modelacin directa

Si el cuerpo esta magnetizado por induccin:

x = x = cos(i ) cos(d )
z = z = sin(i )

[
U cos 2 (i ) cos 2 (d ) sin 2 (i )
T = 2 M xx
]+
2 U xz [cos(i ) cos(d ) sin(i )]

En consecuencia para resolver el campo total es


necesario conocer los cosenos directores y las integrales:

U xx =

s
z 2 x 2 ds;
r ro
4
U xz =

s
2 x z ds
r ro
4
MDULO IV.- Modelacin directa

Evaluando estas integrales para un punto x distinto del


origen:

[ [
z 2 ( x xo ) 2 2( x xo ) z
U xx = U xz =
] ]
ds; ds
2 2 2 2
( x xo ) 2 + z ( x xo ) 2 + z
s s
x=0 x
Para una geometra h
correspondiente a un dique vertical:

2d

z

MDULO IV.- Modelacin directa

x = d z =

[
2( x xo ) z
U xz =
]
dx dz
2 2
( x xo ) 2 + z
x = d z = h
Integrando c/r a z:
x=d


( x xo )
U xz =
[(x x ) +h ]
dx
2 2
o
x = d

Integrando c/r a x:

1
[ + d 1
U xz ( xo ) = log ( x xo )2 + h2 d = log
2 2
] ( d + xo ) 2
+
(d + xo )2 + h2
h 2
MDULO IV.- Modelacin directa

[
z 2 ( x xo ) 2
U xx =
]
dx dz
2 2
( x xo ) 2 + z
d h

Integrando c/r a x / z:

h h
U xx = arctan arctan
xo + d xo d
MDULO IV.- Modelacin directa

1 (d + xo ) 2 + h 2
U xz ( xo ) = log
2 ( d + xo ) 2 + h 2
4
U xz
2
U xx
0

-2

-4
-5000 -4000 -3000 -2000 -1000 0 1000 2000 3000 4000 5000

h h
0
U xx = arctan arctan
-1000 o
x d o
x + d
-2000

-5000 -4000 -3000 -2000 -1000 0 1000 2000 3000 4000 5000
MDULO IV.- Modelacin directa

Para variaciones
del ngulo de
inclinacin vemos
que la componente
par es mxima en
los polos y mnima
en el ecuador.
A su vez la
componente impar
es nula en los polos
y ecuador y dipolar
antisimtrica para
inclinaciones
positivas y
negativas
MDULO IV.- Modelacin directa

cos 2 (i ) cos 2 (d )
U xx +
T = 2 M sin 2 (i )

2 U xz [cos(i ) cos(d ) sin(i )]
MDULO IV.- Modelacin directa

MODELACION DE CUERPO 2-D DE FORMA ARBITRARIA (MODELO


DE TALWANI): MAGNETISMO
X

Siguiendo el desarrollo expuesto


para la modelacin gravitatoria y
la relacin de Poisson, debemos
discretizar el contorno del cuerpo
en trazos rectos, de tal forma que
el efecto gravitatorio de cada Z

segmento es equivalente a la X
modelacin de un dique 1
2
r1 A (X1, Z1)

horizontal: r2

B (X2, Z2)

[
U cos 2 (i ) cos 2 (d ) sin 2 (i )
Tl = 2 M xx
]+
2 U xz [cos(i ) cos(d ) sin(i )]
Z
MDULO IV.- Modelacin directa

Donde es necesario evaluar:

[ [
z 2 ( x xo ) 2 2( x xo ) z
U xx = U xz =
] ]
ds; ds
2 2 2 2
( x xo ) 2 + z ( x xo ) 2 + z
s s

De acuerdo a los siguientes lmites:


z2 z2


z ( x xo )
2 2 2( x xo ) z
U xx = U xz =
[(x x ) + z ] [(x x ) + z ]
dz dx dz dz
2 2 2 2 2 2
o
z1 c + m z
o
z1 c + m z

La solucin de ambas integrales expresadas en trminos


de la geometra del dique horizontal es:
r
U xx = ( 2 1 ) sin( ) 2 cos( ) sin( ) log 2
r1
r
U xz = ( 2 1 ) cos( ) sin( ) + sin( ) 2 log 2
r1
MDULO IV.- Modelacin directa

X
r2 r1
U xx = ( 2 1 ) sin( ) cos( ) sin( ) log
2 1
2
A (X1, Z1)

r1 r2

B (X2, Z2)
r2
U xz = ( 2 1 ) cos( ) sin( ) + sin( ) log
2

r1

O bien en forma compacta en trminos de las


coordenadas de ambos vrtices:
2
z21 z21 x21 r2
U xx = ( 2 1 ) log
2 2 2 2
x21 + z21 x21 + z 21 r1

z21 x21 2
z21 r2
U xz = ( 2 1 ) + log
2 2 2 2
x21 + z21 x21 + z 21 r1

x21 = x2 x1; z21 = z 2 z1; r1 = sqrt ( x12 + z12 ); r2 = sqrt ( x22 + z 22 )


MDULO IV.- Modelacin directa

Al efectuar la suma de todos los segmentos del cuerpo que


definen diques horizontales, se recupera una integral de lnea
correspondiente al cuerpo a modelar dado que las integrales
del flanco derecho se suman con signo opuesto para
descontar el aporte del cuerpo que se extiende hasta infinito
(comn para todos los diques horizontales) :

Ttot = Tl
X

Z
MDULO IV.- Modelacin directa

-ANOMALIA MAGNTICA DIPOLAR


-ANOMALIA GRAVIMETRICA MONOPOLAR CENTRADA EN EL CUERPO
-DISMINUCIN DE AMPLITUD CON EL CUADRADO DE LA DISTANCIA
EN GRAVEDAD Y EL CUBO DE LA DISTANCIA EN MAGNETISMO
-AUMENTO DE LONGITUD DE ONDA A MAYOR PROFUNDIDAD
MDULO IV.- Modelacin directa

ANOMALIA RESULTANTE DE LA SUPERPOSICION DE CUERPOS


ANOMALOS ES IGUAL A LA SUMA DE LOS EFECTOS
INDIVIDUALES
MDULO IV.- Modelacin directa
TEORIA DE MUESTREO ALIASING: AL MUESTREAR LA ANOMALIA
CON UN INTERVALO INFERIOR AL TAMAO DEL CUERPO LA
ANOMALIA NO ES RESUELTA EN FORMA COMPLETA

DX=5M

DX=150 M
MDULO IV.- Modelacin directa

CUERPOS TRIDIMENSIONALES:
MDULO V.- ANALISIS EN DOMINIO DE FRECUENCIAS

MODULO 5: ANALISIS
DOMINIO DE LAS
FRECUENCIAS
MDULO V.- ANALISIS EN DOMINIO DE FRECUENCIAS

Introduccin al Anlisis de Fourier

La Transformada de Fourier de una funcin f(x) se define como:


F(k) =

-
f(x)e-ikx dx k= 2/ Nmero de Onda

La Transformada de Fourier ser en general una funcin compleja


(F(k)=ReF(k)+iImF(k)) y podr ser escrita como:

F(k) = F(k)ei(k) donde:

F(k)= [(ReF(k))2+(ImF(k))2]1/2 y (k) = Tan-1 ImF(k)


ReF(k)

La Transformada inversa de f(x) ser:


f(x) = 1
2 -
F(k)eikx dk
MDULO V.- ANALISIS EN DOMINIO DE FRECUENCIAS

Algunas Propiedades de la Transformada de Fourier


- Es un operador lineal :
FT[af(x)+bg(x)] = aF(k) + bG(k)
- Hermitiana:
f(x) es real F(k) = F*(-k) (* Complejo Conjugado)

- Un desplazamiento en el dominio del espacio (tiempo), equivale a un


cambio de fase en el dominio de la frecuencia:
f(x-x0) F(k) e-ikx0

- Derivadas :
dn
FT[ f(x)] = (ik)nF(k)
dx n

- Sistemas Lineales y Convolucin :

f(x) g(x) = f(x)*h(x) (* Convolucin)


h(x)

En el dominio de las frecuencias, G(k) = F(k)H(k)


MDULO V.- ANALISIS EN DOMINIO DE FRECUENCIAS

Transformada de Funciones Tpicas


MDULO V.- ANALISIS EN DOMINIO DE FRECUENCIAS

Aliasing

Frecuencia de Nyquist = fn = 1 / 2 Intervalo de Muestreo


MDULO V.- ANALISIS EN DOMINIO DE FRECUENCIAS

Continuaciones Analticas

Partiendo del teorema de Green,

[U V V U]dv = [U V
2 2
n
- V U ]ds
n
R S

y considerando U = potencial gravitatorio


V = 1/r (r = distancia a un punto P fuera de R)

Es posible llegar al siguiente resultado (Blakely, 1995 pp.313-316) :


g(x,y,z)
- -
z
g(x,y,z) = dxdy
2 R3

Donde z=z-z y R= ((x-x)2+(y-y)2+z2)1/2


MDULO V.- ANALISIS EN DOMINIO DE FRECUENCIAS

Continuaciones Analticas

Si nos alejamos de la fuente hablaremos de Continuacin Hacia


Arriba (Upward Continuation), mientras que si nos acercamos a la
fuente hablaremos de Continuacin Hacia Abajo (Downward
Continuation). En este ltimo caso, la expresin tendr validez slo
mientras estemos fuera del volumen (2U=0).

Este resultado es directamente generalizable para el campo magntico.

Veamos la transformada de Fourier de la expresin obtenida:


g(x,y,z)
- - -
-
z -i(kxx+kyy)
Fz(Kx,Ky) = [ 2 dxdy ] e dxdy
R3

Haciendo el cambio de variables x1=(x-x) & y1=(y-y) y reagrupando


trminos, otenemos:
MDULO V.- ANALISIS EN DOMINIO DE FRECUENCIAS

Continuaciones Analticas

- -g(x,y,z) e
-i(kxx+kyy) z -i(kxx1+kyy1)
Fz(Kx,Ky) = dxdy e dx1dy1
2R3
- -
z - 1
Pero R3 = z R )
( propiedades y la TF(1/R) (Blakely, pp.271-273):

2 2
-lzl(kx+ky)1/2
Fz(Kx,Ky) = Fz(Kx,Ky) e Continuacin Hacia Arriba

2 2
|z|(kx+ky)1/2
Fz(Kx,Ky) = Fz(Kx,Ky) e Continuacin Hacia Abajo

- Procedimiento en tres pasos: Transformada/Filtro/Antitransformada


- Forma del Filtro (Pasa Bajo/Pasa Alto)
MDULO V.- ANALISIS EN DOMINIO DE FRECUENCIAS

EJEMPLO DE
CONTINUACIO
N SOBRE
CUERPOS
TEORICOS
MDULO V.- ANALISIS EN DOMINIO DE FRECUENCIAS
EJEMPLO DE
CONTINUACIO
N SOBRE
CUERPOS
TEORICOS:
CONTINUADO
1000M
ARRIBA
MDULO V.- ANALISIS EN DOMINIO DE FRECUENCIAS

EJEMPLO DE
CONTINUACIO
N SOBRE
CUERPOS
TEORICOS:
CONTINUADO
1000M ABAJO
MDULO V.- ANALISIS EN DOMINIO DE FRECUENCIAS

CONTINUACION HACIA ARRIBA


(MAGNETISMO)
OBSERVACION OBSERVACION CONTINUACION
1000M ARRIBA 1000M ARRIBA
MDULO V.- ANALISIS EN DOMINIO DE FRECUENCIAS

CONTINUACION HACIA ARRIBA


(GRAVEDAD)
OBSERVACION OBSERVACION CONTINUACION
1000M ARRIBA 1000M ARRIBA
MDULO V.- ANALISIS EN DOMINIO DE FRECUENCIAS

CONTINUACION HACIA ABAJO + FILTRO PASABAJO


DE 1000M (MAGNETISMO)

OBSERVACION CONTINUACION
OBSERVACION 1000M ABAJO 1000M ABAJO
MDULO V.- ANALISIS EN DOMINIO DE FRECUENCIAS

CONTINUACION HACIA ABAJO + FILTRO PASABAJO


DE 1000M (GRAVEDAD)

OBSERVACION CONTINUACION
OBSERVACION 1000M ABAJO 1000M ABAJO
MDULO V.- ANALISIS EN DOMINIO DE FRECUENCIAS

Continuaciones Analticas
- Condiciones para la existencia de la antitransformada ?
- Aplicaciones de las Continuaciones Analticas

Continuaciones Analticas a Superficies Arbitrarias


Continuation of Potential Fields Between Arbitrary Surfaces
Geophysics Vol.49 pp.787-795; Hansen & Miyazaki

Porque puede ser util en algunos casos ?

(,) r
D
1
(x,y,z) = 2
dS
r3
La geometra del problema se muestra
en la figura, y consiste en ubicar una
capa equivalente de dipolos entre la
superficie de observacin y las fuentes.

Dicha capa equivalente debe reproducir


los datos observados.
MDULO V.- ANALISIS EN DOMINIO DE FRECUENCIAS

Continuaciones Analticas a Superficies Arbitrarias

- El problema se reduce entonces a resolver una ecuacin integral


de Fredholm para un campo escalar, una vez hecha la eleccin
adecuada de la capa equivalente y de la direccin de
magnetizacin de los dipolos.

- El sistema ser mas estable mientras mas cerca est del nivel de
observacin (z mximo).

- Si la superficie a continuar est por sobre el nivel de


observacin, la solucin ptima se encontrar ubicando los dipolos
en la superficie de observacin y en los mismos puntos de grilla.

- La unicidad de la solucin (continuacin) est garantizada por las


condiciones impuestas a .
1) Debe satisfacer la ecuacin de Laplace en la regin sobre D.
2) Debe anularse cuando z .
3) Debe reproducir los datos observados.
MDULO V.- ANALISIS EN DOMINIO DE FRECUENCIAS

Derivadas
Vimos dentro de las propiedades de la FT:

dn
FT[ f(x)] = (ik)nFT(f(x))
dx n

En 2-D tendremos por lo tanto que (iKx)n e (iKy)n, son filtros que
transforman la funcin medida en sus derivadas espaciales respecto
a x e y respectivamente.

- Procedimiento en tres pasos: Transformada/Filtro/Antitransformada


- Forma del Filtro (Pasa Alto)
- Aplicaciones de las Derivadas
- Segunda Derivada Vertical
Consecuencia Directa de la Ecuacin de Laplace
2U 2U 2U
+ + = 0
x2 y2 z 2

2f(x,y)
FT[ ] = (Kx2 + Ky2) FT[f(x,y)]
z2
MDULO V.- ANALISIS EN DOMINIO DE FRECUENCIAS

Reduccin al Polo
La relacin de Poisson establece:

M M
A(r) = g = U(r)
G G

Donde A Pot. Magntico; U Pot. Gravitatorio; Dir. Mag. Fuente



Si tomamos la derivada en la direccin del c.m.t. ( t ), obtenemos:

M 2
(1) T(r) = U(r) con T Campo mag. cuerpo anmalo
G t

Analogamente, la anomala terica que producir el mismo cuerpo en


el polo magntico ser:

t = ai+bj+ck
M 2
(2) Tpolo(r) = U(r)
G z2 = i+j+k
MDULO V.- ANALISIS EN DOMINIO DE FRECUENCIAS

Reduccin al Polo
Tomando FT a las ecuaciones (1) y (2) e igualando FT[U(r)],
obtenemos:

FT[Tpolo(r)] = FP(kx,ky) FT[T(r)]

Con Kx2 + Ky2


FP(kx,ky) =
[iakx+ibky+c(kx2 + ky2 )1/2] [ikx+iky+(kx2 + ky2 )1/2]

- Procedimiento en tres pasos: Transformada/Filtro/Antitransformada


- Aplicaciones
- Que pasa en bajas latitudes geomagnticas (I<20) ?
ky
r

En polares kx=rcos() ; ky=rsin()


kx
MDULO V.- ANALISIS EN DOMINIO DE FRECUENCIAS

REDUCCION AL POLO

OBSERVACION REDUCCION AL
OBSERVACION I=90 POLO
MDULO V.- ANALISIS EN DOMINIO DE FRECUENCIAS

Reduccin al Polo (Baja Latitud Geomagntica)


Norte

Adems: =cosIcosD ; a=cosI0cosD0 D


=cosIsinD ; b=cosI0sinD0 I Este
=sinI ; c=sinI0

t
Y escribiendo el FP en estos trminos, tendremos:

1
FP() =
[icosIcos(D- )+sinI] [icosI0cos(D0- )+sinI0]

Claramente este filtro no tiene dependencia radial y para valores


bajos de I0 y en la direccin = D090, el filtro presentar valores
muy altos, que amplificarn el ruido presente en el espectro de
frecuencias del campo observado y el campo reducido al polo
resultar completamente contaminado.

Como ha sido enfrentado este problema ?


MDULO V.- ANALISIS EN DOMINIO DE FRECUENCIAS

Reduccin al Polo (Baja Latitud Geomagntica)


-Aplicacin de filtros pasa-banda
- Como un problema de inversin
Reduction to the Pole as an Inverse Problem and its Application to Low-
Latitude Anomalies. J. Silva., Geophysics Vol.51 N2 pp.369-382.
Se determina una capa equivalente de dipolos que reproduce los
datos observados, y luego se calcula su efecto en el polo magntico
(I=90).
Problemas prcticos: es necesario resolver un sistema lineal
grande, de naturaleza inestable (mal condicionado).
- Aplicando un Filtro de Wiener
Reduction to the Pole at Low Latitudes by Wiener Filtering. R. Hansen and
R. Pawlowski. Geophysics Vol.54 N12 pp.1607-1613.
Se estiman a partir del espectro de potencia de los datos
observados, sus componentes de seal y ruido, y luego se disea
un filtro que minimiza el cuadrado de los errores. Los resultados son
satisfactorios y tiene todas las bondades numricas de operar en el
dominio de Fourier. Este algoritmo fue posteriormente mejorado en:
Geophysics Vol.61 N1 pp.131-137
MDULO V.- ANALISIS EN DOMINIO DE FRECUENCIAS

Reduccin al Ecuador
Tal como la Reduccin al Polo, la Reduccin al Ecuador puede ser
realizada como una transformacin lineal y puede ser usada como
una alternativa a la Reduccin al Polo en bajas latitudes
geomagnticas, donde sta presenta ciertas inestabilidades.

El filtro de Reduccin al Ecuador puede ser expresado como:

FE() = FP()[sinDsinD0sin2 + sin(D+D0)sincos + cosDcosD0cos2]

Transfer Properties of the Reduction of Magnetic Anomalies to the


Pole and to the Equator. K. Kis., Geophysics Vol.55 N9 pp.1141-1147

Este filtro producir una anomala simtrica (con polaridad cambiada)


y centrada sobre la fuente magntica.

Tambin presenta inestabilidades en ciertas direcciones, pero en


general su performance es mejor que la del filtro de reduccin al
polo en bajas latitudes geomagnticas.
MDULO V.- ANALISIS EN DOMINIO DE FRECUENCIAS

Seal Analtica
Corresponde a la envolvente de energa de las anomalas magnticas y
no depende de la direccin de magnetizacin de las fuentes.

La amplitud de la Seal Analtica tendr directa relacin con la


intensidad de la magnetizacin, y presentar valores mximos sobre los
bordes de las fuentes magnticas.
MDULO V.- ANALISIS EN DOMINIO DE FRECUENCIAS

Seal Analtica
Se define como:

AS(x,y,z) = (Tx2 + Ty2 + Tz2)1/2

Donde Tx, Ty, Tz corresponden a los gradientes (derivadas) en las


direcciones x, y, z respectivamente, que pueden ser fcilmente
calculados en el dominio de Fourier.

El ruido presente en los datos observados, es amplificado al calcular la


Seal Analtica (recordar que las derivadas equivalen a filtros pasa-
alto), por lo que es recomendable filtrar las altas frecuencias antes de
calcular AS.

An Analytic Signal Approach to the Interpretation of Total Field


Magnetic Anomalies. Shuang Qin., Geophysical Prospecting Vol.42
pp.665-675
MDULO V.- ANALISIS EN DOMINIO DE FRECUENCIAS

REDUCCION AL POLO VS SEAL ANALITICA

OBSERVACION REDUCCION SEAL


I=90 AL POLO ANALITICA
MDULO V.- ANALISIS EN DOMINIO DE FRECUENCIAS

Planos de derivadas: Utilizados para discriminar


tendencias y contactos en los datos. En el dominio de las
frecuencias una derivada de orden n se expresa como:
dn
TF n f ( x) = (ik x ) TF [ f ( x)]
n

dx

Si estas derivadas incluyen la direccin z hay que tener


presente la relacin: 2 2 2
d T d T d T
2T = 0 = 2 + 2 + 2
dx dy dz
De tal manera que las derivadas c/r corresponden a:

d nT 1
[ ]
n
== TF k
x
2
+ k 2
y TF T
dz n
MDULO V.- ANALISIS EN DOMINIO DE FRECUENCIAS

PLANOS DE DERIVADAS EN MAGNETISMO

POLO 1a DER.X POLO 1a DER.Y POLO 2a DER.Z


MDULO V.- ANALISIS EN DOMINIO DE FRECUENCIAS

Anlisis Espectral en Cuerpos Prismticos

Si F(kx,ky) es la transformada de Fourier de una funcin f(x,y), el


espectro de energa (espectro de amplitudes), estar dado entonces
por:
2
E(kx,Ky) = F(kx,ky)F*(kx,ky) = F(kx,ky)

Consideremos las siguientes geometras:


x
y t(l,m,n)

h
2b
2a d
e << h

z c) Lmina Rectangular
b) Prisma Finito

s(L,M,N)
a) Prisma Infinito
MDULO V.- ANALISIS EN DOMINIO DE FRECUENCIAS

Anlisis Espectral en Cuerpos Prismticos

El espectro de energa para estos cuerpos esta dado por las siguientes
relaciones :

sin2kxa sin2kyb
a) Ep.i.(r,) = 42S2e-2hr[R t()Rs()]
(kxa)2 (kyb)2
b) Ep.f.(r,) = Ep.i.(r,) (1-e-dr)2

c) EL.R.(r,) = Ep.i.(r,) (tr)2

Donde kx=rcos ; ky=rsin y Rt() = [n2 + (lsin +mcos)2]


Rs() = [N2 + (Lsin +Mcos)2]

Statistical Models for Interpreting Aeromagnetic Data. Spector A.,


Grant F.S., Geophysics Vol.35 pp.293-302
MDULO V.- ANALISIS EN DOMINIO DE FRECUENCIAS

Anlisis Espectral en Cuerpos Prismticos

De las relaciones anteriores se puede concluir que, en general el


espectro de energa de un cuerpo prismtico puede ser descrito como:

E(kx,Ky) = KH(h,d,e) RtRsG

Donde K es un trmino constante proporcional al cuadrado de la


magnetizacin; H es un factor que depende bsicamente de la
profundidad al techo de la fuente (especialmente para el prisma
infinito) y del espesor de la fuente; Rt y Rs dependen slo de las
direcciones del campo y la magnetizacin; y finalmente G es un
factor que depender de la geometra del modelo.

El anlisis entonces del espectro de energa, teniendo en mente estos


resultados, permitira eventualmente estimar la profundidad a la
fuente y posibles direcciones de magnetizacin.

Complicaciones prcticas ?
MDULO VI.- PROCESO DE DATOS

MODULO 6: PROCESO DE DATOS


MDULO VI.- PROCESO DE DATOS

DOMINIO DE LA FRECUENCIA

Se ha visto en clases anteriores la teora sobre el tratamiento


de datos en el dominio de la frecuencia orientado a
la
obtencin de diversos sub-productos que son utilizados en la
interpretacin de datos de potencial:

continuaciones analticas
planos de derivadas
reduccin al polo
seal analtica

En este mdulo veremos en forma detalla el proceso de


datos necesario para la obtencin de estos subproductos
sobre un set de datos.
MDULO VI.- PROCESO DE DATOS

Ecuaciones

La formulacin matemtica de cada uno de los procesos


anteriores en el dominio de las frecuencias corresponde a:

continuaciones analticas

(
Fz + z (k x , k y ) = Fz ( k x , k y ) exp z k x2 + k 2y )
planos de derivadas

dn
FT n f ( x) = (ik ) FT ( f ( x))
n

dx
MDULO VI.- PROCESO DE DATOS

Ecuaciones

reduccin al polo
[ ]
FT T polo ( x, y ) = FP (k x , k y ) FT (T ( x, y ))
k x2 + k 2y
FP (k x , k y ) =
[i(ak + bk )+ c(k
x y
2
x + ky ) ] [i(k
2 1/ 2
x (
+ k y ) + k + k y
2
x ) ]
2 1/ 2

seal analtica

(
AS ( x, y, z ) = T + T + T
x
2
y
2
z )
2 1/ 2

dT dT d 2T d 2T
Tx = ; Ty = ; Tz = 2
+ 2;
dx dy dx dy
MDULO VI.- PROCESO DE DATOS

Tratamiento numrico

Para efectuar el proceso de datos en el dominio de la


frecuencia en forma prctica trabajaremos con el siguiente
set de datos correspon-
diente a un levantamien-
to magntico efectuado
en el norte de Chile
(latitud aproximada 15S);
con lneas de medicin
cada 250m y volado a
una altura de 200-300m
sobre el relieve.
MDULO VI.- PROCESO DE DATOS

Tratamiento numrico

Estos datos han sido corregidos por lineas de control voladas


en sentido perpendicular a las lneas de produccin (en
direccin E-W) a fin de reducir los efectos de lnea de
direccin NS. El algortimo de nivelacin utilizado considera
los siguientes pasos:

(1) Indentificar puntos de cruce


(2) Determinar residuos
(3) Minimizar estos residuos
modificando el valor del campo de cada
lnea de produccin de acuerdo a una
funcin lineal simple del campo de
residuos (de orden 0 o 1 en general)
(4) repetir puntos (2) y (3) hasta
alcanzar el ajuste propuesto
MDULO VI.- PROCESO DE DATOS

Tratamiento numrico: nivelacin


MDULO VI.- PROCESO DE DATOS

Tratamiento numrico

El trabajo con lneas de control y la minimizacin de los


residuos se fundamenta en la condicin de las lneas de
control:

Registradas en forma continua, cortando todas las lneas


de produccin, tal que potenciales errores de medicin son
comunes a todas las lneas. En consecuencia al trabajar con
los residuos se estn corrigiendo los errores de nivel en las
lineas de produccin.

Los errores de nivel que pueden ser corregidos de esta forma


se asocian generalmente a problemas con la reduccin de la
estacin base.
MDULO VI.- PROCESO DE DATOS

Tratamiento numrico

Sin embargo hay otro tipo de errores comunes a la adquisicin


de datos areos cuya reduccin es compleja mediante el uso
de lneas de control, y que dicen relacin con la ejecucin de
lneas a distinta altura.

En este caso los puntos de cruce entre lneas de produccin y


control no tienen un significado real ya que el punto de cruce
planimtrico entre lineas de produccin y base no miden el
mismo campo.

Para corregir este tipo de efectos es necesario continuar los


datos a un plano comn de observacin (mediante la
continuacin a superficies arbitrarias).
Por ejemplo en el set de datos utilizados en este ejercicio se
aprecian efectos de lnea importantes:
MDULO VI.- PROCESO DE DATOS
MDULO VI.- PROCESO DE DATOS

Una forma alternativa de eliminar estos efectos de lnea


se describe a continuacin:
a) Continuacin de grilla a altura hi (hacia arriba). Este
valor continuado hacia arriba constituye la tendencia
general

b) Continuacin de cada perfil NS a la misma altura hi

c) Modificar el campo magntico de cada lnea


reemplazando la tendencia regional de cada lnea de
acuerdo al siguiente algoritmo:

Campo lnea(nuevo) =

Campolnea(antiguo) + Continuacingrilla - Continuacinlnea


MDULO VI.- PROCESO DE DATOS

c) Modificar el campo magntico de cada lnea


reemplazando la tendencia regional de cada lnea de
acuerdo al siguiente algoritmo:

Campo lnea(nuevo) =

Campolnea(antiguo) + Continuacingrilla - Continuacinlnea

d) Repetir el procedimiento con alturas decrecientes de


continuacin a fin de reducir tendencias de menor
longitud de onda

Ejemplo de lnea nivelada en diversas iteraciones (notese


que a medida que avanza la iteracin el regional de la
grilla y el perfil individual convergen):
MDULO VI.- PROCESO DE DATOS
MDULO VI.- PROCESO DE DATOS

La solucin de este proceso iterativo se presenta a


continuacin
MDULO VI.- PROCESO DE DATOS

Es importante tener presente que este procedimiento, si


bien muy eficiente, tiende a eliminar todo tipo de
tendencia en la direccin de las lineas de vuelo, por
consiguiente su aplicacin debe efectuarse en forma
cuidadosa, tratando de no involucrar direcciones
estructurales de inters.

A continuacin veremos el tratamiento nmerico


orientado a la obtencin de los subproductos
desarrollados en forma terica. En este proceso
utilizaremos ambas grillas: con ruido producto del efecto
de lneas y la grilla nivelada. El proceso de efectua en
ambiente Matlab
MDULO VI.- PROCESO DE DATOS

La matriz de datos originales es ZZ, el primer paso es


completar la grilla de dimensiones NF, NC hasta la
potencia de 2 mas cercana (nf,nc):

1) Calculo de transformada de Fourier


ZZ1(1:2*nf,1:2*nc)=zeros;
ZZ1(1:NF,1:NC)=ZZ;

A fin de evitar la presencia de soluciones complejas se


desdobla la matriz para asi calcular una transformada de
fourier de una funcin par cuya solucin es real:
ZZ1(1:nf,nc+1:2*nc)=fliplr(ZZ1(1:nf,1:nc));
ZZ1(nf+1:2*nf,1:2*nc)=flipud(ZZ1(1:nf,1:2*nc));

Transformada de Fourier
ZZ_c=fft2(ZZ1,2*nf,2*nc);
MDULO VI.- PROCESO DE DATOS

1) Calculo de transformada de Fourier


contourf(abs(ZZ_c),20)
MDULO VI.- PROCESO DE DATOS

1) Calculo de transformada de Fourier

plot(real(ZZ_c)) plot(imag(ZZ_c))
MDULO VI.- PROCESO DE DATOS

2) Definicin de filtro
Las frecuencias en la transformada de fourier
mapean el espectro en las siguientes frecuencias:

2 (i 1) NC 2 (i 1) NF
Kx = ; i = 1: +1 K = ; i = 1 : +1
NF dy
y
NC dx 2 2
2 (i 1) NC 2 (i 1) NF
Kx = ;i = + 2 : NC K y = ;i = + 2 : NF
NC dx 2 NF dy 2

iix=0:1:nc;
iiy=0:1:nf;
IIx=[iix -
fliplr(iix(2:length(iix)-1))];
IIy=[iiy -
fliplr(iiy(2:length(iiy)-1))];
[freqx,freqy]=
2*pi*meshgrid(IIx/(2*nc*dx),IIy/(2*nf*dx));
MDULO VI.- PROCESO DE DATOS

2) Definicin de filtro

Continuacin analtica:
(
z kx +k y )1 / 2
Fz ( k x , k y ) = Fz ' (k x , k y ) exp

filtro=exp(-h*sqrt(freqx.^2+freqy.^2));

Calculo de la anti-transformada

ZZ_cont1=real(ifft2(ZZ_c.*filtro,2*nf,2*nc));
ZZ_cont=ZZ_cont1(1:NF,1:NC);
MDULO VI.- PROCESO DE DATOS

2a) Continuacin h=500m arriba


contourf(ZZ_cont,[-500:50:500])
MDULO VI.- PROCESO DE DATOS

2a) Espectro de potencia de filtro en funcin de


la frecuencia continuacin hacia arriba
plot(abs(filtro))
MDULO VI.- PROCESO DE DATOS

2b) Continuacin h=500m hacia abajo


contourf(ZZ_cont,[-500:50:500])
MDULO VI.- PROCESO DE DATOS

2b) Espectro de potencia de filtro en funcin denla


frecuencia continuacin hacia abajo: destaca las altas
frecuencias plot(abs(filtro))
MDULO VI.- PROCESO DE DATOS

2b) Dado que se calculo la continuacin hacia


abajo sobre los datos ruidosos hubo una
amplificacin del ruido en las altas frecuencias; si
efectuamos igual proceso sobre datos nivelados
MDULO VI.- PROCESO DE DATOS

2c) Definicin de filtro


Derivadas: dn
TF n f ( x) = (ik x ) TF [ f ( x)]
n

dx
Considerando n=2 y la derivada segn z
2 2 2
d T d T d T
T =0= 2 + 2 + 2
2

dx dy dz
d 2T d 2T
d 2T
[ ]
2 = 2 + 2 = TF 1 (k x2 + k y2 ) TF [T ]
dz dx dy

filtro= (freqx.^2+freqy.^2);

Calculo de la anti-transformada

ZZ_cont1=real(ifft2(ZZ_c.*filtro,2*nf,2*nc));
ZZ_cont=ZZ_cont1(1:NF,1:NC);
MDULO VI.- PROCESO DE DATOS

2c) Definicin de filtro


Derivadas:
MDULO VI.- PROCESO DE DATOS

2c) Definicin de filtro


Derivadas:
MDULO VI.- PROCESO DE DATOS

2d) Definicin de filtro


Reduccin al polo:

[
Tpolo = TF 1 FP(k x , k y , l , m, n, L, M , N ) TF [T ] ]
k x2 + k y2
FP =
[i (lk x + mk y ) + n(k x2 + k y2 )1/ 2 ][i ( Lk x + Mk y ) + N (k x2 + k y2 )1/ 2 ]

freqz=sqrt(freqx.^2+freqy.^2);
freqz(1,1)=complex(1,0);
ang_I=ang_i*pi/180;ang_D=ang_d*pi/180;
l=cos(ang_I)*cos(ang_D);
m=cos(ang_I)*sin(ang_D);
n=sin(ang_I);
filtro_polo=((complex(0,l*freqy+m*freqx)+n*freqz).
*(complex(0,l*freqy+m*freqx)+n*freqz))./(freqz.^2+0.0001);
MDULO VI.- PROCESO DE DATOS

2d) Definicin de filtro


Amplitud de filtro de Reduccin al polo:
MDULO VI.- PROCESO DE DATOS

2d) Definicin de filtro


Reduccin al polo:
MDULO VI.- PROCESO DE DATOS

2d) Definicin de filtro


Reduccin al polo sobre datos ruidosos
en zonas de bajo ngulo:
MDULO VI.- PROCESO DE DATOS

2e) Definicin de filtro


seal analtica:
2
dT dT dT
2 2

SA(T ) = + +
dx dy dz
dT
dx
= TF [i k x TF [T ]];
1 dT
dy
[ ]
= TF 1 i k y TF [T ]

dT
dz
[ ]
= TF 1 (k x2 + k y2 )1/ 2 TF [T ]

Utilizando los filtros de derivadas se contruyen los filtros


individuales de cada trmino:

filtro_x=complex(0.,1.)*freqx;
filtro_y=complex(0.,1.)*freqy;
filtro_z=-(freqx.^2+freqy.^2);
MDULO VI.- PROCESO DE DATOS

2e) Definicin de filtro


seal analtica:
2
dT dT dT
2 2

SA(T ) = + +
dx dy dz

Cada termino se calcula en forma independiente

ZZ_x=real(ifft2(ZZ_c.*filtro_x,2*nf,2*nc));
ZZ_y=real(ifft2(ZZ_c.*filtro_y,2*nf,2*nc));
ZZ_z=real(ifft2(ZZ_c.*filtro_z,2*nf,2*nc));
ZZ_SA1=sqrt(ZZ_x.^2+ZZ_y.^2+ZZ_z.^2);
ZZ_SA=ZZ_SA1(1:NF,1:NC);

Finalmente la seal analitica se determina como la raiz de


la suma cuadratica de los tres trminos.
MDULO VI.- PROCESO DE DATOS

2e) Definicin de filtro


seal analtica:
contourf(ZZ_SA,[0.001:0.005:0.05]);
colorbar
axis equal
MDULO VI.- PROCESO DE DATOS

INTRODUCCION AL TRATAMIENTO DE WAVELETS

Se presenta en este modulo una introduccin a una nueva


tecnica de proceso e intepretacin de datos de potencial
denominada transformadas de wavelets u ondulitas en su
descripcin en espaol.
El anlisis de seales o series de tiempo en forma convencional
utiliza el formulismo de las transformadas de Fourier, visto en
clases. Este tipo de anlisis considera como supuesto bsico que
la seal bajo anlisis es estacionaria.
MDULO VI.- PROCESO DE DATOS

INTRODUCCION AL TRATAMIENTO DE WAVELETS

Si bien para muchos problemas esta suposicin bsica es


claramente aplicable, en otros casos se trata de una sobre
simplificacin que impide determinar por ejemplo algunas de las
siguientes situaciones:
tendencias
cambios abruptos
en general rasgos no estacionarios

En muchos casos estos rasgos constituyen la parte mas


interesante de la seal, en el caso de la teora de potencial puede
asociarse a la presencia de cuerpos anmalos (p. ej. potenciales
zonas con una concentracin anmala de mineral que se esconde
dentro de una seal litolgica regional que representa el rasgo
de tipo estacionario).
MDULO VI.- PROCESO DE DATOS

INTRODUCCION AL TRATAMIENTO DE WAVELETS

Una forma de enfrentar este tipo de situaciones es utilizando el


racional de las trasnformadas de Fourier en bandas limitadas de
tiempo (o espacio): STFT (short time fourier transform).

Si bien esta aproximacin al problema puede resolver en cierta


forma el problema esta muy condicionada por la eleccin de la
venta temporal (o espacial), que una vez elegida impide
determina el espectro de armonicos que van a poder ser
estudiados. Adicionalmente este tratamiento presenta gran
contaminacin por los efectos de borde.
MDULO VI.- PROCESO DE DATOS

INTRODUCCION AL TRATAMIENTO DE WAVELETS

El tratamiento de las transformadas de wavelets propone en


consecuencia una metodologa para resolver los problemas
anteriores: ser capaz de utilizar intervalos de tiempo grandes
para identificar seales de gran longitud de onda, e intervalos de
tiempo corto para resolver problemas de alta frecuencia.

En este esquema vemos que la transformada de wavelets, a


diferencia de la transformada de Fourier, utiliza el dominio de la
escala v/s tiempo (mas adelante veremos la relacin entre escala
y frecuencia).
MDULO VI.- PROCESO DE DATOS

INTRODUCCION AL TRATAMIENTO DE WAVELETS

El anlisis de una serie de tiempo en los dominios antes descritos


se representa esquemticamente de la siguiente forma:

En que consiste entonces la representacin en wavelets?

A diferencia de la transformada de Fourier que utiliza como seal


fundamental una funcin sinusoidal, infinitamente extendido en
el tiempo, la descomposicin de wavelets utiliza una funcin
irregular, asimetrica y limitada temporalmente:
MDULO VI.- PROCESO DE DATOS

INTRODUCCION AL TRATAMIENTO DE WAVELETS

En consecuencia para una dada funcin f(t), la transformada de


fourier se representa como:

En el caso de la transformada de wavelet continua se define


como la suma sobre todo el tiempo del producto de la seal f(t) y
la funcin de wavelet , escalada y desfasada:
MDULO VI.- PROCESO DE DATOS

INTRODUCCION AL TRATAMIENTO DE WAVELETS

Los coeficientes C en la transformada de wavelet son funcin de


la escala y la posicin temporal o espacial.
ESCALAMIENTO
En este contexto el escalamiento de la funcin de wavelet dice
relacin con el estiramiento o acortamiento de la seal en el
espacio o tiempo, y en consecuencia tiene una conotacin en la
longitud de onda de la seal.
Para una sinusoide:
MDULO VI.- PROCESO DE DATOS

INTRODUCCION AL TRATAMIENTO DE WAVELETS

Para una funcin de wavelet:

Es evidente que el escalamiento depende en forma directa de la


longitud de onda de la seal
MDULO VI.- PROCESO DE DATOS

INTRODUCCION AL TRATAMIENTO DE WAVELETS

DESFASE
El desfase de una funcin f(t) es simplemente su representacin
en un dado tiempo k relativo al origen: f(t-k)

Mediante los conceptos de escalamiento y desfase podemos


entonces establecer los pasos necesarios para obtener una
transformada de wavelet:
MDULO VI.- PROCESO DE DATOS

INTRODUCCION AL TRATAMIENTO DE WAVELETS

1) elegir una dada wavelet y comprar con la seal seccin a


seccin.
2) determine el factor C que parametriza la correlacin entre la
funcin wavelet y el segmento bajo anlisis

Ntese que este factor C es funcin del tipo de wavelet elegido,


si el ajuste es exacto entonces C=1 (correlacin mxima)
MDULO VI.- PROCESO DE DATOS

INTRODUCCION AL TRATAMIENTO DE WAVELETS


3) desplazar la funcin wavelet a la derecha y repetir el
procedimiento 1) y 2) hasta completar de recorrer la seal.

4) escalar la funcin de wavelet y repetir los procedimientos 1)


a 3)

5) repetir los procedimientos 1) a 4), para todas las escalas


posibles obteniendo una familia de coeficientes C.
MDULO VI.- PROCESO DE DATOS

INTRODUCCION AL TRATAMIENTO DE WAVELETS


Una vez aplicada la transformacin de wavelet obtenemos una
representacin de la seal en el dominio escalamiento-tiempo en
el cual para cada tiempo tenemos una familia de coeficientes que
nos indican cuan parecida es la seal con un determinado
estiramiento de la funcin de wavelet utilizada.
MDULO VI.- PROCESO DE DATOS

INTRODUCCION AL TRATAMIENTO DE WAVELETS


El escalamiento de la funcin de wavelet dice relacin con la
longitud de onda, aunque no tiene una relacin directa

Escalamientos pequeos => alta frecuencia, detalles en la seal


Escalamientos grandes => baja frecuencia, tendencias regionales

Pese a no existir una relacin directa es importante considerar


que los rasgos en la naturaleza tienen mas relacin con
escalamientos de una determinada forma (comportamiento
fractal) que sinusoides regulares. Por tal razon el disponer de una
herramienta de esta naturaleza probablemente constituye un
avance c/r a la representacin en el dominio de Fourier.
MDULO VI.- PROCESO DE DATOS

INTRODUCCION AL TRATAMIENTO DE WAVELETS


Una forma de aproximar la relacin entre frecuencia y escala es
considerar la frecuencia central, Fc, que caracteriza la frecuencia
dominante de la funcin de wavelet dominante:
La frecuencia Fc
dominante es indicada
por la sinusoide de color
rojo, mientras que la
funcin de wavelet se
representa en color azul.
De tal forma que para
una dada dilatacin a y
un intervalo de muestreo
la frecuencia asociada
se expresa como:

Fc
Fa =
a
MDULO VI.- PROCESO DE DATOS

INTRODUCCION AL TRATAMIENTO DE WAVELETS


FILTRADO DE SEAL

El tratamiento normal de una seal corresponde a extaer las


altas y bajas frecuencias en procesos denominados como filtrado
de pasa alto y bajo:

En este esquema la seal S es descompuesta en una componente


de baja frecuencia (A: aproximacin), y otra componente de alta
frecuencia (D: detalles)
MDULO VI.- PROCESO DE DATOS

INTRODUCCION AL TRATAMIENTO DE WAVELETS


FILTRADO DE SEAL

En el dominio de wavelets este proceso se efecta reduciendo el


nmero de puntos de muestreo. La reconstitucin de la seal
filtrada se basa en los coeficientes cD (para los detalles) y cA
(para la aproximacin).
MDULO VI.- PROCESO DE DATOS

INTRODUCCION AL TRATAMIENTO DE WAVELETS


FILTRADO DE SEAL

Este proceso de filtrado se puede efectuar en forma iterativa


extrayendo las seales de mas alta frecuencia:
MDULO VI.- PROCESO DE DATOS

INTRODUCCION AL TRATAMIENTO DE WAVELETS


La reconstruccin de la seal original se obtiene incorporando las
seales aproximadas y detalles:
MDULO VI.- PROCESO DE DATOS

INTRODUCCION AL TRATAMIENTO DE WAVELETS


Matemticamente la transformada de wavelet se expresa como:

1 t b
C (a, b) = s (t ) ( )dt
R a a
C (a, b) : coeficientes de transformada wavelet
s (t ) : seal
: funcin wavelet
a : escalamiento o dilatacin
b : desfase
La respectiva transformada inversa se expresa como:

1 1 t b dadb
s (t ) =
K R ' R C (a, b) a ( a ) a 2
MDULO VI.- PROCESO DE DATOS

INTRODUCCION AL TRATAMIENTO DE WAVELETS


La funcin de wavelet debe cumplir algunas condiciones bsicas:

Debe tender suavemente a cero para x en infinito

La integral en todo el espacio es nula:

dt = 0
R'

Momentos de la funcin de wavelet son identicamente


nulos:

dt = 0, n = 0,1,... p
n
t
R'
MDULO VI.- PROCESO DE DATOS

INTRODUCCION AL TRATAMIENTO DE WAVELETS


Algunas funciones de wavelet:

2 1/ 4
( )
2
2 x2
( x) = 1 x e
3

x2
( x) = Ce 2
cos(5 x)
MDULO VI.- PROCESO DE DATOS

APLICACIN DE WAVELETS
Deteccin de tendencias
MDULO VI.- PROCESO DE DATOS

APLICACIN DE WAVELETS
Deteccin de discontinuidades
MDULO VI.- PROCESO DE DATOS

APLICACIN DE WAVELETS
Eliminacin de ruido
MDULO VI.- PROCESO DE DATOS

APLICACIN DE WAVELETS
Compresin de imagen: utilizando un 7% de la seal
aproximada se retiene un 97% de la energa original
MDULO VI.- PROCESO DE DATOS

APLICACIN DE WAVELETS
Proceso de datos geofisicos: The wavelet transform in
aeromagnetic processing, Smith & Dentith, Geophysics, 1999,
1003-1013
MDULO VI.- PROCESO DE DATOS

APLICACIN DE WAVELETS
Proceso de datos geofisicos: Identification of sources of potential fields with
the continuous wavelet transform: Complex wavelets and application to aeromagnetic
profiles in French Guiana, Sailhac et al., Geophysics, 2001,

En este trabajo se plantea el uso de algunas propiedades de la


funcin de wavelet que permiten determinar los parametros que
caracterizan a una dada anomala simple. El procedimiento
expuesto puede ser utilizado para la identificacin de anomalas
reales del mismo tipo.
Considerando entonces los coeficientes W de la transformada de
wavelet , asociados a la funcin de potencial : o

1 bx
W o = o ( x ) ( )dx
R
a a
MDULO VI.- PROCESO DE DATOS

APLICACIN DE WAVELETS
Proceso de datos geofisicos: Identification of sources of potential fields with
the continuous wavelet transform: Complex wavelets and application to aeromagnetic
profiles in French Guiana, Sailhac et al., Geophysics, 2001,

En este caso se utiliza las funciones de wavelet del tipo Poisson


para el cual los coeficientes de la transformada de wavelets
exhibe porpiedades simples:
1 2x 1 x2 1
1x ( x) = 1z ( x) =
(x 2 + 1)2 (x 2 + 1)2
MDULO VI.- PROCESO DE DATOS

APLICACIN DE WAVELETS
Proceso de datos geofisicos: Proceso de datos geofisicos: Identification of
sources of potential fields with the continuous wavelet transform: Complex wavelets and
application to aeromagnetic profiles in French Guiana, Sailhac et al., Geophysics, 2001,

Asumiendo por ejemplo un campo magntico generado por una


lnea infinita de fuentes magnticas a una profundidad zo y en un
ngulo con respecto al norte magntico:

( x x )2 ( z z )2 ( x xo ) ( z zo )
T ( x) = 2 cos(2 I ' ) 4 sin(2 I ' )
[ ] [ ]
o o

( x xo ) + ( z zo )
2 2 2
(x xo ) + (z zo )
2 2 2

tan( I )
tan( I ' ) =
cos( D + )
I : inclinacin; D : declinacin; : rumbo
MDULO VI.- PROCESO DE DATOS

APLICACIN DE WAVELETS
Proceso de datos geofisicos: Proceso de datos geofisicos: Identification of
sources of potential fields with the continuous wavelet transform: Complex wavelets and
application to aeromagnetic profiles in French Guiana, Sailhac et al., Geophysics, 2001,

Aplicando la funcin de wavelet anterior se obtiene la siguiente


familia de coeficientes:

2
sinI
W 1 T ( x, a ) = 4 a exp i 2 I ' [( x xo ) + i (a + zo )]
c
sinI '

Utilizando las formulas anteriores para dos cuerpos ubicados a


una profundidad de z=1 con inclinaciones aparentes de I=90 y
I=29, se obtienen los siguientes funciones de campo magntico
y coeficientes de wavelet:
MDULO VI.- PROCESO DE DATOS

APLICACIN DE WAVELETS
Proceso de datos geofisicos: Proceso de datos geofisicos: Identification of
sources of potential fields with the continuous wavelet transform: Complex wavelets and
application to aeromagnetic profiles in French Guiana, Sailhac et al., Geophysics, 2001,

Coeff.
wavelet

campo
MDULO VI.- PROCESO DE DATOS

APLICACIN DE WAVELETS
Proceso de datos geofisicos: Proceso de datos geofisicos: Identification of
sources of potential fields with the continuous wavelet transform: Complex wavelets and
application to aeromagnetic profiles in French Guiana, Sailhac et al., Geophysics, 2001,

En la figura anterior se
aprecia que los
coeficientes tienden a
converger a un valor de
a=-zo para la interseccin
de las dos funciones de
mximo en el dominio
[x,a]. Esta interseccin
puede ser calculada
numericamente tal cual se
aprecia en el diagrama
siguiente
MDULO VI.- PROCESO DE DATOS

APLICACIN DE WAVELETS
Proceso de datos geofisicos: Proceso de datos geofisicos: Identification of
sources of potential fields with the continuous wavelet transform: Complex wavelets and
application to aeromagnetic profiles in French Guiana, Sailhac et al., Geophysics, 2001,

En el trabajo de Sailhac et al., 2001 se presenta una serie de


aplicaciones mas de la transformada de wavelet asumiendo otras
geometrias de cuerpos simples y determinando relaciones
geomtricas en el dominio [a,x] que permiten recuperar los
parametros asociados al cuerpo en forma directa y sin hacer
suposiciones a priori.
La simplicidad de esta metodologa y la capacidad de obtener
resultados para distintas posiciones de observacin constituyen
cualidades muy interesantes para su aplicacin masiva en la
interpretacin de datos de potencial.
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

MODULO 7: TEORIA DE INVERSION EN


DATOS DE POTENCIAL
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA

La cadena de procedimientos que tiene como resultante el


entender un problema geolgico a partir de observaciones
geofsicas involucra el establecer las propiedades fsicas de las
rocas involucradas en los datos instrumentales. Para resolver
este problema se plantean dos estrategias extremas:

Modelacin directa
ma Directo
Proble
Modelacin inversa

Modelo m Datos d

Proble
ma Inverso
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA

La modelacin directa se plantea en general en trminos


iterativos de prueba y error, en el cual los datos u observaciones
se comparan con la respuesta del modelo. Un uso eficiente de
esta metodologa exige un nivel elevado de experiencia en el tipo
de respuesta geofsica del problema geolgico especfico. En
contraposicin, la modelacin inversa deriva los parmetros
directamente de las observaciones.
En algunos caos ideales es posible derivar una teora exacta en la
cual se puedan establecer en forma directa los parmetros del
modelo, sin embargo en condiciones reales esta situacin tiene
una aplicacin muy limitada.
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA

Para problemas concretos el proceso de inversin debe ser


desagregado en dos etapas:

1) determinacin de un modelo estimado


2) inferencias sobre el modelo verdadero
ma Directo
Pr o b l e

Modelo Datos d
verdadero M

me ion
s
P

tro
de es ema
ra ac
in r o b

p a ti m
so fere lem de ob l
ve bre nc a d Estimacion
Pr

rd m ias e
ad o de Modelo m
er d e
o lo

o
vers
Proble In
ma
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA

En teora de inversin el formulismo matemtico difiere si la


descripcin del modelo se fundamenta en parmetros continuos
o discretos, y si el modelo es una combinacin lineal de los
parmetros o bien no lineal. En este seminario efectuaremos una
descripcin del problema inverso partiendo en primer lugar con
el tratamiento del problema discreto lineal y luego las
aproximaciones necesarias para el tratamiento de problemas no
lineales. En una segunda etapa se presentara el problema de
variables de campo continuas, dando una breve resea sobre su
tratamiento y analoga con el problema discreto.
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA
Elementos de lgebra lineal

En problemas de inversin geofsica el espacio comn de


operacin matemtica corresponde al espacio de vectores
lineales.

Los vectores (y matrices) son utilizados en este curso para


definir las observaciones (d=[d1, d2, , dN]T), y parmetros
(p=[p1, p2, ,pM]T).

Notacin :
Letras maysculas itlicas negritas representan
matrices (A, B, C..).

Vectores columna se representan con letras


minsculas itlicas negritas (x, y, m, d,..).
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA
Elementos de lgebra lineal

Se considera conocidas todas las propiedades aditivas,


multiplicativas y distributivas de los espacios vectoriales, mas la
presencia de elemento neutro en la suma y producto por un
escalar en n (vector de n componentes). Para el caso de
matrices se considera el mismo grupo de propiedades pero en el
espacio nxm.
Dos matrices tienen la misma dimensin si el nmero de filas (n)
y columnas (m) son los mismos. Una matriz Anxm, representa a
una matriz de n filas y m columnas de acuerdo a la siguiente
nomenclatura: A1,1 A1, 2 ..... A1, j .... A1,m
A .... .... ....... ...
2 ,1
A= : .... ... ... ..

A
i ,1 ... ... A i, j
A i ,m

An ,1 An , 2 An , j An ,m

MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA
Elementos de lgebra lineal

La traspuesta de esta matriz Anxm, es Bmxn = AnxmT. Es decir los


elementos de la matriz a se permutan de la siguiente forma Bi,j =
Aj,i. Para efectuar una multiplicacin entre dos matrices C=A * B
se debe cumplir que el nmero de filas de la matriz B sea igual al
numero de columnas de la matriz A, tal que el producto en
notacin tensorial se escribe como:

Ci , j = Ai ,k Bk , j = Ai ,k Bk , j
m

k =1

(convencin de suma sobre ndices repetidos)


Si una matriz A es igual a su matriz transpuesta AT, se dice que
se trata de una matriz simtrica. En matrices de nmeros
complejos es comn el uso de matrices Hermitianas que
consisten en el complejo conjugado de la matriz transpuesta.
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA
Elementos de lgebra lineal

Entre matrices y vectores existe un operador lineal que se


denomina producto punto, que permite la multiplicacin de
cada fila de una matriz Anxm por un vector xm:

A x = Ai ,k xk = Ai ,k xk
m

con i = 1, n
k =1

Otras matrices de importancia en la operacin matricial son:


Matriz identidad (en la multiplicacin):
cuyo producto con una matriz A
es siempre A. 1 0 0 0
0 1 0 0
I =
0 0 1 0

0 0 0 1
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA
Elementos de lgebra lineal

Matriz diagonal:
x1 0 0 0
0 x2 0 0
diag ( x1 , x2 ,....., xn ) =
0 0 ... 0

0 0 0 xn

Matriz ortogonal: QT Q = I (veremos mas adelante que el


uso de matrices ortogonales no afecta la mtrica de una
matriz y en consecuencia su aplicacin como operador lineal
constituye solo una rotacin)
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA
Norma de Vectores y matrices:

La informacin en nuestro problema de inversin esta contenida


en vectores y matrices, en consecuencia se debe establecer un
procedimiento para determinar el tamao relativo de cada
matriz o vector. En cantidades escalares el problema se reduce a
determinar el valor absoluto. En vectores y matrices esta
condicin de tamao se generaliza en el concepto de mtrica
llamado norma . Una norma dada se establece como tal si
cumple la siguiente definicin para dos vectores arbitrarios u, v
y un escalar arbitrario :
v > 0, v 0, v = 0, para v = 0
v = v
v+u v + u
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA
Norma de Vectores y matrices:

El tipo de norma mas utilizado en vectores de n esta dado por:

p
1/ p

x = xi , p > 1
n

1
Ejemplo
% determinacin de norma para vector x
% con p=1:9
clear all;
x=[1 2 3 4 20 4 7 1 9];
for i=1:9,
y(i)=norm(x,i);
end
plot(1:9,y);
xlabel('p');
ylabel('Lp');
title('Norma Lp ');
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA
Norma de Vectores y matrices:

Veremos mas adelante que en problemas sobre determinados es


comn el uso de la norma euclidiana (p=2). Para problemas
indeterminados (mas incgnitas que ecuaciones) se utiliza una
norma con p cercano a 1. La eleccin de la norma depende
fuertemente de la estadstica de los datos. Como se ve en el
ejemplo anterior, los valores de mayor amplitud (peso o error)
son ms influyentes en normas de mayor p. En contraposicin la
norma L1 es menos sensitiva a valores alejados de los valores
medios (outliers), por tanto se afirma que es una mtrica que
asegura soluciones mas robustas. En matrices tambin es
posible definir una norma anloga al caso vectorial. En tal
sentido es comn el uso de la norma de Frobenius:
Nota:
traza ( M ) = M i ,i
N


1/ 2

A F =
n m
2
A = traza( AT
A) i =1

i=1
ij
j=1
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA
Dependencia e independencia lineal:

Para una familia de vectores {x1, x2, x3, , xm} de igual


dimensin, la siguiente combinacin lineal:

1x1 + 2x2 + 3x3+ + m xm = 0

indica independencia lineal entre los vectores si esta relacin


slo si se cumple:

1 = 2 = 3 = = m = 0

en caso contrario es posible escribir uno o varios vectores como


combinacin lineal de los restantes vectores, es decir se trata de
vectores linealmente dependientes.
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA
Dependencia e independencia lineal:
Se define el rango (r) de una matriz Anxm, como el nmero de
vectores columna linealmente independientes. Este sub-espacio de
r vectores columna independientes es complementario al
subespacio nulo que es solucin de la siguiente relacin:

Ax=0,

La combinacin lineal de vectores cuyo aporte neto al sistema de


ecuaciones es nulo. Esta solucin es de vital importancia en los
problemas de inversin ya que representa una combinacin lineal
de los parmetros que no puede ser resuelta por el modelo y en
consecuencia denota la falta de unicidad en la solucin (siempre es
posible incorporar el vector solucin en el subespacio nulo). El
rango del subespacio linealmente independiente es r, y el rango del
subespacio nulo es m-r.
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA
Inversin de Matrices:
La inversa a la izquierda (B) de una matriz Anxm perteneciente al
espacio nxm, se define como:
BA=I (I: matriz unitaria),

de igual forma se define la matriz inversa a la derecha (C) como:

A C = I.

Se demuestra que si B y C existen ambas matrices deben ser


idnticas. En un sistema de ecuaciones lineales:

Ax=y

El rango r de la matriz es siempre menor o igual que el nmero de


ecuaciones (n), y solo puede llegar a ser igual a n si existen tantas
ecuaciones como incgnitas.
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA
Solucin de un sistema de ecuaciones lineales

En la solucin de problemas lineales podemos distinguir entonces


dos familias extremas:

Sobre determinados: aquellos problemas en los cuales existen mas


ecuaciones que incgnitas (n m)

indeterminados: aquellos problemas en los cuales existen mas


incgnitas que ecuaciones (m n)

De esta caracterizacin extrema se puede llegar a situaciones


mixtas en la cual es posible identificar segmentos del problema
sobre determinados y otros indeterminados. Un caso tpico de
problemas mixtos lo constituyen las tcnicas tomogrficas en las
cuales algunos dominios son iluminados por varios rayos
mientras otros no reciben iluminacin alguna.
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA
A.Problemas sobre determinados: solucin de mnimos cuadrados

En problemas del tipo: G m = d , la solucin del vector m se


construye efectuando una minimizacin de la norma euclidiana E
del vector error e = d G m, tal que :

E = eTe = (d G m)T (d G m)


E = d i Gij m j d i Gik mk
N M M

i j k

La minimizacin de la norma euclidiana de la discrepancia entre las
observaciones y el modelo compromete la minimizacin
independiente de cada parmetro mq, lo cual entrega un sistema de
M ecuaciones del tipo:
E
= 0 = 2 mk Giq Gik 2 Giq d i ,
M N N

q = 1, M
mq k i i
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA
A.Problemas sobre determinados: solucin de mnimos cuadrados

En problemas del tipo: G m = d , la solucin del vector m se


construye efectuando una minimizacin de la norma euclidiana E
del vector error e = d G m, tal que :

E = eTe = (d G m)T (d G m)


E = d i Gij m j d i Gik mk
N M M

i j k

La minimizacin de la norma euclidiana de la discrepancia entre las
observaciones y el modelo compromete la minimizacin
independiente de cada parmetro mq, lo cual entrega un sistema de
M ecuaciones del tipo:
E
= 0 = 2 mk Giq Gik 2 Giq d i ,
M N N

q = 1, M
mq k i i
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA
A.Problemas sobre determinados: solucin de mnimos cuadrados

Matricialmente este sistema de ecuaciones se puede escribir como:

GT G m GT d = 0

El cual permite determinar una estimacin de m (mest):

mest = [GT G]-1 GT d

La matriz G-g = [GT G]-1 GT, se denomina la matriz inversa


generalizada, tal que el producto R = G-g G se denomina la matriz
resolucin. Con esta definicin se puede escribir la estimacin de m
como:

mest = R m + G-g e = m + [R - I] m + G-g e


MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA
A.Problemas sobre determinados: solucin de mnimos cuadrados
Matricialmente este sistema de ecuaciones corresponde a:

GT G m GT d = 0

El cual permite determinar una estimacin de m (mest):

mest = [GT G]-1 GT d

La matriz G-g = [GT G]-1 GT, se denomina la matriz inversa


generalizada, tal que el producto R = G-g G se denomina la matriz
resolucin. En estos trminos m se expresa como:

mest = R m + G-g e = m + [R - I] m + G-g e

Si R es igual a I entonces la resolucin del modelo es perfecta (cada


parmetro es determinado en forma unica). Si R no es una matriz
identidad, entonces la estimacin del modelo es en la prctica una
media mvil de los parmetros reales.
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA
A.Problemas sobre determinados: solucin de mnimos cuadrados

Ejemplo: Ajuste de una recta del tipo: di = m1 + m2 zi , i=1, N, en los


parmetros m1 y m2. Para esto se debe resolver el siguiente sistema
de ecuaciones:
1 z1 d1 1 z1 d1
1 z d 1 z d
m 2
. . 1 . . 1
2

1 1
2 2

. . 1 = . 1 1
G G =
T
. . ; G d =
T
.
m2 z1 z2 . . . z1 z2 . . .
. . . . . .
1 z N d N 1 z N d N

Entonces la estimacin de mnimos cuadrados de los parmetros que


definen la recta se define como:
1
N zi di

N N

m1 i=1
m= = N i =1
N
m2 zi z i d i
N

zi
2

i=1 i =1 i=1
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA
A.Problemas sobre determinados: solucin de mnimos cuadrados
% ajuste de minimos cuadrados para
la ecuacin de una recta
% di=m1 + m2*zi

clear all;
z=[0 1 2 3 4 5 6 7 8 9 10];
d=[2 5 7 9 12 15 16 20 24 26 33]';
n=length(z);
g=[1 1 1 1 1 1 1 1 1 1 1;z]';
gtg=g'*g;
gtd=g'*d;
m=inv(gtg)*gtd;
d_mod=m(1)+m(2)*z;
plot(z,d,'*b',z,d_mod,'r');
xlabel('z');
ylabel('d'); m1 : 1.0000
title('minimos cuadrados ec. recta ');
m2 : 2.8727
grid on
print -djpeg -r200 fig1.jpg
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA
A.Problemas sobre determinados: solucin de mnimos cuadrados

Si el sistema de
ecuaciones del problema
anterior se amplifica por
dos en el ultimo punto,
matemticamente el
sistema es equivalente:

g(11,:)=g(11,:)*2;
d(11)=d(11)*2;
z(11)=z(11)*2;
Variaciones en el sistema de ecuaciones
afectan directamente la mtrica del
Sin embargo la solucin
problema, produciendo soluciones diversas.
de mnimos cuadrados
La mtrica del sistema se preserva si la
entrega un resultado matriz (Q) de transformacin es ortogonal,
diferente: es decir si la transformacin lineal involucra
m1 : 0.3150 solamente una rotacin del sistema
m2 : 3.1011 coordenado.
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA
B. Problemas indeterminados
Como ya ha sido descrito, en problemas indeterminados existen
mas incgnitas que ecuaciones (n < m). En estas condiciones la
inversa generalizada es singular: det( Gg) = 0. En consecuencia no
existe una solucin nica al sistema de ecuaciones, en la prctica
existe una familia infinita de potenciales soluciones al sistema de
ecuaciones. Bajo estas condiciones es necesario incorporar
informacin externa al sistema de ecuaciones (informacin a priori),
que permita acotar la familia de potenciales soluciones.
Un ejemplo simple de problemas
indeterminados lo constituye la definicin de
una recta que pretende ser definida con una
sola observacin. Existen infinitas soluciones
a este problema, de hecho la inversa
generalizada del ejemplo anterior involucra
la inversin de la matriz cuadrada: 1
1 z1
z z12
1
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA
B. Problemas indeterminados
El determinante de esta matriz es nulo, en consecuencia es una
matriz singular. Una forma de incorporar informacin a priori para
acotar la solucin de este problema no determinado es imponer que
la recta corta el origen. Bajo esta condicin el problema se resuelve
en forma completa. Existen variadas formas de imponer informacin
a priori, por ejemplo en la inversin gravimtrica se puede imponer
la condicin fsica de una densidad acotada en su limite superior e
inferior (0 y 3.3 gr/cc). Una forma de incorporar informacin a priori
en trminos formales consiste en asumir que la solucin del
problema inverso es simple, en donde la nocin de simplicidad es
cuantificada como una medida de la mtrica (euclidiana) de la
solucin L = mT m = mi. En ciertas circunstancias se puede
imponer que esta norma sea mnima, por ejemplo en problemas que
involucren consideraciones de mnima energa o masa mnima. Bajo
estas condiciones el problema original de minimizar el error en la
relacin lineal e = d G m, incorpora adems la condicin que la
norma L = mT m es mnima.
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA
B. Problemas indeterminados
Este problema es resuelto directamente utilizando los
multiplicadores de Lagrange (ver recuadro), de tal forma que se
minimiza la funcin

M

(m) = L + i ei con respecto a m


i =1
(donde i corresponde a
los multiplicadores de
Lagrange).
La minimizacin de esta funcin produce la ecuacin:
2 m = GT ,

que en combinacin con la ecuacin matricial:


G m = d,

permite resolver los multiplicadores de Lagrange, y obtener as una


estimacin de norma mnima de los parmetros:

mest = GT [G GT]-1 d (solucin de norma mnima)


MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

MULTIPLICADORES DE LAGRANGE

En la minimizacin de una funcin de dos variables E(x,y) con la restriccin de una


determinada funcin (x,y)=0, se establece que al minimizar la funcin E,
pequeas variaciones en x e y no alteran el valor
de E, es decir:
E E
dE = dx + dy = 0
x y
Por otra parte el diferencial de la funcin restriccin es igual a cero, demostrando
adems que las perturbaciones en x e y no son independientes:

d = dx + dy = 0
x y
La suma pesada de ambas ecuaciones por el factor (multiplicador de Lagrange)
es en consecuencia idnticamente igual a cero:

E E E E
dE + d = ( + )dx + ( + )dy = 0
x x y y
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

MULTIPLICADORES DE LAGRANGE

En la ecuacin anterior si se elige un multiplicador de Lagrange apropiado para


que por separado cada trmino en parntesis sea igual a cero, entonces se cumple
automticamente que el otro trmino es tambin igual a cero. En consecuencia el
problema ha sido transformado en un sistema de ecuaciones de tres incgnitas y
tres sistemas de ecuaciones:

E E
( + ) = 0; ( + ) = 0; ( x, y ) = 0
x x y y

La generalizacin a un sistema de M incgnitas y q funciones de restriccin


considera la incorporacin de un multiplicador de Lagrange por cada restriccin,
tal que se obtiene un sistema de M+q ecuaciones con igual nmero de incgnitas:

E q
j
+ j = 0; i = 1, M; (m) = 0; k = 1, q
mi j=1 mi
k
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA
C. Problemas mixtos

En la mayora de los problemas prcticos que se resuelven en


geofsica existen parmetros muy bien determinados y otros
pobremente determinados. La forma optima de analizar este
problema involucra la descomposicin en valores singulares (que se
ver a continuacin). Si es posible efectuar una particin entre
aquellos parmetros que estn sobre determinados ms de aquellos
indeterminados mi, entonces es posible formular el siguiente
sistema de ecuaciones:
G
s
m s d s
i i
= i
G m d

Si esta factorizacin es factible, entonces se resuelve el sistema


sobre determinado mediante tcnicas de mnimos cuadrados, y la
parte indeterminada mediante la minimizacin de la norma
euclidiana en los parmetros.
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA
C. Problemas mixtos

Una modalidad alternativa considera la minimizacin del error E y la


norma mnima L en forma simultnea: (m) = E + L = eT e + mT
m, en donde determina la importancia relativa del error E y la
norma mnima L. Si es muy grande entonces la componente
indeterminada es resuelta mediante este procedimiento. Lo
contrario es vlido para ->0. En consecuencia, la estimacin de los
parmetros en un problema mixto tiene por solucin el sistema de
mnimos cuadrados amortiguados:

m = [G G + I ] G d
est T 2 1 T

Es evidente que el trmino de amortiguamiento permite estabilizar


la inversin de matrices al incorporar una cantidad positiva en la
diagonal. Existen variadas estrategias para determinar el factor de
amortiguamiento que estan directamente condicionadas por el
problema bajo anlisis.
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA
Descomposicin en Valores singulares
Cuando una matriz A opera sobre un vector x normalmente produce
un cambio en la direccin de este, sin embargo si esta matriz A
simplemente escala al vector x, entonces se denomina a este vector
como un vector propio asociado al valor propio , tal que:

Ax=x

En esta expresin podemos re escribir x como I x, entonces:

(A - I) x=0,

es decir para un dado valor propio existe un vector propio x en el


espacio nulo de la matriz (A - I). Para que esta condicin se
cumpla, el determinante de (A - I) debe ser igual cero;

det(A - I) = 0.
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA
Descomposicin en Valores singulares

Para una matriz cuadrada Anxn esta ecuacin implica la determinacin


de n valores propios (races del sistema).

Es posible demostrar (ver recuadro) que una matriz Gnxm puede


descomponerse en funcin del producto de las matrices de

n vectores propios que mapean el espacio de los datos (Unxn) y


m vectores propios que mapean el espacio de los parmetros (Vmxm),

y la matriz diagonal nxm cuyos trminos comprenden la serie de


valores propios asociados:
Gnxm = Unxn nxm Vmxm T

Las matrices U y V son matrices ortogonales tales que:

U UT = Inxn; V VT= Imxm.


MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA
Descomposicin en Valores singulares

Es comn organizar la descomposicin de la matriz G en funcin de


valores propios cuya magnitud es decreciente. Bajo este esquema es
posible distinguir una familia de p valores propios mayores que cero y
un conjunto de valores propios iguales a cero:

v1
T

v T
2
0 p 0 :
= p
0
, tal que [u u
1 2
..u p
..u ]
n
0 v Tp
= U p
V
p p
T

0 0
:
v T
m
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA
Descomposicin en Valores singulares

En esta relacin Up y Vp corresponden a los primeros p vectores de las


matrices U y V. Para los restantes vectores propios de los datos Uo y
parmetros Vo, la matriz G no contiene informacin. Podemos asociar
las matrices Uo y Vo, a los espacios nulos que no pueden ser resueltos.
Es decir solo p vectores propios son en la prctica linealmente
independientes. En consecuencia, la identificacin de los valores
propios distintos de cero permite construir una matriz inversa
generalizada de valores propios mayores que cero:
G-1 = Vpxp pxp-1 Upxp T

Entonces: mest = Vp p-1 Up T d

Al considerar en la inversa generalizada los vectores propios


asociados a los valores propios distintos de cero, se esta resolviendo
en forma particular el dominio de solucin que puede ser
determinado.
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA
Descomposicin en Valores singulares

Ejemplo: Considere el siguiente sistema de ecuaciones:


1.0000 2.0000 3.0000 14.0000

1.0000 1.9500 4.0000 16.0550
m1

m2 =
1.0000 2.0000 5.0000 20.0000
m3
1.0000 2.0000 6.0000 23.0000

clear all
La solucin de este G=[1 2 3;1 1.95 4; 1 2 5;1 2 6];
sistema de ecuaciones est m=[1 2 3]';
d=G*m;
dada por: [U,S,V]=svd(G); n=length(S(1,:));
figure(3)
[m1 m2 m3]T = [1 2 3]T for i=1:3,
ii=(i-1)*2+1;
subplot(3,2,ii),bar(U(1:length(G(:,1)),i));
La descomposicin en xlabel(strcat('valor propio:',num2str(floor(S(i,i)*100)/100)));
ylabel('U')
valores y vectores propios subplot(3,2,ii+1),bar(V(i,1:n));
del sistema de ecuaciones xlabel(strcat('valor propio: ',num2str(floor(S(i,i)*100)/100)));
ylabel('V')
anterior se formaliza en end
ambiente MATLAB: print -djpeg -r200 fig3.jpg
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA
Descomposicin en Valores singulares

En este conjunto de valores propios el valor propio menor es cercano


a cero, lo cual esta indicando que el sistema es cuasi-singular. La
solucin del sistema de ecuaciones considerando los tres valores
propios:

m_est_3_0=V(:,1:3)*inv(S(1:3,1:3))*U(:,1:3)'*d
1.0000
= 2.0000
3.0000

Si solo consideramos los primeros


2 valores propios:

m_est_2_0=V(:,1:2)*inv(S(1:2,1:2))*U(:,1:2)'*d
1.0076
= 1.9961
3.0000
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA
Descomposicin en Valores singulares

Esta ultima estimacin es una (buena) aproximacin de la solucin


verdadera, que es exacta en la tercera componente y solo aproximada
en los dos primeros trminos.

Podemos entender este comportamiento al analizar el peso del vector


propio de los parmetros asociado al valor propio ms cercano a cero
(ver en Figura anterior). En este caso el peso relativo de la tercera
componente es prcticamente nulo, por consiguiente su valor final
esta totalmente determinado por la combinacin lineal de los dos
primeros vectores propios.

Ahora bien si introducimos un porcentaje de ruido en el segundo


trmino del vector de observaciones (el punto de mayor peso en el
vector propio asociado a ese valor propio menor):

d(2)=d(2)*0.95;
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA
Descomposicin en Valores singulares

Bajo esta condicin la estimacin con dos y tres valores propios


corresponde a:
0.8967
m_est_2=V(:,1:2)*inv(S(1:2,1:2))*U(:,1:2)'*d = 1.7781
3.0747

- 32.8000

m_est_3=V(:,1:3)*inv(S(1:3,1:3))*U(:,1:3)'*d = 18.9000
3.0000

Se concluye que la solucin que restringe la estimacin al dominio de


los valores propios mayores es ms estable que la solucin completa,
que Es altamente sensible a errores en las observaciones. La
descomposicin en valores y vectores propios permite establecer a
priori que observaciones son mas determinantes para la estimacin
de un dado parmetro
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

DESCOMPOSICION EN VALORES SINGULARES:


DERIVACIN ALGEBRAICA
Considerando el sistema de ecuaciones: G m = d , se construye la matriz cuadrada
S, de n+m filas y columnas:
0 G
S= T
G 0
Esta matriz tiene n+m valores propios reales y un grupo de n+m vectores propios
wi que cumplen la relacin
S wi = i wi, i=1,n+m, o bien: S w = 0 G ui ui
=
0 vi
G T i
i
v

En esta relacin la particin del vector wi en un vector ui de largo n (asociado a las


observaciones) y un vector vi de dimensin m (asociado a los parmetros). Este
sistema de ecuaciones puede desacoplarse en dos sistemas que ligan los vectores
propios asociados al espacio de las observaciones y los parmetros:

G T ui = i vi
Gvi = i ui
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

DESCOMPOSICION EN VALORES SINGULARES:


DERIVACIN ALGEBRAICA

Ahora bien, si multiplicamos la primera ecuacin por G y la segunda por GT podemos


separar los vectores propios de cada dominio:
GG T ui = i Gvi = i i ui = 2i ui
G T Gvi = i G T ui = i i vi = 2i vi
Dado que ambos sistemas de ecuaciones estn conformados por matrices
cuadradas y simtricas, existen m vectores vi que conforman una matriz V ortogonal
que mapea todo el espacio de los datos m, y n vectores ui que conforman una
matriz U ortogonal que a su vez mapea todo el espacio de las observaciones n.
Este conjunto de vectores se divide en p vectores que se asocian a valores propios
distintos de cero y los restantes vectores propios conforman el espacio nulo que se
asocia a valores propios nulos.

Escribiendo la ecuacin Gvi = i ui en trminos matriciales para el conjunto de

vectores y valores propios: GV = U y post-multiplicando por la matriz VT se

obtiene: GVV T = GI = UV T o simplemente : G = UV T ,

que corresponde a la descomposicin en valores singulares descrita previamente.


MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA
Elementos de probabilidades y estadstica
En la seccin anterior representamos las observaciones de un
determinado experimento como un vector d cuyos elementos
constituyen medidas individuales e independientes. Esta
caracterizacin de un grupo de observaciones es sin embargo una
sobre simplificacin del trabajo experimental y prctico en geofsica
como en cualquier otra disciplina cientfica en la cual las
observaciones estn contaminadas
por ruido. En consecuencia, si una
determinada observacin es
repetida varias veces cada
medida sera diferente (ver en
figura). La completa
caracterizacin de la observacin
requerir entonces reconocer el
rango y forma de esta dispersin,
que son en la prctica inherentes
al trabajo experimental.
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA
Elementos de probabilidades y estadstica

Para la descripcin de las caractersticas de la forma y rango en la


dispersin de una determinada observacin se utiliza el concepto de
variable aleatoria. Cada variable aleatoria presenta propiedades
definidas y precisas que permiten su caracterizacin, si bien ellas no
pueden ser medidas directamente. En la prctica nosotros solo
podemos efectuar medidas individuales o realizaciones de la variable
aleatoria, y en base a esta informacin se infieren las propiedades
reales del conjunto de datos.

Las propiedades reales de una variable aleatoria d se especifican


completamente a partir de una distribucin de probabilidad P(d). Se
puede entender la probabilidad como el nmero de realizaciones
iguales de un determinado experimento N(d), normalizado por el
nmero total de realizaciones N().

P(d) = N(d) / N(), entonces P() = 0; P() = 1


MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA
Elementos de probabilidades y estadstica

La probabilidad que una realizacin del experimento se encuentre en


el rango d + d es P(d) d. Por otra parte la probabilidad que la
variable aleatoria se ubique en el rango entre menos y ms infinito es
claramente absoluta es decir igual al 100%
o simplemente 1:

P(d )d = 1

El conocimiento de la funcin de probabilidad


es en general difcil. En la prctica se opta por
identificar una serie de parmetros que
permitan una mejor caracterizacin de esta:

valor de mxima probabilidad : max(P(d))


E ( d ) = d = d P ( d ) d
valor medio o esperado :

varianza o ancho cuadrtico : = (d d ) P(d )d


2 2


MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA
Elementos de probabilidades y estadstica
En problemas geofsicos se mide en general una serie de
observaciones, y en consecuencia es necesario cuantificar la
probabilidad de un conjunto de variables aleatorias. La probabilidad
conjunta es la probabilidad de que el primer datos se encuentre en la
vecindad de d1, el segundo en la vecindad de d2, y as sucesivamente.
Si los datos son independientes, es decir si no existe un patrn de
ocurrencia comn a dos o mas observaciones, entonces la
probabilidad conjunta es simplemente el producto de las
distribuciones individuales:

P(d) = P(d1) P(d2) P(d3) . P(dn)

Se puede graficar esta independecia en un


diagrama de probabilidad conjunta para dos
variables. Se aprecia que no existe una
correlacin particular entre ambas variables
aleatorias .
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA
Elementos de probabilidades y estadstica
En ciertos casos las observaciones estan
correlacionadas. En estos casos la
funcin de probabilidad conjunta tiende
a privilegiar ciertas combinaciones en
los datos. En el ejemplo de la figura, la
probabilidad conjunta aumenta ante la
presencia de valores altos de la variable
d2 y pequeos de la variable d1.

Al igual que en el caso uni-variado, la


funcin de probabilidad multivariada se
caracteriza por una serie de parmetros
que se definen como:

d i = d1 d 2 ... d i P(d )d n
valores medios o esperados:

matriz de covarianza : [cov d ] = d d ... [d d ]P(d )d


ij 1 2 i i n

MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA
Elementos de probabilidades y estadstica
La diagonal de la matriz de covarianza representa el ancho de la
distribucin multivariada, Los trminos fuera de la diagonal indican el
grado de correlacin entre pares de elementos.

Si se conoce la estadstica de las observaciones y si existe una


relacin lineal entre las observaciones y los parmetros, entonces es
posible expresar los parmetros en funcin de las observaciones:

m = M d + v, donde M y v son matrices y vectores arbitrarios.

En este sistema de ecuaciones la estimacin de la media y covarianza


de los parmetros es directamente un mapeo del vector medio de las
observaciones y la matriz de covarianza:
m = M d + v;
[cov m] = M [cov d ]M T
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA
Elementos de probabilidades y estadstica
Algunas funciones de probabilidad se describen a continuacin:

Distribucin Gaussiana (o normal):


(d d )
2
1
P(d ) =
2 2
exp
(2 )
1/ 2

, con valor medio <d>


y varianza 2

La correspondiente funcin de
distribucin es:
x < x >
x

F ( x) = dx' p ( x' ) = 0.5 + erf



A medida que aumenta la varianza aumenta la amplitud de la
distribucin Gaussiana y disminuye la funcin de probabilidad como
condicin de su integracin unitaria. La funcin de distribucin tiende
a 1 para valores de d mayores.
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA
Elementos de probabilidades y estadstica

Distribucin de Cauchy:
/
p(d ) =
+d
2 2

El parmetro controla el
ancho de la distribucin.

Distribucin lognormal:

1 d
2
1
P(d ) = exp 2 log
2d 2 2 d
La distribucin lognormal es
asimtrica con respecto al valor
medio.
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA
Elementos de probabilidades y estadstica
-Distribuciones condicionales (Regla de Bayes):

El considerar distribuciones condicionales es importante en el anlisis


de problemas que consideren informacin a priori, en las cuales por
ejemplo se disponga de informacin que permita inferir en que forma
las observaciones van a condicionar los parmetros del medio o en
sentido contrario. Asumiendo que A1 y A2 corresponden a potenciales
realizaciones de un determinado experimento, cuyas respectivas
propabilidades son P{ A1} y P{ A2}, en ambos casos esta probabilidad
se define como:

P{ Ai}= suma de probabilidades en eventos de realizacin Ai


suma de probabilidades de todos los eventos en el espacio A
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA
Elementos de probabilidades y estadstica
-Distribuciones condicionales (Regla de Bayes):

Al mismo tiempo es posible definir la probabilidad conjunta de ambos


eventos como:
P{ A1, A2}. Adicionalmente se define la probabilidad condicional que
habiendo ocurrido A2 ocurra A1: P{ A1| A2}. Por otra parte la
condicin de que ocurra A1 dado A2 involucra la probabilidad conjunta
P{ A1, A2}, y en consecuencia la probabilidad condicional esta
definida como:
P{A1 , A2 }
P{A1 A2 } = o bien : P{A1 A2 }P{A2 } = P{A1 , A2 }
P{A2 }

De igual forma se puede construir la probabilidad condicional que


ocurra el evento A2 dado A1:
P{A2 , A1 }
P{A2 A1 } = o bien : P{A2 A1 }P{A1 } = P{A2 , A1 }
P{A1 }
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA
Elementos de probabilidades y estadstica
-Distribuciones condicionales (Regla de Bayes):

Ambas probabilidades conjuntas son idnticas de tal forma que se


puede establecer una relacin entre ambas probabilidades
condicionales (regla de Bayes):
P{A1 A2 }P{A2 }
P{A2 A1 }P{A1 } = P{A1 A2 }P{A2 } o bien : P{A2 A1 } =
P{A1 }
En problemas de inversin es comn utilizar la regla de Bayes
identificando A1 como el vector de observaciones y y A2 como el
vector x del modelo:
P{y x}P{x}
P{x y} =
P{y}
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA
Elementos de probabilidades y estadstica
-Distribuciones condicionales (Regla de Bayes):

En esta expresin el trmino P{x|y} se reconoce como la


probabilidad del modelo a posteriori (dadas las observaciones). Esta
probabilidad condicional involucra probabilidades marginales en
observaciones P{y} y modelo P{x}, esta ltima es una probabilidad a
priori que es independiente del modelo. A su vez la probabilidad
condicional P{y|x} se obtiene una vez que la informacin del
experimento comienza a ser generada considerando la probabilidad
conjunta como variable auxiliar. De esta forma es posible obtener
informacin estadstica del modelo a posteriori.
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA
Problemas de inversin en sistemas discretos y continuos

-Inversin mediante el mtodo de Mxima Similitud:

El uso de la probabilidad multivariada permite presentar un esquema


de inversin alternativo, que corresponde al mtodo de mxima
similitud (maximum likelihood).
Asumiendo un sistema lineal G m = d, en el cual se asume una
distribucin gaussiana multivariada:
P(d ) exp{ [d G m] [cov(d )] [d G m]}
T 1
1
2

El mtodo de mxima similitud expresa que los parmetros ptimos


son aquellos maximizan la probabilidad de obtener los valores
observados. En consecuencia la mxima probabilidad P(dobs) ocurre
cuando la exponencial es mxima o bien su argumento es mnimo:

E = [12 m] [cov(d )] [1
3 m] min imo
d G 3
T 1
d4 G4
1424 3 424
eT Wd e
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA
Problemas de inversin en sistemas discretos y continuos

-Inversin mediante el mtodo de Mxima Similitud:

La matriz Wd corresponde a una matriz de pesos en los datos. En


consecuencia la solucin de mxima similitud es simplemente la
solucin de cuadrados mnimos pesados para una norma L2. Si los
datos estn descorrelacionados y todos presentan igual varianza:

P (d ) exp{ 12 [d G m] [cov(d )] [d G m]}


T 1

[cov(d )] = d I E = 2 ei2 = solucin mnimos cuadrados


2 1
d
i

ei2
Si la varianza es distinta para cada dato: E = 2 = , el peso del dato
i
de menor varianza es mayor.
i

El uso de una norma L2 es en consecuencia apropiado para la


minimizacin del error predicho si los datos son descorrelacionados,
presentan igual varianza y obedece una estadstica gaussiana.
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA
Problemas de inversin en sistemas discretos y continuos
-Inversin mediante el mtodo de Mxima Similitud:

La solucin de mnimos cuadrados pesados esta dada por:

mest = [GT We G]-1 GT We d

Anlogamente se puede resolver el problema de peso en los


parmetros para la solucin de norma mnima:

L = [ m - <m> ]T Wm [ m - <m> ] = min

mest = <m> + WmGT [GT Wm G]-1 [ d G <m>]

Finalmente la solucin amortiguada que compromete a ambos


criterios: min(E + L) corresponde a:

mest = <m> + [GT We G + Wm ]-1 GT We [ d G <m>]


MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA
Problemas de inversin en sistemas discretos y continuos
-Inversin mediante el mtodo de Mxima Similitud:

La matriz de peso en los parmetros Wm puede indicar diversos tipos


de la informacin a priori, por ejemplo rugosidad (parmetros
discontinuos o con gradientes muy fuertes, por ejemplo un sistema de
capas con propiedades elctricas contrastantes: acufero-basamento)
o suavidad (parmetros que varan lentamente, por ejemplo la
compactacin de la densidad en una cuenca sedimentaria):

- suavidad:
1 1 0 ... ... 0 m1
0
1 1 0 ... ... m1
0 0 1 1 ... ... m1
I = = Dm L = I I = m 1
T T T
D2 3
Dm
... ... ... ... ... ... ... Wm

... ... ... ... ... ... mM 1



0 ... 0 0 1 1 mM
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA
Problemas de inversin en sistemas discretos y continuos
-Inversin mediante el mtodo de Mxima Similitud:

- rugosidad:
1 2 1 ... ... 0 m1
0
1 2 1 ... ... m1
0 0 1 2 1 ... m1
I = = Dm L = I I = m 1
T T T
D2 3
Dm
... ... ... ... ... ... ... Wm

... ... ... ... ... ... mM 1



0 ... 0 1 2 1 mM
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA
Problemas de inversin en sistemas discretos y continuos

- Formulacin Bayesiana del problema inverso:

De acuerdo a la definicin de la probabilidad condicional:


P{y x} P{x}
P{x y} =
P{y}
podemos identificar: x : m parmetros
y : d observaciones
Es decir: P{d m} P{m}
P{m d } =
P{d }

En esta relacin P(m) es la probabilidad marginal del vector parme-


tro independiente de las observaciones, anlogamente P(d) es la pro-
babilidad de las observaciones independiente de los parmetros del
problema. Podemos entender esta probabilidad como una condicin
asociada ala metodologa de observacin y en consecuencia puede
considerarse una cantidad constante en relacin a los parmetros.
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA
Problemas de inversin en sistemas discretos y continuos

- Formulacin Bayesiana del problema inverso:

En consecuencia la probabilidad de ocurrencia de un determinado


vector parmetro dado el set de observaciones (probabilidad a
posteriori) es proporcional al producto de la probabilidad de las
observaciones condicionadas por los parmetros P(d|m) (funcin de
similitud) y la probabilidad marginal de los parmetros P(m)
(distribucin a priori):
P{m d } P{d m} P{m}
La eleccin de la funcin de similitud esta dada por la distribucin de
los errores o ruido en los datos, y requiere en consecuencia un
conocimiento a priori de la distribucin de errores en los datos.
Asumiendo un modelo del tipo:
d=g(m)+n
en donde d: observaciones; g(m): operador del modelo directo sobre
los parmetros m; n:error o ruido, o teora inexacta (ver despus).
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA
Problemas de inversin en sistemas discretos y continuos

- Formulacin Bayesiana del problema inverso:

La probabilidad del error corresponde a:

P(n) = P( d g(m) ) P( d|m) : probabilidad condicional de las


observaciones d dados los parmetros m

En geofsica se establece usualmente una distincin entre errores en


las observaciones (no) y tericos (nt). Los errores en las
observaciones involucran un problema instrumental. A su vez, los
errores tericos explican la existencia de una teora inexacta.
Para una teora inexacta, la diferencia entre la teora exacta (gt(m)) y
la teora inexacta (g(m)) corresponde a:
nt = gt(m) g(m)
En consecuencia:
d = g ( m ) + n = gt(m) - nt +n = gt(m) + no
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA
Problemas de inversin en sistemas discretos y continuos
- Formulacin Bayesiana del problema inverso:

En la prctica es difcil efectuar una distincin entre ambos errores y


en consecuencia se estima que el error considerado es en la prctica
una mezcla de efectos instrumentales y una teora imperfecta. Si los
errores en los datos y parmetros presentan a priori una distribucin
gaussiana, entonces la probabilidad a posteriori en los parmetros,
dadas las observaciones, corresponde a:
exp{ 12 [d G m] [cov(d )] [d G m]}
T 1

P(m d )
exp{ 2 [m m priori ] [cov(m)] [m m priori ]}
T 1
1

Esta distribucin es no-Gaussiana debido al operador del problema


directo g(m), que no necesariamente es una funcin lineal. La
maximizacin de la funcin de probabilidad a posteriori es
equivalente a minimizar el exponente:
E = { 12 [d G m ] [cov(d )] [d G m ]} { 12 [m m priori ] [cov(m)] [m m priori ]} min
T 1 T 1
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA
Problemas de inversin en sistemas discretos y continuos
- Formulacin Bayesiana del problema inverso:

Si el operador del problema directo es una funcin lineal, entonces


esta minimizacin se reduce a la solucin de mnimos cuadrados
pesados:

[ 1
2 ] [ 1
2
T
]
E = [d G m] Wd [d G m] + [m m priori ] Wm [m m priori ]
T

Es decir la mxima probabilidad de obtener una estimacin de los


parmetros m, dadas las observaciones d, esta dada por la solucin
de mnimos cuadrados pesados en el caso de un sistema lineal. O bien
expresado en forma inversa la solucin de mnimos cuadrados
pesados corresponde a una estimacin para una distribucin
gaussiana en las observaciones y parmetros para un operador lineal
entre las observaciones y los parmetros.
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA
Problemas de inversin en sistemas discretos y continuos

- Mtodos iterativos de Inversin para problemas cuasi-lineales

La solucin del problema inverso: m = g-1(d) para operadores cuasi-


lineales se resuelve mediante un desarrollo en serie de Taylor
generalizado:
d = do + Go (m mo) + 0( m2)


G1,1 G1, j G1,M
m1 ... m j ... mM

G2 ,1 G2 , 2
m1 m2 ... ... ...
donde Go = ... ... Gi , j
m j ... ...

... ... ... ... ...
GmN1,1 GN , j
... GmNM,M m = mo
... m j
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA
Problemas de inversin en sistemas discretos y continuos

- Mtodos iterativos de Inversin para problemas cuasi-lineales

Si m es cercano a mo esta funcin de perturbacin tiene un error


pequeo (0( m2) 0), entonces:
inversa
} generalizada

m = mo + Go1 [d d o ] o m = mo + Go1 [d g (mo )]


en terminos iterativos :
mi+1 = mi + Gi1 [d g (mi )]

La inversa generalizada se resuelve utilizando las tcnicas descritas


en capitulo 1, por ejemplo la solucin de mnimos cuadrados
corresponde a:
mi+1 = mi + [Gi Gi ] GiT [d g (miest )]
est est T 1
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA
Problemas de inversin en sistemas discretos y continuos

- Mtodos iterativos de Inversin para problemas cuasi-lineales

En mnimos cuadrados amortiguados:


1
T T
I Gi [d g (miest )]
2

mi+1 = mi + Gi Gi + d2
est est

m
en este caso el factor de amortiguamiento se ha expresado en
trminos de la razn entre las varianzas en las observaciones y los
parmetros.

Para el caso de la solucin de norma mnima la estimacin de la


solucin cuasi-lineal corresponde a:

miest+1 = miest + GiT [Gi GiT ] [d g (miest )]


1
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA
Problemas de inversin en sistemas discretos y continuos

- Mtodos iterativos de Inversin para problemas cuasi-lineales

Es importante tener en consideracin


que esta solucin iterativa es
dependiente de la condicin inicial tal
cual se aprecia en el siguiente esquema:
En este caso el esquema iterativo
tiende a mnimos locales al iniciar
el proceso iterativo en puntos 2 y 3.
Solo al iniciar en 1 es posible acceder
al mnimo absoluto. Una forma de
acceder al valor mnimo es utilizar
una tcnica de optimizacin global
como por ejemplo el mtodo de mimin mi mimax
Monte-Carlo en el cual se mapea
a la funcin error en un dominio tal que : m i
nuevo
= mi
min
+ P
1n
[4
m
4 i
max

244
m
3
i
min
]
amplio: ( nmero aleatorio:01 )
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA
Problemas de inversin en sistemas discretos y continuos

- Introduccin a teora inversa con modelos continuos

Por simplicidad se restringe este anlisis al problema de sistemas


lineales. Una teora de perturbacin anloga a la utilizada en el caso
de problemas cuasi-lineales es aplicada para el caso de mayor
complejidad asociado a funciones no-lineales. En consecuencia:
di = Gi ( x) m
{ ( x) dx + ei
{ 123 parmetros {
observaciones Kernel G , errores
equivalente
a matriz G

Como el problema directo es lineal, una estimacin de los parmetros


resulta de una combinacin lineal de las observaciones:

~ ( x) = a ( x)d
N

m i i
i =1
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA
Problemas de inversin en sistemas discretos y continuos

- Introduccin a teora inversa con modelos continuos

Insertando la relacin anterior en esta expresin:

~ ( x ) = a ( x) G ( x' ) m( x' )dx '+ a ( x ) e


N N

m 1i=1 44
i i

244 3 14243
i =1
i i

R ( x , x ') Kernel resolucin propagacin del errores

En el caso ideal R(x,x) = (x-x), tal que la solucin estimada se


aproxima a la solucin real:
~ ( x ) m( x )
m

Un enfoque alternativo es considerar que el parmetro continuo se


construye a partir de una funcin de bases (por ejemplo en el caso de
armnicos esfricos):

m( x ) = m j j
j =1
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

TEORIA BASICA
Problemas de inversin en sistemas discretos y continuos

- Introduccin a teora inversa con modelos continuos

La ventaja de esta representacin es que ahora el factor a invertir es


un vector discreto mj que puede ser truncado para su manejo
numrico. Insertando esta base en la solucin del problema directo:

d i = Gi ( x) m j j ( x) dx + ei
N

i =1

En esta expresin la sumatoria no depende de la integral, en


consecuencia:
d i = m j Gi ( x) j ( x)dx j + ei
N

i =1

o bien : d i = m j Ai , j + ei
N

i =1

Esta ecuacin puede ser resuelta mediante las tcnicas descritas


previamente si se conoce la funcin de bases.
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

APLICACIONES
Problemas lineales: (a) Estimacin de magnetizacin en modelo de
bloques (corteza ocenica):

En este caso particular el campo magntico puede expresarse como


una funcin del tipo:

Ti = M j i , j
N

j =1

En la cual la variable de magnetizacin Mi es una funcin lineal del


factor geomtrico i,j (efecto del bloque j en la posicin i):

T1 1,1 1, 2 .. .. 1,N M 1
T 2 , 2 .. .. 2 ,N M 2
2 2 ,1
: = .. .. i ,i .. .. :

: .. .. .. .. .. :
TL L ,1 L , 2 .. .. L ,N M N
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

APLICACIONES
Problemas lineales: (a) Estimacin de magnetizacin en modelo de
bloques (p. Ej. corteza ocenica):

Este sistema de ecuaciones se resuelve directamente si L=N,


invirtiendo la matriz :
M = 1T
Si hay mas observaciones que coeficientes de magnetizacin (L>N),
se efecta una minimizacin de cuadrados:

M = [ T ] T T
1

Aproximando el efecto de un bloque de area a*b por un cilindro de


radio R: R = a * b el efecto de cada bloque (cilindro), ubicado a una
profundidad h es (I es la inclinacin magntica):



i , j = 2R M i [cos I sin I ]
(x x )2
h2 2(x j xi )h
2 + [2 cos I sin I ]
((x j xi ) + h ) ((x j xi )2 + h 2 )2
2 2 2 j i


2 2
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

APLICACIONES
Problemas lineales: (a) Estimacin de magnetizacin en modelo de
bloques (p. Ej. corteza ocenica):

En el modelo anterior se ha asumido que el perfil es perpendicular al


campo terrestre y que la declinacin es nula, al igual que potenciales
remanencias. En la figura siguiente se ha modelado esta anomala
para una seccin ubicada a 2 km de la superficie, considerando una
secuencia de magnetizacin +/- 5 Am-1 (25000[nT]*0.02[cgs])
clear all
close all
a=500;b=500;R=sqrt((a*b)/pi); xi=-50*R:2*R:50*R;
xj=min(xi):200:max(xi);
I=input('ingrese inclinacion');
h=input('ingrese profundidad [m]');
I=I*pi/180; fact1=cos(I)^2-sin(I)^2; fact2=2*cos(I)*sin(I);

% definicion de dominio observaciones-parametros

[XI,XJ]=meshgrid(xi,xj); R4=((XJ-XI).^2+h*h).^2;
N1=(XJ-XI).^2-h*h; N2=2*(XJ-XI)*h;
func=2*pi*R*R*((fact1*N1./R4)+(fact2*N2./R4));

% definicin de vector de magnetizacin por funcin aleatoria


M=sign(random('Normal',0,0.5,length(xi),1))*500;
T=func*M;
figure(1)
subplot(3,1,1),plot(xj/1000,T);
title('campo magnetico'); subplot(3,1,2),bar(xi/1000,M/500); title('polaridad');
axis([-15 15 -2 2])
% inversion de parametros

M_est=inv(func'*func)*func'*T;
subplot(3,1,3),plot(xi/1000,M,xi/1000,M_est,'.-');
title('magnetizacin'); print -djpeg -r200 fig4.jpg
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

APLICACIONES
Problemas lineales: (a) Estimacin de magnetizacin en modelo de
bloques (p. Ej. corteza ocenica):

Si introducimos un 1% de ruido aleatorio vemos que la solucin se


deteriora en forma dramtica:

% Incorporacion de ruido aletorio de un 1% en la


seal

TT=T+(max(T)-
min(T))*0.01*random('Normal',0,0.5,length(xj),1);

figure(2)

subplot(3,1,1),plot(xj/1000,T,xj/1000,TT);
title('campo magnetico');
subplot(3,1,2),bar(xi/1000,M/500);
title('polaridad');
axis([-15 15 -2 2])
% inversion de parametros

M_est=inv(func'*func)*func'*TT;
subplot(3,1,3),plot(xi/1000,M,xi/1000,M_est,'.-');
title('magnetizacin');

print -djpeg -r200 fig5.jpg


MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

APLICACIONES
Problemas lineales: (a) Estimacin de magnetizacin en modelo de
bloques (p. Ej. corteza ocenica):

Una forma de disminuir la inestabilidad en la solucin consiste en


aplicar la descomposicin en valores propios (en rojo en el grfico):
a medida que se toman menos valores propios la inversin es mas
estable pero pierde resolucin
% descomposicion en valores
singulares

[U,S,V]=svd(func);
m_est_1=(V(:,1:30)*inv(S(1:30,1:30)
)*U(:,1:30)')*TT;
m_est_1=(V(:,1:20)*inv(S(1:20,1:20)
)*U(:,1:20)')*TT;
m_est_1=(V(:,1:10)*inv(S(1:10,1:10)
)*U(:,1:10)')*TT;
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

APLICACIONES
Problemas lineales: (b) determinacin del espesor en una cuenca
sedimentaria mediante observaciones gravimtricas

La gravimetra ha sido utilizada en forma rutinaria para definir la


morfologa de un basamento cubierto por material sedimentario poco
consolidado. La eficacia de la tcnica en este caso se basa en el fuerte
contraste en densidad entre el basamento (2.7 a 2.9 gr/cc) y el
relleno (2-2.4 gr/cc). Una aproximacin de primer orden a este
problema es asumir que para cada punto la gravedad se aproxima a la
formula de una capa plana (vlido si la rugosidad del basamento es
pequea): 0
grav.

g i 2Ghi
gi x


hi
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

APLICACIONES
Problemas lineales: (b) determinacin del espesor en una cuenca
sedimentaria mediante observaciones gravimtricas

El proceso de inversin en este caso es directo y no involucra a los


restantes puntos ya que para cada estacin gravimtrica se cumplira
que: g
hi i

2G
rho=0.4
% contraste gr/cc
g = 0.00667;
% constante de gravitacion
fact=2*pi*g*rho
load datos_cuenca.dat;
x=datos_cuenca(:,1);
y=datos_cuenca(:,2);
g=datos_cuenca(:,3);
h=g/fact;
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

APLICACIONES
Problemas lineales: (b) determinacin del espesor en una cuenca
sedimentaria mediante observaciones gravimtricas

Observamos en la figura anterior que la solucin en la zona que


cumple en peor forma el supuesto de una capa plana (el fondo de la
cuenca) tiende a subestimar el valor del espesor sedimentario. Una
forma de corregir este resultado es introducir un proceso iterativo de
ajuste que agregue mayor espesor en funcin del residuo entre la
gravedad observada y la calculada:
obs
g
hi0 i

2G

hi hi
k k 1 [g iobs g ik 1 ] / 2
, k = 1, N
2G
hik : prof . estacin i en iteracin k
g ik 1 : grav. estacin i en iteracin k
Aplicando este algoritmo se obtiene:
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

APLICACIONES
Problemas lineales: (b) determinacin del espesor en una cuenca
sedimentaria mediante observaciones gravimtricas
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

APLICACIONES
Problemas lineales: (b) determinacin del espesor en una cuenca
sedimentaria mediante observaciones gravimtricas
Vemos que la solucin converge en forma progresiva hasta alcanzar
un buen ajuste en las observaciones y la profundidad.
El algoritmo anterior tiene la virtud de compensar la aproximacin de
una capa plana al calcular su efecto mediante un programa de
modelacin directa de 2-d (talwani), el cual va incorporando los
efectos de cada profundidad en los puntos aledaos.
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

APLICACIONES
Problemas no-lineales: determinacin magnetizacin, profundidad
y ancho de dique magntico vertical
El efecto magntico de un dique vertical de espesor 2d y profundidad
h, orientado perpendicular al campo magntico esta dado por:

U xx [cos (i ) cos (d ) sin (i )] +


2 2 2

T = 2Fo = 2Fo {U xx xx + U xz xz }
2 U xz [cos(i ) cos(d ) sin(i )]
x=0
donde: x
h
h h
U xx ( x) = arctan arctan
xd x + d
2d
1 (d + x) + h 2 2

U xz ( x) = log
2 (d + x) 2 + h 2

z
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

APLICACIONES
Problemas no-lineales: determinacin magnetizacin, profundidad
y ancho de dique magntico vertical
Asumiendo conocida la inclinacin i, declinacin d, e intensidad del
campo magntico Fo, entoces los 3 parmetros a determinar son: el
espesor d, la profundidad h, y la susceptibilidad magntica k. De estos
parmetros solo la susceptibilidad magntica es lineal c/r al campo, y
en consecuencia el proceso de inversin exige una linealizacin de los
parmetros utilizando un desarrollo de Taylor:
i+1 i i
est est est

h est = h est + [G T G ]1 G T T T h est


x=0 x
h
i+1 i i i i obs i
d iest+1 d iest d est
i
2d
T1

T1
h
T1
d
donde Gi = : : :
TN d o , ho , d o
z
TN TN
h
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

APLICACIONES
Problemas no-lineales: determinacin magnetizacin, profundidad
y ancho de dique magntico vertical
Para resolver este problema es necesario el determinar las derivadas
de la matriz Gi, este proceso puede llevarse a cabo en forma numrica
(teora de lmite) o en forma analtica si es posible. En este caso se ha
optado por utilizar la teora de lmite, de tal forma que las derivadas
con respecto a las incgnitas se expresan como:

Gi Ti Ti ( xi , + , h, d ) Ti ( xi , , h, d )
=

Gi Ti Ti ( xi , , h + h, d ) Ti ( xi , , h, d )
=
h h h
Gi Ti Ti ( xi , , h, d + d ) Ti ( xi , , h, d )
=
d d d
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

APLICACIONES
Problemas no-lineales: determinacin magnetizacin, profundidad
y ancho de dique magntico vertical
En el problema planteado estas derivadas corresponden a:

function[G]=mat_der(x,h,d,susc,f0
,inc,dec);
[T0]=campo_dique(x,h,d,susc,f0,i
nc,dec);
[T_h]=campo_dique(x,h*1.01,d,su
sc,f0,inc,dec);
[T_d]=campo_dique(x,h,d*1.01,su
sc,f0,inc,dec);
[T_susc]=campo_dique(x,h,d,susc
*1.01,f0,inc,dec);

G(:,1)=100*(T_susc'-T0')/susc;
G(:,2)=100*(T_h'-T0')/h;
G(:,3)=100*(T_d'-T0')/d;
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

APLICACIONES
Problemas no-lineales: (a) determinacin magnetizacin,
profundidad y ancho de dique magntico vertical
En consecuencia la inversin iterativa de los parmetros asociados al
dique corresponde a: [T]=campo_dique(x,h,d,susc,f0,inc,dec);
h1=h*1.2; d1=d/1.2; susc1=susc/1.2;
for l=1:5,
[T1]=campo_dique(x,h1,d1,susc1,f0,inc,dec);
[G1]=mat_der1(x,h1,d1,susc1,f0,inc,dec);
par=[susc1,h1,d1]'+inv(G1'*G1)*G1'*(T-T1)';

susc1=par(1); h1=par(2); d1=par(3);


end
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

APLICACIONES
Problemas no-lineales: linealizacin de problemas sobre
determinados: minimizacin de momento de inercia en gravedad
Un tipo de solucin de problemas inversos en secciones 2-D es
resolver una distribucin de densidades en una malla regular en la
cual la geometra queda establecida y solo se desconoce la propiedad
fsica de cada celda:

para una discretizacin por


cilindros, la gravedad observada
en superficie corresponde a:
g = A p
z i , j dx dz
Ai , j = 2GReq 2
2
; Req =
2
;
xi , j + zi , j
2

j = 1, nx * nz; i = 1, N : observaciones
pk = densidad ; k = 1, nx * nz
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

APLICACIONES
Problemas no-lineales: linealizacin de problemas sobre
determinados: minimizacin de momento de inercia en gravedad
Esta solucin tiene la ventaja de una geometra fija en donde solo es
necesario resolver la propiedad fsica como una funcin lineal de una
geometra fija.
Sin embargo, para un problema as planteado la solucin esta
indeterminada porque el nmero de observaciones en superficie (np)
va a ser en general inferior al nmero de incgnitas (las nx*nz
densidades en la discretizacin del problema).
El problema tiene solucin si incorporamos informacin a priori sobre
alguna caracterstica de la distribucin de densidades, como por
ejemplo que la solucin sea compacta (que minimice el momento de
inercia, es decir que la solucin entregue cuerpos bien definidos y no
dominios de densidad con varios cuerpos pequeos distribuidos en
forma homognea en el espacio).
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

APLICACIONES
Problemas no-lineales: linealizacin de problemas sobre
determinados: minimizacin de momento de inercia en gravedad
Formalmente esta informacin a priori se establece mediante la
tcnica de multiplicadores de lagrange indeterminados en donde se
minimiza el funcional:
S ( p, g ) = Ap g + ( ) H ( p )
: norma euclidiana
: metrica asociada a la perturbacion de las observaciones
( ) : funcin determinada de : Ap g =
H ( p ) : informacin a priori
Esta ecuacin es equivalente a resolver:

min( H ( p )) ( p p o ) T W p ( p p o )
sujeto a : Ap g ( g A p ) T We ( g A p )
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

APLICACIONES
Problemas no-lineales: linealizacin de problemas sobre
determinados: minimizacin de momento de inercia en gravedad
En estas ecuaciones Wp y We son matrices diagonales definidas y
positivas asociadas a los paremtros y datos respectivamente, p0 es
una solucin inicial al problema. Estas ecuaciones indican que se esta
resolviendo una minimizacin de la condicin a priori pero sujeta a
que los parmetros explique dentro de un nivel de incertidumbre las
observaciones g. Minimizando el funcional S(p,g) c/r a los
parmetros:

S ( p, g )
=0
p
p = p + W p A {A W p A + ( ) We
* o T 1 T
} (g A p )
1 1 o
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

APLICACIONES
Problemas no-lineales: linealizacin de problemas sobre
determinados: minimizacin de momento de inercia en gravedad
La informacin a priori que condiciona la matriz diagonal Wp se
determina imponiendo una condicin de mnimo momento c/r a un
eje de referencia. El momento de inercia de todas las celdas se
expresa como:
I = p j j ( 2j + d j2 );
M

j =1

d j = distancia al eje de la celda j;


= rea de la celda j;
j

= coeficiente que depende de la geometra;


j

Considerando esta expresin la funcin de normalizacin H(p) se


define como:
( + d
2 2
)
H ( p ) = w p ; donde : w =
M
2 j j j

p +
p, j j p, j
j =1
j
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

APLICACIONES
Problemas no-lineales: linealizacin de problemas sobre
determinados: minimizacin de momento de inercia en gravedad
Como la densidad debe ser siempre positiva, la minimizacin de este
funcional para un tendiendo a cero es equivalente a minimizar el
momento de inercia, de tal forma que los coeficientes de la matriz Wp
corresponden a: 2 2
( + d )
w = j j j

p +
p, j
j

Como los coeficientes de Wp dependen de p, la solucin de los


parmetros es iterativa:
+ [W p ] A {A[W p ] A + ( )[We ] } (g Ap )
1
p *( n +1 )
=p 0(n) ( n ) 1 T ( n ) 1 T ( n ) 1 0(n)

La matriz de ponderacin de las observaciones We se expresa como:


[W ] ( n ) 1
= 02 {A[W p( n ) ] AT }ii
1
e ii
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

APLICACIONES
Problemas no-lineales: linealizacin de problemas sobre
determinados: minimizacin de momento de inercia en gravedad
Donde es la estimacin de la desviacin standard del ruido en las
0
2

observaciones. La iteracin es inicializada con:

W p(1) = I ;We1 = I ; p 0 (1) = 0


mas los parmetros:
( ) = 0.01; = 0.1; = 10
o
7
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

APLICACIONES
Problemas no-lineales:
linealizacin de problemas sobre
determinados: minimizacin
de momento de inercia en
gravedad

Ejemplo de inversin: 1a
iteracin, (a): grav observada
(lnea continua) y calculada
(asteriscos); (b): error en el
ajuste; (c): modelo terico; (d)
modelo invertido
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

APLICACIONES
Problemas no-lineales:
linealizacin de problemas sobre
determinados: minimizacin
de momento de inercia en
gravedad
Ejemplo de inversin: 6a
iteracin. Vemos que se produce
un mejor ajuste del modelo
terico, en el cual la solucin
tiende a concentrar las masas
segn los ejes de inercia
correspondientes a las
distribuciones reales de las
masas. Es interesante destacar
que la calidad del ajuste original
no se ve sustancialmente
mejorado: ambas soluciones
son equivalentes desde el punto
de vista del ajuste de los datos.
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

APLICACIONES
Inversin de funciones aproximadas: Deconvolucin de Werner
En las secciones anteriores hemos estudiado problemas en los cuales
se asume una geometra del cuerpo anmalo determinada. En el
desarrollo siguiente veremos un par de mtodos que permiten la
obtencin de una solucin aproximada de los parmetros
fundamentales: profundidad a la fuente y determinacin de la
propiedad fsica asociada.
En este mtodo se considera que el basamento magntico tiene una
seccin transversal poligonal, como indica la figura:
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

APLICACIONES
Inversin de funciones aproximadas: Deconvolucin de Werner
La contribucin mayor a la anomala magntica total en la vecindad
del punto xo ser:
T ( x ) = 2 MC Im C I sen [cos ln R + sen ]
donde:
=I+I + m
( i + d )
2

I m , I : inclinacin de campo y cuerpo

C I = sen2 I + cos2 I cos2 ( D A) ; D : declinacin campo; A : azimut


C M = sen2 I m + cos2 I m cos2 ( Dm A) ; Dm : declinacin cuerpo
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

APLICACIONES
Inversin de funciones aproximadas: Deconvolucin de Werner
Las derivadas horizontal y vertical de este vrtice y evaluadas en z=0
corresponden a:

T =
T
= 2 MC C sen
[ sen h + cos ( x x )] 0
z
z Im I
R 2

T =
T
= 2MC C sen
[sen ( x x ) + h cos ]
0
x
x Im I
R 2

o bien en forma simplificada:

Tz = Av
[ sen h + cos (x x )]
0

R2
Tx = Av
[sen ( x x0 ) + h cos ]
R2
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

APLICACIONES
Inversin de funciones aproximadas: Deconvolucin de Werner
De clases anteriores debemos recordar que las derivadas horizontal y
vertical del campo magntico constituyen un par de Hilbert, y en
consecuencia la derivada vertical puede ser evaluada a partir de la
derivada horizontal (de fcil evaluacin) de acuerdo a la siguiente
expresin:
T T
= H
z x
Que en el dominio de las frecuencias corresponde a:

T T
TF (k ) = i sgn (k ) TF (k )
z x
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

APLICACIONES
Inversin de funciones aproximadas: Deconvolucin de Werner
Si consideramos todos los vrtices que contribuyen a la anomala
observada en el punto xo, obtenemos una sumatoria de efectos de
similar tipo:
hn cos n + ( x x0 n )sen n
Tx ( x ) = An
N
tot

hn + ( x x0 n )
2 2
1

hn sin n + ( x x0 n ) cos n
Tz ( x ) = An
N
tot

hn + ( x x0 n )
2 2
1

El mtodo de Werner se basa en suponer que para una porcin del


perfil de observaciones se puede considerar que hay un slo vrtice
que influye de manera significativa, y que la influencia de los vrtices
vecinos puede tenerse en cuenta usando un desarrollo en serie.
Entonces se plantea la siguiente ecuacin genrica:
A + B ( x x0 )
TT ( x ) = 2 + C + Dx + Ex 2
+L
h + ( x x0 )
2
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

APLICACIONES
Inversin de funciones aproximadas: Deconvolucin de Werner
TT(x) puede representar

1)La derivada horizontal o vertical de la anomala (vrtices)


2)La anomala misma

La justificacin de la primera posibilidad est dada en los prrafos


precedentes. La segunda posibilidad contempla el caso en el que el
basamento pueda ser no magntico pero contener un dique
magntico incrustado. Los trminos C + Dx + Ex2 + ... son los que
tienen en cuenta la influencia de vrtices vecinos o diques cercanos.

Esta expresin se puede transformar en:

x + x + x + x + + xT + T = Tx
1
4
2
3
3
2
4 5 6 7
2

Las I contienen h, x0, A, B, C, D y E, que son 7 incgnitas a calcular


de las observaciones TT(x)
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

APLICACIONES
Inversin de funciones aproximadas: Deconvolucin de Werner
De estos coeficientes interesa especialmente aquellos asociados a la
ubicacin del cuerpo xo y profundidad h: 6, 7:

= 2 x
6 o

= ( h + x )
7
2 2
o

xo = 6
; h = 7 6

2 4
Cabe hacer notar que otros parmetros relevantes en el proceso de
interpretacin (como por ejemplo la magnetizacin del cuerpo)
pueden tambin ser resueltos en este proceso de inversin al
descomponer los restantes coeficientes del sistema de ecuaciones
anterior.
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

APLICACIONES
Inversin de funciones aproximadas: Deconvolucin de Werner
Generalmente se recorre el perfil de valores medidos de TT con una
ventana mvil, que debe tener al menos 7 puntos para poder calcular
las 7 incgnitas. La ventana puede ser mayor, y en ese caso se aplica
una regresin lineal. Los parmetros se obtienen con su error de
ajuste, y se puede designar un valor de tolerancia para aceptacin o
rechazo. En las incgnitas listadas, adems de la profundidad y
posicin del vrtice, se encuentran la magnetizacin, el campo
principal y los parmetros angulares de los vrtices. Las estimaciones
de estas variables son en general muy groseras, pero sirven de
control para la validez de la aplicabilidad del mtodo. Como TT puede
ser la derivada horizontal o vertical de la anomala, y tambin la
anomala misma, en cada ajuste (cada posicin de la ventana) se
pueden obtener por lo menos 3 estimaciones de h y x0.
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

APLICACIONES
Inversin de funciones aproximadas: Deconvolucin de Werner
En el
ejemplo
siguiente se
ha invertido
la siguiente
secuencia de
diques
verticales:
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

APLICACIONES %determinacion de derivadas horizontales y verticales

Inversin de funciones T_x=gradient(T,dx); % derivada horizontal


aproximadas: ii=0:1:128;
ii(130:256)=-fliplr(ii(2:128));
Deconvolucin de K=ii/(256*dx);
Werner T_z=-real(ifft(1i*sign(K).*fft(T_x)));
% deconvolucion de werner paso 1 2 4 8
unos(1:8)=1;
Algoritmo for l=1:3
jj=0;
for i=1:4
j=2^(i-1);
for k=1:j:256-j*7,
xx=x(k:j:k+j*7);
if l==1,T_x1=T_x(k:j:k+j*7);end
if l==2,T_x1=T_z(k:j:k+j*7);end
if l==3,T_x1=T(k:j:k+j*7);end

x_mat=[xx.^4; xx.^3; xx.^2; xx; unos; xx.*T_x1; T_x1]';


b_mat=T_x1.*xx.^2;
alfa=inv(x_mat'*x_mat)*x_mat'*b_mat';
if -alfa(7)-(alfa(6)^2)/4 >0,
jj=jj+1;
x0(jj)=alfa(6)/2;
h0(jj)=sqrt(-alfa(7)-(alfa(6)^2)/4);
end
end
end
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

APLICACIONES
Inversin de funciones aproximadas: Deconvolucin de Werner
Se utilizo paso
de 1,2,4, y 8
intervalos de
muestreo.
Como la
magnetizacin
de los diques
es constante
solo aparecen
transiciones
bien marcadas
cuando hay
cambios de
relieve en el
basamento
magntico
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

APLICACIONES
Inversin de funciones aproximadas: Deconvolucin de Euler
Una ltima metodologa de uso comn en la estimacin de la
profundidad a una determinada interfase con contraste geofsico en
los mtodos de potencial, lo constituye la deconvolucin de Euler. Al
igual que el mtodo de Werner esta tcnica es apropiada para una
primera estimacin de la profundidad al basamento (y tambin la
intensidad de la propiedad fsica muestreada) de grandes volmenes
de datos en donde no sea posible disponer de una caracterizacin
acabada de la fuente.

Una funcin V se dice homognea de grado n si cumple la ecuacin


diferencial de Euler:

V V V
x +y +z = nV
x y z
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

APLICACIONES
Inversin de funciones aproximadas: Deconvolucin de Euler
Se puede demostrar adems que derivadas direccionales de la
ecuacin de Euler son tambin homogneas, por ejemplo la deriva c/r
z de V:


V V V
z z z
x +y +z = (n + 1) V
x y z z

si V=1/r, satisface la ecuacin de Euler, en consecuencia el potencial


gravitatorio V = Gm tambin es solucin de esta ecuacin con n=1. A
r
su vez la gravedad que es la derivada z del potencial cumple la
relacin de Euler con n=2. Otras formas simples de fuentes de
potencial tambin cumplen esta ecuacin con ordenes crecientes de
n.
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

APLICACIONES
Inversin de funciones aproximadas: Deconvolucin de Euler
Para datos de potencial Ti (ya sea gravedad o magnetismo) se cumple
en general la siguiente ecuacin de Euler:

(xi xo ) Ti + ( yi yo ) Ti + (zi zo ) Ti = n(Ti B )


x y z
donde B es un campo regional o de referencia, y n se denomina el
ndice estructural. Valores de n para distintos cuerpos simples se
adjuntan en la siguiente tabla.

Indice Cuerpo
n gravedad magnetismo
0 sill/dique contacto
0.5 cinta escaln
1 cilindro dique
2 esfera cilindro
3 esfera
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

APLICACIONES
Inversin de funciones aproximadas: Deconvolucin de Euler
Considerando un conjunto de observaciones, cada una de ellas
cumple la ecuacin de Euler y en consecuencia puede ser
representada como un sistema de ecuaciones en el cual las incgnitas
corresponden a la ubicacin de la fuente causante de la anomala (x0,
y0, z0), eventualmente el ndice n:

T1 T1 T1 T1 T1 T1
x T + x + y + z
y z x y z
1 1 1 1

T2 .. .. xo T2 + x2 T 2
+ y2
T2
+ z2
T2
x y x y z
: = n
o
:
Ti Ti Ti zo Ti Ti Ti
Ti + xi + yi + zi
x y z x y z
Tn Tn Tn Tn Tn Tn
x T + x + y + z
y z n z
n n n
x y
MDULO VII.- TEORIA DE INVERSIN EN DATOS DE POTENCIAL

APLICACIONES
Inversin de funciones aproximadas: Deconvolucin de Euler
Este sistema de ecuaciones se resuelve de forma similar al esquema
propuesto para la deconvolucin de Werner:

Se selecciona un ndice estructural acorde con la geologa de los


cuerpos esperados
Se determina un paso de muestreo y se toma un nmero
significativo de puntos para realizar una inversin de matrices
estable.
Se procede a continuacin a determinar las derivadas horizontales
(mediante diferencias) y verticales (transformada de hilbert)
Se invierte la matriz de derivadas determinando la ubicacin de la
fuente para la venta espacial elegida
Se avanza en el perfil desplazando la ventana de muestreo hasta
completar las observaciones
Se aumenta el muestreo para mapear profundidades mayores y se
repite toda la secuencia anterior.

S-ar putea să vă placă și