1.
Introducción a la Inversión Geofísica
La inversión geofísica busca estimar parámetros de un modelo idealizado del
subsuelo (ej.: espesor de los estratos, densidad, velocidad de ondas) a partir de un
conjunto finito observaciones reales (ej.: sismogramas, datos de gravedad). El objetivo
de la inversión es poder estimar los parámetros que ajustan la respuesta del modelo a
los datos reales. Para lograr lo anterior se deben tener en cuenta las siguientes
definiciones:
Modelo: Ecuaciones matemáticas particulares que describen el proceso en el
subsuelo observado.
Parámetros: Variables que gobiernan la física del modelo idealizado (ej.:
espesor de capas, impedancia acústica).
Respuesta del modelo: Datos sintéticos generados por el modelo.
Debido a que los datos geofisicos reales son de naturaleza inexacta, insuficiente e
inconsistente la solución a los problemas inversos nunca son únicas, por tal razón, la
solución elegida debe ser la óptima, es decir, aquella que minimiza un margen de error
preestablecido. Aquí se hace muy importante el enfoque de mínimos cuadrados ya
que ha demostrados robustez matemática cuando trata con el tipo de datos geofísicos.
2. Métodos de Mínimos Cuadrados
Antes de realizar una inversión geofísica, se debe tener muy claro cómo será la
respuesta del modelo respecto a los parámetros, es decir, lineal o no lineal.
2.1. Mínimos Cuadrados Lineales
Un modelo es lineal cuando, por ejemplo, se tiene yt = at∗bt, donde ∗ denota
convolución, los datos yt son una función lineal de los parámetros del modelo at y bt.
El objetivo es minimizar la suma de errores cuadráticos entre datos observados y
sintéticos. Lo cual se logra a través de la siguiente ecuación normal:
donde: Z es la matriz Jacobiana nxp (# observaciones x # parámetros) y contiene las
derivadas parciales del modelo respecto a los parámetros, δ es el vector de
permutaciones px1 y g es el vector de discrepancias nx1 y contiene la diferencia entre
datos observados y sintéticos iniciales).
Cabe resaltar que, el vector de permitaciones es la solución a la ecuación normal y
está dado por:
Y también se conoce como la solución Gauss-Newton. La mayor dificultad con este
método es que la matriz 𝑍 𝑇 𝑍 puede ser singular o mal condicionada, llevando a
soluciones inestables.
2.2. Método de Marquardt-Levenberg
Para eliminar la dificultad cuando la matriz 𝑍 𝑇 𝑍 es cuasi singular se impone
una condición de restricción a la suma de los cuadrados, o la energía, del
2
vector de permutaciones limitado a una cantidad finita 𝛿0 . Este enfocque se
conoce como mínimos cuadrados amortiguados y está dado por la siguiente
ecuación normal:
donde: β es un multiplicador de Lagrange o factor de
amortiguamiento e I es la matriz identidad.
La solución a la anterior ecuación es:
Este enfoque es híbrido ya que combina el método Gauss-Newton (rápido cerca del
mínimo) y Descenso más Pronunciado (robusto lejos del mínimo), ambos,
determinados por el factor de amortiguamiento β, de la siguiente manera:
Si β = 0: Predomina Gauss-Newton.
Si β es grande: Predomina Descenso más Pronunciado.
Este parametro β se irá ajustando en cada iteración estabilizando la solución al evitar
singularidades. Una de las principales ventajas del método de inversión por mínimos
cuadrados es su aplicabilidad a casi cualquier problema para el cual se pueda
construir un modelo
También, vale la pena resaltar que, se debe evitar usar más parámetros de los
absolutamente necesarios en el modelo, lo que se conoce como principio de
parsimonia.
2.3. Mínimos Cuadrados No Lineales
Para una función no lineal de algunos o todos los parámetros 𝜃 𝑗, a menudo podemos
estimar el vector de parámetros θ mediante una secuencia de estimaciones de
mínimos cuadrados lineales restringidos o amortiguados. La búsqueda iterativa de las
estimaciones de los parámetros termina cuando el error cuadrático o un cambio
relativo en el error cuadrático se vuelve menor que un valor preespecificado.
3. Descomposición en Valores Singulares (SVD)
La SVD descompone cualquier matriz Z (nxp) en tres matrices:
𝑇
𝑍 =𝑈 Λ 𝑉
donde: U es una matriz nxp de los vectores propios relacionados con las
observaciones, Λ es una matriz diagonal pxp que contiene las raíces cuadradas de los
valores propios de 𝑍 𝑇 𝑍 e indican la “importancia” de cada dirección, y V es una
matriz pxp de los vectores propios relacionados con los parámetros.
U y V son ortogonales, por lo tanto, se cumple que: 𝑈 𝑇 𝑈=𝑉 𝑇 𝑉 =𝐼
Además, resuelve problemas mal condicionados cuando 𝑍 𝑇 𝑍 es casi singular, es
decir, componentes de la matriz Λ tienden a cero. Valores singulares pequeños indican
combinaciones lineales de parámetros u observaciones que aportan poca información,
por lo tanto, identifica redundancias. Y, mejora la precisión, ya que supera métodos
tradicionales (Cholesky, Crout) en matrices mal escaladas o con ruido.
3.1 Integración con Marquardt-Levenberg
En problemas no lineales, la SVD se combina con el factor de amortiguamiento (β)
para estabilizar soluciones:
donde: λ es la raíz cuadrada de los valores propios de 𝑍 𝑇 𝑍 .
Aquí queda claro cómo β puede evitar el problema de las singularidades matriciales
incluso si λ→0, no ocurre una división por cero. Además, si:
β=0: Solución clásica de mínimos cuadrados.
β>0: Reduce el impacto de valores singulares pequeños (λ ≈ 0), evitando
divisiones por cero y oscilaciones.
4. Aplicaciones Prácticas
Como se ha mencionado, los métodos de mínimos cuadrados iterativos se han
utilizado en muchos tipos de problemas geofísicos. A continuación, se mencionarán
dos de ellos.
4.1. Deconvolución Sísmica
Separar la ondícula fuente wt de la respuesta impulsiva del subsuelo estratificado it en
un sismograma dado en el dominio del tiempo por:
Precisamente, la deconvolución es el intento por eliminar la ondícula fuente wt de la
traza xt del sismograma y posteriormente estimar los coeficientes de transmisión y
reflexión del subsuelo estratificado. El sismograma en el dominio de la frecuencia esta
dado por:
Dado que la respuesta it depende de coeficientes de reflexión (ct), que son
parámetros no lineales, se trataría de un problema no lineal respecto a estos
parámetros. Sin embargo, si los coeficientes de reflexión ct son suficientemente
pequeños en magnitud, la respuesta al impulso it se convierte en una función
cuasilineal de los coeficientes ct , y para tales casos las expansiones en series de
Taylor del modelo no lineal se vuelven aplicables.
Finalmente, dado que los coeficientes de reflexión rara vez son mayores que 0.3, la
suposición de linealidad suele ser válida.
Los resultados arrojan que usando SVD y Marquardt-Levenberg, se estima wt incluso
con ruido (ej.: señal/ruido = 1). Y, la elección de β afecta la convergencia:
Si β=0 hace que el error cuadrático acumulado oscile salvajemente hacia una
meseta.
Si β ≠ 0 la solución converge.
A diferencia de otras técnicas inversas, la inversión no lineal por mínimos cuadrados
produce estimaciones de parámetros robustas en entornos ruidosos. Esta
característica no debe subestimarse al tratar con datos geofísicos.
4.2. Inversión de Datos de Gravedad
Problema: Determinar posición (Cx,CzCx ,Cz ) y contraste de densidad (ρρ) de
una cuña enterrada.
Ecuación de gravedad:
gz=2γρt(π2−tan−1xZ).gz =2γρt(2π −tan−1Zx ).
No unicidad: Múltiples combinaciones de ρρ y profundidad (ZZ) pueden ajustar
los datos.
Solución iterativa:
o Converge en 3-4 iteraciones con β=0β=0.
o Ejemplo: Con ρinicial=0.2 g/cm3ρinicial =0.2g/cm3, se ajusta a
ρfinal=0.25 g/cm3ρfinal =0.25g/cm3.
5. Conclusiones
1. Métodos Robustos:
a. Marquardt-Levenberg + SVD ofrece estabilidad numérica y manejo de
no linealidades.
b. Superior a métodos tradicionales (Cholesky, Crout) en precisión,
especialmente con datos ruidosos.
2. No unicidad:
a. Aunque múltiples modelos ajustan los datos, la inversión guiada por
restricciones físicas reduce ambigüedades.
3. Aplicabilidad:
a. Útil en sismología, gravimetría, electromagnetismo y otros campos
geofísicos.