Documentos de Académico
Documentos de Profesional
Documentos de Cultura
tratamiento de anomalías
de campos potenciales
Beatriz Introcaso
1999
INDICE
Pág.
Campos potenciales, sus anomalías y la necesidad de regularización y
separación. 1
Algunos métodos de separación clásicos 8
Método de Griffin 8
Superficies de tendencia 10
Método de las derivadas segundas 11
Prolongación ascendente y descendente 12
Transformada de Fourier y espectro de potencia 14
Definición 14
Algunas observaciones 17
Transformada de Fourier Discreta 18
Transformada Rápida de Fourier 19
Espectro de potencia 20
Métodos estadísticos de estimación del espectro 21
Modelo autorregresivo con promedio móvil 22
Método de máxima entropía 23
Determinación de las profundidades de las masas causantes y
separación de anomalías a partir del espectro de potencia 27
Caso unidimensional 27
Método de Prony 32
Caso bidimensional 36
Algunas nuevas ideas 38
Grillado de datos de campo potencial 41
Separación regional-residual de anomalías 43
La transformada de Hartley 45
Bibliografía 48
1
Campos potenciales, sus anomalías
y la necesidad de regularización y separación.
Si por ejemplo
(x , y , z ) = r = x2 + y 2 + z2
se tendrá
r
=
r
donde r = (x,y,z), y por lo tanto es un potencial del campo vectorial
1
Se llama gradiente de un campo escalar al vector cuyas componentes son las derivadas
parciales del mismo.
2
Las superficies de nivel son aquellas que verifican F (x,y,z) = constante.
2
r
F(x, y , z ) =
r
m0m
F=G r
r3
y vemos que F es proporcional al gradiente de un campo escalar dado por
(x, y , z ) = m0m
r
m0
3
Para las masas que no están concentradas en puntos aislados sino que están
distribuidas continuamente, con densidad ( , , ), sobre una porción
3
definida V del espacio euclídeo R , se define el potencial de esta distribución
de masa como
=
( , , )d d d
V
r
(u,v ) dS
S
r
Y del mismo modo, para el potencial de una masa distribuida a lo largo de
una curva con densidad lineal (t) se obtiene una expresión dada por la
integral de longitud de arco
(t ) d
r
2 2 2
+ + =0
x2 y2 z2
llamada ecuación de Laplace, que se abrevia
=0
4
de magnetismo (derivadas segundas) en cualquier dirección, son todos
campos potenciales.
(
g = gE 1+ sen 2 1 sen 2 )
donde gE es el valor de la gravedad en el ecuador, es el aplastamiento
gravimétrico (obtenido en función de la relación entre la gravedad en el polo
y en el ecuador) y 1 es otro coeficiente adimensional derivado de un
elipsoide homogéneo.
la)
G
m
(
a
c
ir
é
t
m
i
v
a
rg g
a
lía
m
o
n
A
Una masa enterrada provoca una alteración del campo gravimétrico normal
(teórico) medible desde la superficie, que es función de su tamaño, densidad
y profundidad (Fig. 2). El objeto, entonces, de la medición de anomalías de
campos potenciales es el de relacionarlas con las estructuras geofísicas que
las causan, infiriendo – si es posible en forma cuantitativa - características
de dichas estructuras. A este proceso se lo conoce genéricamente como
6
interpretación. Sin embargo, la interpretación abarca varias etapas, pues las
mediciones deben regularizarse, o sea facilitar su manejo refiriéndolas, por
ejemplo, a puntos equiespaciados, a veces cambiar ejes magnéticos
(reducción al polo), y siempre en un primer análisis separar efectos de
fuentes poco relacionados entre sí. Si hay varias masas enterradas de
distintos tamaños y densidades y a diferentes profundidades, provocarán un
efecto donde intervendrán todas las variables. Generalmente, las cartas de
isoanómalas observadas son el resultado de una multiplicidad de causas que
se pueden buscar en la superficie de la corteza terrestre, en zonas más
profundas de la misma, en el manto viscoso más denso sobre el cual se
asienta la corteza o en la discontinuidad que separa corteza y manto (Moho).
La separación consiste en descomponer este efecto en suma de los que
provienen de las diferentes fuentes (Fig. 3).
= +
Se suelen usar los términos regional y residual para denotar los campos de
gravedad observada que producen fuentes profundas y superficiales
respectivamente. Las primeras en general se caracterizan por longitudes de
onda largas, mientras que las segundas por longitudes de onda menores.
7
Ahora, si se trata, por ejemplo, de levantamientos extensos (pongamos por
caso la zona que comprende la cordillera de los Andes) interesa estudiar la
anomalía profunda o regional. En cambio, si se trata de un estudio para
detección de yacimientos minerales, interesa la anomalía local (residual).
Además del factor de escala, interviene el tipo de región que se explora. No
es lo mismo definir una anomalía regional en una cordillera, donde la
isoanómala revelaría la existencia de raíces (vastas penetraciones de la
corteza en el manto), que en una planicie, donde la anomalía regional puede
deberse a alguna variación en la configuración del basamento cristalino.
8
El principal problema de este método consiste en la elección del radio de la
circunferencia: debe ser suficientemente grande para asegurar que la misma
caerá enteramente fuera de la anomalía local, y a la vez lo suficientemente
pequeño como para que no incluya irregularidades provenientes de otras
fuentes. El espaciamiento de los puntos a lo largo de la circunferencia
también es arbitrario.
1
n 2
ob
(a)
r
(b)
Fig. 4 (a) Con centro en cada punto en que se quiere calcular la residual se
considera el promedio de los valores a lo largo del perímetro de la circunferencia
de radio r. (b) Si el radio es demasiado pequeño quedará fuera parte de la residual,
mientras que si es muy grande incluirá efectos de otras fuentes.
Superficies de tendencia
i =1
siendo fi el polinomio propuesto.
= +
10
Se suele definir un grado óptimo de ajuste cuando las residuales
correspondientes a dos grados consecutivos exhiben poca variación
(Abdelrahman et al., 1985). Sin embargo, la superficie de ajuste regional en
general interpolará los datos de observación, y por lo tanto la residual será
alternativamente positiva y negativa (Fig. 5). Para obviar este problema se
han desarrollado métodos polinómicos robustos que son algo más laboriosos
(Beltrao et al., 1991).
De acuerdo con Grant y West (1965) los métodos de diferenciación son más
un complemento de la interpretación que un método de separación. Su
principal función consiste en indicar la presencia de anomalías bajo
circunstancias difíciles, pero no conviene interpretar los resultados
cuantitativamente.
11
Prolongación ascendente y descendente de campos potenciales
GM
g (P ) =
R2
M = 4 R2 dR
{
µ : densidad superficial
M g (P )
µ= 2
=
4 R 4 G
12
Es decir que podemos calcular valores de gravedad sin necesidad de conocer
la densidad , sino sólo conociendo la distribución g(P).
Para el caso de una losa plana indefinida, que es el modelo utilizado con
más frecuencia para la representación de una estructura que provoca un
efecto de masa, se sabe que g ( P ) = g ( x , y ,0 ) = 2 G {
dh y por lo
µ
g ( x , y ,0 )
tanto µ = . Combinando esta información con lo que se conoce
2 G
para el cálculo de la gravedad vertical en un punto P(x0,y0,z0), se tiene
z 0 g (x, y ,0 )
+ +
1
g (x 0 , y 0 , z 0 ) = dx dy (1)
2
((x x 0 ) + (y
2
y )2
+ z 02 )
3
2
1 m n
z g (i x, j y )
g (i x, j y , z ) =
2 k= m l= n (k 2
+ l 2 + z2 ) 3
2
13
introduciendo un error, que podrá resultar despreciable en tanto la elección
de los valores de x y y, así como m y n sea la adecuada.
14
Fig. 6. Un haz de luz que atraviesa un prisma se descompone en colores simples,
lográndose una representación de una función muy complicada en suma de
funciones más sencillas.
15
Formalmente, se llama transformada de Fourier de una función f L1(R)3 a
la función
+
fˆ ( )= f (x ) e 2 i x
dx
+
f (x ) = fˆ( )e 2 i x
d
+ +
fˆ( , )= f (x, y ) e 2 i( x+ y )
dx dy
3
El espacio de las funciones de módulo integrable en los reales.
16
y análogamente
+ +
f (x, y ) = fˆ( , )e 2 i( x+ y )
d d
Algunas observaciones
f j = f ( j x ), j Z
1
El valor 0 = se denomina frecuencia de Nyquist. La misma es
2 x
importante debido a las siguientes cuestiones:
17
determinada por sus mediciones fj , y viene dada por:
+
sen (2 0 ( x j x ))
f (x ) = x fj
j= (x j x )
• Si, en cambio, la función f(x) no está limitada a frecuencias de magnitud
menor que 0, resulta que todos los valores de la transformada que
quedan fuera del intervalo (- 0, 0) se trasladan en forma artificiosa
dentro de ese rango. Este es el fenómeno denominado aliasing. Es
inmediato ver que dos ondas e2 i l t y e2 i 2 t tienen la misma respuesta
k
en un intervalo x siempre que exista un entero k tal que 1 2 = .
x
18
necesariamente periódica) se redefine como periódica, por algún
procedimiento que puede ser, por ejemplo, su convolución con una
apropiada distribución (Cordell y Grauch, 1981), lo cual requiere el
conocimiento de f para todo x, mientras que en la práctica sólo conocemos
sus valores en un conjunto finito de observaciones.
k
2 i N
X k = Yk + e N Zk k = 0,K, 1
2
Espectro de potencia
2
+
P( ) = fˆ( ) f (x ) e
2 2 i x
= dx
20
Sin embargo, no es la única forma de definirlo. Por ejemplo desde el punto
de vista estadístico, si consideramos un proceso estocástico f(x) y
recordamos que la media de este proceso viene dada por
µ f = E[f (x )]
C f (x ) = E[(f (x 0 + x ) µ f ) (f (x 0 ) µ f )]
Teniendo en cuenta algunas propiedades de la función de autocorrelación
(Haykin, 1979) se puede escribir:
+
Pf ( )= C f (x ) e 2 i x
dx
2
N 1 k
2 i N
P (k ) = xn e n , k = 0,K , N 1
n =0
yt =ut + vt
Una vez identificados los parámetros del proceso ARMA de orden (p,m), la
estimación espectral se obtiene a partir de las ecuaciones de Yule-Walker
(Box y Jenkins, 1970), que describen la relación entre estos parámetros y la
función de autocorrelación.
1
I i = log 2
pi
M
1
I= p i T log 2
i =1 pi
M M M
I 1 1 1 1
H= = p i log 2 = p i T ln = p i ln p i (2)
T i =1 p i ln 2 i =1 pi ln 2 i =1
24
En todos los otros casos la entropía es positiva, y es una medida del
desorden en el sistema, o - alternativamente - una medida de nuestra
ignorancia sobre la situación real del sistema.
n
pi = 1
i =1
y
n
p i f k ( xi ) = f k ( xt ) , k = 0, K , m
i =1
25
La solución a este problema variacional es bien conocida y viene dada por:
1
pi = m
n k fk ( xi )
e k =1
i =1
, (x ) )
m
k fk
f k ( xt ) = log** e k =1 '
''
*
k
+ (
27
m z0
g ( x ) = 2G
(x x0 ) + z 0
2 2
+
m z0
gˆ ( )= 2 x z0
2G e 2 i x
dx = 2 Gm z 0 e e 2 i x0
(x x0 ) + z 0
2 2
z0
P( ) = gˆ ( ) 2 = (2 Gm )2 (e 2 x z0 2
) 1e4243
2 i x0 2
=4 2
G 2m2e
4 x z0
=1
ln P( ) = ln(4 2
G 2m2 ) 4 z0
cuya gráfica (para valores 0) es una recta, cuya pendiente (-4 z0)
depende exclusivamente de la profundidad a la que está ubicada la masa,
mientras que la ordenada al origen ln (4 2G2m2) depende exclusivamente de
la magnitud de la misma (Fig. 7).
28
P( )= gˆ 0 ( ) + gˆ 1 ( ) 2 =
=4 2
(
G 2 m0 e
2 4 z0
+ 2m 0 m1 cos 2 ( (x 0 x 1 )e
2 (z0 + z1 )
)+ m 1
2
e
4 z1
)
Pero si los efectos gravimétricos que provocan ambas masas son funciones
no correlacionadas, se acepta estadísticamente que los espectros se pueden
sumar, y por lo tanto se aproxima:
P( )- 4 2
( 2
G 2 m0 e
4 z0 2
+ m1 e
4 z1
) (3)
z1 >> z0
m1 >> m0
29
resultará que para valores de próximos a cero predominará la
contribución del segundo término de (3), mientras que para valores de
frecuencia muy grandes, predominará la contribución del primer término.
Así, si . .es pequeño, será el espectro de la masa más profunda el que
dominará, mientras que si . .es grande será el espectro de la masa
superficial el preponderante.
Ajustando la gráfica logarítmica del espectro mediante dos rectas (Fig. 8), se
obtienen respectivamente un tramo regional y uno residual. La pendiente de
cada una de las rectas dará información sobre las profundidades z1 y z0,
30
mientras que la ordenada al origen dará cuenta de la magnitud de cada una
de las masas causantes del efecto gravimétrico m1 y m0.
P1 ( )- 4 2
(
G 2 m1 e
2 4 z1
) =
1
P( ) 4 2
( 2
G 2 m0 e
4 z0
+ m1 e
2 4 z1
) 2
, m0 ) 4
** '' e ( z1 z0 )
+1
m
+ 1(
y por lo tanto
P( )
P1 ( )- 2
, m0 ) 4 (z1 z0 )
** '' e +1
+ m1 (
1
2
, m0 ) 4 ( z1 z0 )
** '' e +1
+ m1 (
gˆ ( )
gˆ 1 ( )- 2
, m0 ) 4 ( z1 z0 )
** '' e +1
+ m1 (
31
Para obtener el efecto regional, aplicamos la inversa de la transformada de
Fourier, y finalmente la anomalía residual se obtiene por diferencia entre el
efecto total y el regional.
Método de Prony
Lema
Dado x R, sea
m
f (x ) = Ck e k x
k =1
m
f (x ) = Ak f ( x + ks ) x R
k =1
Demostración:
m m
f ( x + ks ) = Ci e i ( x + ks )
= Ci e i x
e i ks
i =1 i =1
32
Llamando Bj = e js j = 1, ... , m resulta
m
f ( x + ks ) =
k ix
C i Bi e
i =1
m
, m k ) m
Ak * C i Bi e ix
'= Ck e kx
k =1 + i =1 ( k =1
Por lo tanto:
m
k
Ak Bi = 1 i = 1, K , m
k =1
$ A1 B1 + A2 B1 2 + K + Am B1 m = 1
/ 2 m
/ A1 B2 + A2 B2 + K + Am B2 = 1
#
/ M
/A B + A B + K + A B m = 1
2
" 1 m 2 m m m
2 m
B1 B1 K B1
2 m
B2 B2 K B2
M M M
2 m
Bm Bm K Bm
m
Ak Z k = 1
k =1
A = QT Q( ) 1
QT P
donde
34
, P(1) P(2 ) ) , P(0 ) )
* ' * '
, A1 ) * P(2 ) P(3) ' * P(1) '
A = ** '' , Q = * , P=*
+ A2 ( M M ' M '
* ' * '
* P(n 1) P(n )' * P(n 2 )'
+ ( + (
Según el corolario de la propiedad, se pueden determinar B1 y B2 como las
raíces de la ecuación
A1 z + A2 z 2 = 1
log B1 log B2
z0 = , z1 =
4 4
Una vez obtenidos los valores de las profundidades, las magnitudes de las
masas surgen de la resolución de un sistema lineal:
EC = P
donde
, a01 a 02 )
* '
*a a12 ' ,C )
E = * 11 ' , C = ** 1 ''
*
M M
' + C2 (
*a an2 ('
+ n1
Finalmente:
C1 C2
m0 = y m1 =
2 G 2 G
Caso bidimensional
35
Para el caso de campos areales, también es claro que
P( )= 4 2
( 2
G 2 m0 e
4 z0
+ 2m 0 m1 cos(2 (0 0 0 1 ))e
2 (z0 + z1 ) 2
+ m1 e
4 z1
)
(4)
siendo la variable de frecuencia radial y 00 y 01 las fases espectrales de las
fuentes superficial y profunda respectivamente.
Definiendo
$a = 4 2
Ge
4 z0
$b1 = m 0 2
// 1 (z0 + z1 ) /
#bˆ 2 = m 0 m1 cos(2 0 ) + 1 b 2 = m 0 m1 cos(2 0 )
2 2
#a 2 = 8 Ge , y
/a = 4 2
Ge
4 z1 /b = m 2
/" 3 " 3 1
resulta que la ecuación (4) para el punto de frecuencia radial i-ésimo tiene la
forma:
p i = a i 1b1 + a i 2 b 2 + a i 3 b 3 + 1 i
P = AB + E
donde
, p1 ) , a11 a12 a13 ) , 11 )
* ' * ' , b1 ) * '
*p ' *a a 22 a 23 ' * ' *1 '
P=* ' A=* ' , B = * b2 ' E=* '
2 21 2
, y
* M ' * M M M ' * ' * M '
* ' * ' *b ' * '
*p ' *a + 3(
+ n( + n1 a n 2 a n 3 '( *1 '
+ n(
B (
~ = AT A ) 1
A TP
4) Incrementar z0.
37
5) Repetir los pasos (2) a (4) hasta cubrir el rango deseado para z0 y z1.
Los mejores valores de z0 y z1 son los que logran el mejor ajuste entre el
espectro de potencia del campo observado y el calculado a partir del modelo
espectral. Una vez determinados los mejores valores para z0, z1, m0 y m1 se
procede como en las secciones anteriores para lograr la separación.
39
Los espectros de campos potenciales no son en general ralos o “picudos”.
Sin embargo, mostraremos que una transformada de Fourier Discreta (DFT)
capaz de reproducir el campo, es una herramienta muy interesante para
tratar simultáneamente los problemas de grillado y separación de anomalías.
Fx = y
1
J (x ) = S (x ) + (y Fx ) (y Fx )
T
2
2 n
(5)
m, x x
*
)
donde S (x ) = ln* 1 + k k2 ' *
( complejo conjugado)
k =1 +
* 2 c '
(
2
, x x* )
= n
2
y Q = diag ** 1 + k 2k '
'
c + 2 c (
40
derivando la función objetivo (5) respecto de las incógnitas xj e igualando a
cero, se obtiene el siguiente sistema de ecuaciones de orden m × m
1
Q + FHFx = FH y
In + FQFHu = y (6)
con In la matriz identidad y u una incógnita auxiliar que se usa para calcular
x = QFHu
42
Fig. 9. Para grillar un area de datos de campos potenciales, se eligen los períodos
fundamentales más grandes que las dimensiones del área a grillar. Los contornos
en líneas de puntos representan la prolongación lateral fuera del área de interés, y
muestran la buena resolución en los bordes.
Fig. 10. La estimación rala del espectro, graficada aquí para un perfil, produce una
clara separación entre las componentes de baja y alta frecuencia.
44
Fig. 11. El criterio de Cauchy, que es más robusto que el de mínimos cuadrados,
permite una mejor separación de anomalías aisladas.
La transformada de Hartley
Agradecimientos
Este trabajo fue realizado en el marco del Proyecto 07-00026-00508
subsidiado por la Agencia Nacional de Promoción Científica y Tecnológica.
Agradezco especialmente a mi director de tesis Ing. Fernando Guspí, ya que
47
muchas de las ideas aquí mencionadas han surgido del trabajo conjunto con
él, y a Hebe Goldberg, por la lectura del manuscrito.
Bibliografía
Abdelrahman, E. M., Riad, S., Refai, E., and Amin, Y., 1985, On the least-squares residual
anomaly determination: Geophysics 50, 473-480.
Amundsen, L., 1991, Comparison of the least squares criterion and the Cauchy criterion in
frequency-wavenumber inversion: Geophysics 56, 2027-2035.
Andersen, N., 1974. On the calculation of filter coefficients for maximum entropy spectral
analysis. Geophysics Vol. 39, pp. 69-72.
Beltrao, J. F., Silva, J. B. C., and Costa, J. C., 1991, Robust polynomial fitting method for
regional gravity estimation: Geophysics 56, 80-89.
Box, G. E. P. and Jenkins, G. M., 1970. Time series analysis: forecasting and control. San
Francisco, C. A.
Bracewell, R.N. 1983. Discrete Hartley transforms. Journal of the Optical Society of
America 73, 1832-1835.
Bracewell, R.N. 1986. The Fourier transform and its applications McGraw Hill Books Co.
Burg, J. P., 1967, Maximum entropy spectral analysis: 37th. Ann. Internat. Mtg., Soc. Expl.
Geophys.
Cooley, J. W. and Tukey, J. W., 1965. An algorithm for the machine calculation of complex
Fourier series. Math. Of Comput. Vol. 19, pp. 297-301.
Cordell, L. and Grauch, V. J. S., 1982. Reconciliation of the discrete and integral Fourier
transforms. Geophysics Vol. 47, pp. 237-243.
Dean W. C., 1958. Frequency analysis for gravity and magnetic interpretation. Geophysics
Vol. 23, pp. 97-127.
Elkins, T. A., 1951. The second derivative method of gravity interpretation. Geophysics
Vol. 16, pp. 29-50.
48
Grant, F. S. and West, G. F., 1965. Interpretation theory in applied Geophysics. McGraw
Hill, N.Y., 584 ps.
Griffin, W. R., 1949. Residual gravity in theory and practice. Geophysics Vol. 14, pp. 39-
56.
Guspí, F. and Introcaso, B. 1997. A sparse spectrum technique for gridding and separating
potential field anomalies. 67th SEG meeting, Dallas, Expanded Abstracts, M489. Paper
version submitted to Geophysics.
Hao, H. 1987. On fast Hartley transform algorithms. Proceedings of the IEEE 75, 961-962.
Haykin, S., 1979. Nonlinear methods of spectral analysis. Springer Verlag, 247 ps.
Introcaso, A., 1980. Exploración gravimétrica. Dpto. de Graduados Fac. de Cs. Exactas,
Ing. y Agrim. U.N.R. 282 ps.
Jaynes, E. T., 1968. Prior probabilities. IEEE Trans. Systems Sci. Cybern. SEC-4, pp. 227-
241.
Lim, J. S., and Malik, N. A., 1981, A new algorithm for two-dimensional maximum
entropy power spectrum estimation: IEEE Trans. Acoust. Speech Signal Process., ASSP-
29, 401-413.
Medeiros, W. E., and Silva, J. B. C., 1996, Geophysical inversion using approximate
equality constraints: Geophysics 61, 1678-1688.
Mironov, V. S., 1977. Curso de Prospección Gravimétrica. Ed. Reverté. 525 ps.
Pawlowsky, R. S., 1994, Green's equivalent layer concept in gravity band-pass filter design:
Geophysics 59, 69-76.
49
Rajan, N.S. 1993. Discussion on "The use of the Hartley transform in geophysical
applications". Geophysics 58, 1058-1059.
Saatcilar, R., Ergintav, S. and Canitez, N. 1990. The use of the Hartley transform in
geophysical applications. Geophysics 55, 1488-1495.
Sacchi, M.D. and Ulrych, T.j. 1996. Estimation of the discrete Fourier transform, a linear
inversion approach. Geophysics 61, 1128-1136.
Sacchi, M. D., Ulrych, T. J., and Walker, C., 1998, Interpretation and extrapolation using a
high resolution discrete Fourier transform: IEEE Trans. on Signal Processing 46, 31-38.
Sorensen, H.V., Jones, D.L., Burrus, C.S. and Heiderman, M.T. 1985. On computing the
discrete Hartley transform. IEEE transactions on acoustic, speech and signal processing 33,
1231-1237.
Tsuboi, C. and Fuchida, T., 1937. Relations between gravity values and corresponding
subterranean mass distribution. Earthquake Res. Inst. of the Tokio Imperial Univ., Bull., v.
5, pp. 636-649.
Tsuboi, C. and Fuchida, T., 1938. Relations between gravity anomalies and the
corresponding subterranean mass distribution II. Earthquake Res. Inst. of the Tokio
Imperial Univ., Bull., v. 16, pp. 273-284.
Ulrych, T. J., 1972. Maximum entropy power spectrum of truncated sinusoids. Journal of
Geophysical Research Vol. 77, pp. 1396-1400.
Ulrych, T. J. and Bishop, T. N., 1975. Maximum entropy spectral analysis and
autorregressive decomposition. Rev. Of Geophysics and Space Physics Vol. 13, pp. 183-
200.
Ulrych, T. J., and Walker, C. J., 1981, High resolution two dimensional power spectral
estimation, in Findley, D.F., Ed. Applied time series II: Academic Press, Inc.
Wold, H., 1938. A study in the analysis of stationary time series. Almqvist and Wiksell,
Uppsala.
50