Está en la página 1de 4

Mtodos de interpolacin usados en procesamiento ssmico (Versin 2.

0)
Carlos J., Araque P.; Brayner R., Garca M; Estudiantes de ingeniera geofsica; Facultad de
Ingeniera Universidad Central de Venezuela

1. Introduccin En lugar de recortar datos en ventanas


superpuestas (parches).
La interpolacin es una herramienta
matemtica que permite ajustar curvas de Todo con la finalidad de encontrar trazas
funciones a partir de datos muestreados de interpoladas, lo cual puede tratarse como un
forma discreta, en la ssmica se presentan problema lineal de mnimos cuadrados, que
problemas a la hora de interpolar una traza a resuelve valores de datos en lugar de
partir de trazas u ondculas conocidas y de coeficientes de filtro. En comparacin con los
estimar el ajuste de una traza a partir de un mtodos existentes, las ventajas del mtodo
muestreo de un conjunto de datos separados propuesto incluyen una seleccin intuitiva de
por un intervalo de tiempo previamente parmetros de regularizacin y convergencia
configurado, cabe destacar que un mal de iteracin rpida para reconstruir con xito
muestreo de los datos har que se produzca datos con trazos diezmados o faltantes.
un fenmeno de aliasing y en consecuencia la
Cuando la interpolacin de datos se echa
interpolacin y el ajuste de la curva deseada
como un problema inverso, se puede usar un
no va a ser el que describa la situacin que se
PEF para encontrar datos faltantes. Esto
est modelando de la naturaleza.
implica un enfoque de dos pasos. En la
Asimismo, cuando se suaviza una funcin primera etapa, se estima un PEF
con ruido de alta frecuencia por splines minimizando la salida de convolucin de
cubicas medias, usualmente no queda muy datos conocidos con un PEF desconocido. En
claro como escoger el nmero de nodos, el segundo paso, los datos que faltan se
cuanto ms nodos se usen, ms cerca estar encuentran minimizando la convolucin del
a funcin suavizada de seguir a la ruidosa, PEF recientemente calculado con el modelo
por lo que se quiere demostrar que ms desconocido, que est restringido donde se
cantidad de nodos significan una mejor conocen los datos.
aproximacin a los coeficientes de Fourier
Sin embargo, Liu y Fomel (2011)
para altas frecuencias, sin embargo para
muestran un ejemplo de referencia creado por
splines optimas cubicas el nmero de nodos
Raymond Abma, donde se muestra un simple
no es la mejor opcin, ya que la funcin
evento curvo mostado en la Figura 1a. En este
podra ser realmente sobre muestreada debido
ejemplo se demuestra la no estacionariedad
a la optimizacin de la solucin.
como del aliasing. La Figura 1b muestra el
2. Mtodos de Interpolacin de data resultado interpolado usando el t-x PEF
ssmica estacionario de Claerbout. Teniendo en cuenta
que el mtodo t-x PEF puede recuperar el
Segn Liu y Fomel (2011) los datos
rastreo de aliasing slo en el rango de
ssmicos son a menudo muestreados
pendiente dominante. El resultado de
inapropiadamente o irregularmente a lo largo
interpolacin de trazas que utiliza la
de ejes espaciales, donde el muestreo
autorregresin no estacionaria regularizada se
irregular puede afectar en los resultados de
muestra en la Figura 1c. El mtodo propuesto
imgenes ssmicas. Es por ello que Liu y
elimina todo aliasing no estacionario y
Fomel (2011) presentan un nuevo enfoque
mejora la continuidad del evento curvado.
para interpolar datos ssmicos con aliasing
basados en el filtro adaptativo de error
predictivo (prediction-error filtering) (PEF) y
auto-regresin no estacionaria regularizada.
3.1. Interpolacin Trivial en el Dominio de
Frecuencia

Para Weiss et al (2016) es el mtodo ms


sencillo, el espectro de amplitud de la
ondcula interpolada es estimado por un peso
promedio del espectro de amplitud de ambas
ondculas de entrada. Similarmente, el
espectro de fase es estimado por el peso
Figura 1 - Datos sintticos aliados (a), interpolacin de trazas con
promedio del espectro de fase de las
destruccin de onda plana (b) e interpolacin de trazas con auto- ondculas de entrada, como se muestra en la
regresin no estacionaria regularizada (c).
Figura 3.
3. Interpolacin de Ondculas

La interpolacin entre ondculas conocidas


es esencial en muchos esquemas de trabajo de
procesamiento e inversin. Segn Weiss,
Moulire-Reiser, Malkin, Grinberg, &
Canning (2016) los resultados de
interpolacin dependen de la ondcula de
Figura 3 Interpolacin trivial en el dominio de la
entrada. Tambin Weiss et al (2016)
frecuencia
encuentran que un mtodo sencillo no
siempre da la respuesta requerida. Aunque
Los pesos usados en la interpolacin son
esto no es un problema nuevo, al parecer no
determinados por la diferencia de los valores
ha trado mucho la atencin, y no han sido
de las dos ondculas de entrada. Los pesos
explorados mtodos alternativos de
de las ondculas de entrada son dados por
interpolacin en la literatura. En este sentido
w1=(w2-wout)/(w2-w1) para la ondcula de valor
Weiss et al (2016) definen varios mtodos de
menor, y w2=(wout-w1)/(w2-w1) para la
interpolacin para abordar algunos casos
ondcula de mayor valor. Por su puesto w1 +
encontrados.
w2=1.
En todos los casos, es necesario calcular
3.2. Interpolacin Horizontal
una ondcula como una funcin de un
parmetro continuo, dando muchas entradas
de ondculas en una localizacin discreta. La Ayuda a interpolar entre ondculas donde
diferencia entre las ondculas conocidas en el rango de frecuencias difiere (Figura 2). Al
ms compleja. Las ondculas normalmente interpolar entre amplitudes para cada
varan en el espectro de amplitud y en el frecuencia se hace lo contrario: para cada
espectro de fase como se muestra en la Figura valor de amplitud se interpola entre dos
2. frecuencias que da el valor entre ambos
espectros de amplitud. En otras palabras, el
promedio no est dado en la direccin vertical
para un valor dado de frecuencia; al contario
esta dado en la direccin horizontal para
valores constantes de amplitud. Por supuesto
el promedio es pesado con los pesos que se
definieron arriba.
Figura 2 Espectro de amplitud de ondculas de
entrada (rojo y rosado) y ondculas interpoladas
(azul y verde).
Sin embargo, ninguna de las tres opciones
podra ser adecuada. Incluso si se decide que
se necesita el detalle preservado por 25
nodos, bien podra ser posible que menos
nodos puedan proporcionar la misma cantidad
de detalle. Una medida cuantitativa puede
mejor ajuste se puede obtener del dominio de
frecuencia. La Figura 6 representa la
Figura 4 Interpolacin horizontal en el desviacin total, es decir, la raz cuadrada de
espectro de amplitud
la suma sobre las desviaciones cuadradas,
entre los coeficientes de Fourier de las
4. Splines ptimos funciones originales y suavizadas, en funcin
del nmero de nodos.
El mtodo para determinar la
aproximacin de una funcin dada por
Splines cbicos ptimos detecta las mejores
posiciones del nmero de nodos. La funcin
de penalizacin es la desviacin de la funcin
original a ser aproximada. El algoritmo de
optimizacin usado es el Broyden-Fletcher-
Goldfarb-Shanno (BFGS), el cual es un
mtodo cuasi-Newton que construye una
aproximacin a las derivadas de la funcin
objetivo utilizando la diferencia entre
sucesivos vectores de gradiente. Combinando Figura 5 Funcin ruidosa con tres versiones de
la primera y la segunda derivada, el algoritmo suavizado diferentes obtenidas con splines cubicas
es capaz de tomar pasos de tipo Newton hacia con 5, 15 y 25 nodos
la funcin mnima, suponiendo un
comportamiento cuadrtico en esa regin.

5. Nodos

Es un parmetro crucial para cualquier


interpolacin de spline o aproximacin. El
grado real de suavizado o conservacin de los
detalles de la funcin original depende en
gran medida del nmero de nodos. Por lo
tanto, tiene que ser elegido de acuerdo con las Figura 6 - Desviacin entre los Coeficientes de
necesidades reales. Por ejemplo, se considera Fourier de la funcin original y la suavizada, como
la funcin ruidosa de la Figura 5. Tambin se una funcin del nmero de nodos.
muestra son tres versiones suavizadas de esa Para conocer la calidad del detalle
funcin, obtenidas por valores splines conservado por un cierto nmero de nodos, se
ptimos cbicos con 5, 15 o 25 nodos, observan los coeficientes de Fourier del
respectivamente. Se observan los diferentes tiempo original as como sus versiones
grados de detalle preservado por las suavizadas. Estos estn representados en la
diferentes aproximaciones. Ejecutando El Figura 7. La aproximacin con 5 nodos slo
suavizado por splines cbico ptimo usando conserva el cero-Frecuencia (no dentro de la
ms nodos resulta en un mejor ajuste de la eleccin de los ejes en la Figura 7) y lel
funcin suavizada a la no suavizada. primer coeficiente a cada lado. Con 15 nodos,
se tienen listos 6 coeficientes a cada lado de
la frecuencia cero. Finalmente, con 25 nodos,
todos los coeficientes representados en la para manejar la variacin espacio-temporal de
Figura 7, es decir, 11 a cada lado, han sido datos ssmicos no estacionarios. Se aplic
razonablemente bien conservados. este mtodo a la interpolacin de rastros
Por lo tanto, para elegir el nmero de ssmicos ms all del aliasing y a la
nodos, se debe especificar una frecuencia reconstruccin de datos con huellas perdidas
hasta que los coeficientes se requieren para y diezmadas.
emparejar. De esta condicin, se puede
determinar el nmero necesario de nodos. En Se plante un mtodo alternativo de
la Figura 8, se comparan dos resultados de interpolacin de ondculas a partir de dos
suavizado obtenidos por la aplicacin de este ondculas conocidas, partiendo de la
criterio. Las funciones suavizadas son las Transformada de Fourier de las Ondculas y
primeras en preservar todos los coeficientes llevarlas al dominio de la frecuencia de all se
de Fourier hasta 3,1 Hz y 7,9 Hz, puede obtener una interpolacin trivial en el
respectivamente. dominio de las frecuencias siempre y cuando
los rangos de frecuencia de las ondculas de
entrada no difieran.

Al suavizar una funcin con ruido de alta


frecuencia mediante Splines cbicos ptimos,
el aumento en el detalle preservado es
fuertemente no lineal con el nmero de
nodos. Se demuestra que ms nodos
significan una mejor aproximacin de los
coeficientes de Fourier para frecuencias ms
altas. As, el nmero de nodos puede ser
determinado especificando una frecuencia
hasta la cual todos los coeficientes de Fourier
Figura 7 Coeficientes de Fourier de la figura 5
deben ser preservados.

7. Bibliografa

Liu, Y., & Fomel, S. (2011). Seismic data


interpolation beyond aliasing using
regularized nonstationary autoregression.
Geophysics, V69-V77.

Schleicher, J., & Biloti, R. (2006). A


frequency criterion for smoothing with
optimal cubic splines. SEG Conference
New Orleans (pgs. 3031-3035). New
Orleans: Society of Exploration of
Figura 8 Funciones de suavizado spline ptimo Geophysics.

6. Conclusiones Weiss, Y., Moulire-Reiser, D., Malkin, A.,


Grinberg, N., & Canning, A. (2016).
Se introdujo un nuevo enfoque para el Interpolating Wavelets. En Paradigm
filtro adaptativo de errores de prediccin para (Ed.), SEG International Exposition and
la interpolacin de datos ssmicos, usando la 86th Annual Meeting (pgs. 3641-3645).
auto-regresin no estacionaria regularizada, Houston: SEG publications.

También podría gustarte