Algunos elementos para el

tratamiento de anomalías
de campos potenciales
Beatriz Introcaso

Grupo de Geofísica Instituto de Física Rosario (Universidad Nacional de

Rosario y CONICET) – Av. Pellegrini 250, 2000 Rosario, ARGENTINA
Fax. 54 341 802654 - E-mail: beatriz@fceia.unr.edu.ar

Colección Temas de Geociencia

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.

Los fenómenos físicos de características potenciales (gravedad,

magnetismo, electricidad, sus componentes y derivadas, etc.) originan
campos susceptibles de medición, y de ellas hace abundante uso la Geofísica
para explorar y modelar las estructuras que componen a nuestro planeta.

La esencia de todo campo potencial (campo escalar) es la de satisfacer la

ecuación de Laplace que definiremos a continuación, en toda región del
espacio donde no existan fuentes. En Geofísica, la medición de los campos
potenciales suele restringirse a una superficie, habitualmente una región de
la superficie terrestre con todas sus irregularidades. Sin embargo, el hecho
de satisfacer esta ecuación permite conocer también los valores del campo
en el exterior terrestre, y en el interior siempre y cuando no se alcancen las
fuentes o cuerpos causantes.

Para precisar definiciones, comencemos recordando que si un campo

vectorial F es el gradiente1 de un campo escalar entonces se llama
función potencial para F, y en el espacio R las superficies de nivel2 se
3

llamarán superficies equipotenciales.

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

cuyas superficies equipotenciales serán esferas concéntricas con centro en el

origen de coordenadas.
De acuerdo con la ley de Newton, dos partículas de masas m0 y m situadas a
una distancia r (Fig. 1) se atraen una a la otra con fuerza de módulo
m0 m
F =G
r2

siendo G la constante de gravitación universal. Si m está situada en el origen

r
de coordenadas entonces es un vector unitario con la misma dirección
r
que F. La ley de Newton toma la forma

m0m
F=G r
r3
y vemos que F es proporcional al gradiente de un campo escalar dado por

(x, y , z ) = m0m
r

que es el llamado potencial Newtoniano.

m0

Fig. 1. Atracción entre dos masas m0 y m separadas una distancia r

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

Si las masas están distribuidas sobre una superficie S con densidad

superficial (u, v), el potencial viene dado por la integral de superficie

(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

En todas las expresiones se puede considerar que en el punto en cuestión los

integrandos y sus derivadas parciales son continuos, y se obtiene la relación:

2 2 2
+ + =0
x2 y2 z2
llamada ecuación de Laplace, que se abrevia

=0

Como puede verificarse fácilmente esta ecuación es satisfecha por la

1
función , y por lo tanto se cumple también para todas las demás
r
expresiones derivadas de la misma, ya que pueden llevarse a cabo las
derivaciones bajo el signo integral, siempre y cuando r 0. Esto quiere
decir que las componentes del campo gravitatorio (derivadas primeras) y las

4
de magnetismo (derivadas segundas) en cualquier dirección, son todos
campos potenciales.

En el caso de nuestro planeta, existen varios factores a tener en cuenta a la

hora de analizar las variaciones de los diversos campos potenciales
(potencial Newtoniano, campo gravitatorio, campo magnético, etc.).
Trataremos en principio con el campo gravitatorio, aunque todas las
consideraciones son válidas para los demás campos potenciales.

Si la Tierra fuera esférica, homogénea y sin rotación, el valor de la gravedad

en todos sus puntos sería el mismo:
GM
g= 2
R

siendo M la masa de la Tierra y R su radio.

En cambio existen: un efecto de rotación (que en el polo es nulo y en el

ecuador solicita hacia afuera: expulsa), una diferencia de distancia al centro
(en el polo la distancia al centro de la Tierra es menor, debido al
achatamiento del planeta, que en el ecuador, y por lo tanto la gravedad es
mayor), y un efecto por masa (en el ecuador hay mayor concentración de
masa que en el polo, y por lo tanto la gravedad es mayor). Si es la latitud
de un punto determinado, se puede calcular un valor de gravedad teórico

(
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.

Por otro lado, consideremos por ejemplo la presencia de un yacimiento de

hierro en el interior de la Tierra. En ese punto habrá un valor de gravedad
observado (medido) diferente del valor teórico. Se define la anomalía de
gravedad como la diferencia entre el valor observado y el valor teórico.
5
Más aún, cuando se realiza la medición, el aparato se encuentra sobre una
superficie topográfica que difiere de la superficie de referencia, con lo cual
estos valores no se pueden comparar directamente sino que hay que recurrir
a diferentes reducciones. Finalmente entonces:

Anomalía gravimétrica = gobservado y reducido - gteórico

Todo campo de anomalías es también un campo potencial.

la)
G
m
(
a
c
ir
é
t

m
i
v
a
rg g
a
lía
m
o
n
A

Fig. 2. Anomalía gravimétrica provocada por una masa m a una profundidad z

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).

= +

Fig. 3. Varias masas enterradas de distintos tamaños y densidades y a diferentes

profundidades provocarán un efecto donde intervendrán todas las variables.

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.

Si la anomalía se nota con g, se tiene entonces

g observado = g regional + g residual

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.

Existen diversos métodos para la separación de anomalías, muchos de los

cuales pueden encontrarse descritos en el Apunte para el Curso
Internacional de Posgrado: “Gravimetría. Sus aplicaciones tectónicas”
(Introcaso, A. – Pacino, M.C. – Guspí, F.) editado por la Escuela de
Graduados de la Facultad de Ciencias Exactas, Ingeniería y Agrimensura
(Universidad Nacional de Rosario) en 1994. En la siguiente sección
detallaremos los conceptos fundamentales sobre los que se basan los
métodos más usuales.

Algunos métodos de separación clásicos

Método de Griffin

Es un método de cálculo manual. La idea es calcular la anomalía residual

directamente a partir de una grilla regular de datos observados (Fig. 4a).
Griffin (1949) propuso una técnica involucrando la promediación de los
valores a lo largo del perímetro de un círculo o un polígono regular centrado
en el punto en el cual se calculará la anomalía residual. El valor promedio a
lo largo de la circunferencia es simplemente la media aritmética de un
número finito de puntos equiespaciados. El valor residual resulta de la
diferencia entre el valor observado en el centro y dicho promedio:
n
i
residual = observda
i =1 n

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.

El significado de la residual obtenida de este modo puede ser mejor

comprendido si consideramos un perfil que atraviesa el centro de la
anomalía local (Fig. 4b). Si la elección del radio es adecuada se obtendrá un
9
valor razonable para la anomalía residual en el centro del segmento. Si el
radio elegido es demasiado pequeño se obtendrá una anomalía residual más
pequeña que lo deseable, y si el radio es demasiado grande la anomalía
residual calculada puede contener efectos debidos a otras fuentes.

Superficies de tendencia

Una de las técnicas analíticas más flexibles para la determinación de la

anomalía regional es el ajuste polinómico.

La aplicación de esta técnica consiste en ajustar un polinomio (para el caso

de perfiles) o una superficie polinómica (para el caso de datos areales) de
grado tal que su representación gráfica conforme una adecuada regional. Las
anomalías residuales se obtendrán por diferencia entre los datos observados
y las anomalías regionales así calculadas.

Es interesante notar que cuanto mayor sea el grado de la superficie

polinómica de ajuste, más se aproximará a los datos de observación y más
pequeña por lo tanto será la anomalía residual. El método de ajuste más
simple es por mínimos cuadrados, es decir: se minimiza el cuadrado de las
diferencias entre la curva propuesta y los datos. Si hay n datos, se minimiza
n
F= (g i fi )
2

i =1
siendo fi el polinomio propuesto.

= +

Fig. 5. El polinomio de ajuste compensa los residuos positivos y negativos.

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).

Método de las derivadas segundas

La justificación de este método surge del hecho de que la doble

diferenciación respecto de la profundidad tiende a enfatizar las anomalías
debidas a estructuras geológicas más pequeñas y bajas a expensas de
características regionales más grandes (Elkins, 1951).

El mayor inconveniente de este método es que requiere un muy pequeño

espaciamiento entre los puntos de medición de gravedad y una muy elevada
precisión, ya que las mínimas irregularidades del terreno influyen
decisivamente en los resultados.

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.

La derivada segunda puede interpretarse como una medida de la curvatura

del campo. La aproximación de la misma depende de la discretización de los
datos, y otra vez entra en juego algún mecanismo de selección por parte del
intérprete.

11
Prolongación ascendente y descendente de campos potenciales

La esencia de este método de separación consiste en que con el aumento de

la distancia a las fuentes las anomalías disminuyen de distinta manera: las
de las fuentes pequeñas y a poca profundidad decrecen con mayor rapidez
que las de las fuentes más grandes a mayor profundidad (Mironov, 1977).

La prolongación hacia arriba es más útil cuando se pretende encontrar el

efecto regional, dado que la influencia de las masas superficiales decrece
rápidamente. Para la prolongación hacia abajo, se debe tener la precaución
de mantenerse por encima de la masa anómala, ya que al alcanzar las
fuentes la ecuación de Laplace deja de tener validez. En teoría, no se podría
considerar una forma analítica de la prolongación hacia abajo, pero el
problema se soluciona si se considera espacio vacío entre la superficie
terrestre y la masa anómala y se atribuye a la estructura subterránea una
densidad diferencial.

El procedimiento se basa en el concepto de densidad equivalente. Puede

demostrarse (Introcaso, 1980) que el potencial en un punto exterior a una
superficie equipotencial tendrá el mismo valor que el potencial de la
distribución original de masas en el interior de dicha superficie, si se
distribuye la masa con una densidad superficial constante:

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

fórmula que permite calcular la prolongación del campo en cada punto

( x0 , y 0 , z 0 ) .
La prolongación ascendente del campo está dada por la ecuación (1), y si g
(x,y,0) es la anomalía medida en z=0 y g (x,y,z) es la anomalía continuada
para una elevación z sobre el nivel de observación, puede reescribirse como
la convolución:
z
g ( x0 , y 0 , z 0 ) = g ( x, y,0)
(
2 x +y +z
2 2
3
2 2
)
En las aplicaciones se tiene g (x,y) medida en un número finito de puntos.
z
Esto requiere entonces que se tome sobre los mismos
( 2
2 x +y +z 2 2
)
3
2

puntos. Si x y y son los intervalos de muestreo en las direcciones de x e y

respectivamente, se aproxima (1) numéricamente como:

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.

Los errores que se producen por truncamiento “se salvan” extendiendo en

ambas direcciones los datos y el filtro.

Transformada de Fourier y Espectro de potencia

Definición

Para entender el concepto de transformada, pensemos por ejemplo que el

oído convierte el sonido - que es una onda de presión que viaja a través del
tiempo y de la atmósfera - en un espectro, que es una descripción del sonido
mediante una serie de volúmenes de diferentes tonos. De la misma forma, es
posible efectuar por métodos matemáticos operaciones similares sobre casi
todo fenómeno fluctuante, desde las ondas luminosas hasta las mareas
oceánicas. Estas herramientas matemáticas permiten descomponer las
funciones que representan las fluctuaciones en un conjunto de componentes
sinusoidales.

La transformada de Fourier es una función que describe la amplitud y la

fase de cada sinusoide, con una frecuencia específica.

Fourier propuso que la irregular distribución inicial de la temperatura de un

anillo podía descomponerse en multitud de sinusoides simples, cada uno de
las cuales debía tener su propia temperatura máxima y su propia fase.
Además, cada componente sinusoidal debía variar un número entero de
veces de un máximo a un mínimo e inversamente.

En definitiva, se cambia una distribución única, cuya descripción

matemática puede ser difícil, en una serie más manejable de funciones
trigonométricas periódicas que al sumarse engendran la distribución
original. En el espectro de un haz de luz encontramos una analogía física de
las transformaciones matemáticas (Fig. 6)

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.

La luz saliente del prisma se ha separado y descompuesto, y atraviesa el

espacio en colores puros, o sea en frecuencias simples. Así, la amplitud -
que era función del tiempo - se transforma en una función que da la
amplitud correspondiente a cada frecuencia.

La introducción de la transformada en un problema puede ser ventajosa si la

manipulación de las funciones transformadas es más sencilla que la de la
función original.

Un problema geofísico puede ser descripto tanto en el dominio espacial, con

valores de algún campo como función de la posición de los datos, como en
el dominio frecuencial, donde el problema está dado en función de la
amplitud y la fase de esa función. Para la mayoría de los propósitos, es útil
pensar a ambas como representaciones de la misma función. Se pasa de una
representación a la otra mediante transformaciones como la que definimos a
continuación.

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

donde es una nueva variable que se denomina frecuencia. (Recordemos

que e i es un número complejo que puede escribirse en forma binómica
como: cos +i.sen ). Vemos que la definición se restringe al f L1(R). El
análisis de Fourier no se puede aplicar a funciones muy insólitas, como por
ejemplo las que poseen un número infinito de discontinuidades de salto
infinito en un intervalo finito. Pero en condiciones muy generales, las
funciones que provengan de mediciones de magnitudes físicas (tal el caso de
los campos potenciales que estamos tratando) son susceptibles de ser
transformados según Fourier sin inconvenientes.

Para el caso en que f(x) es un perfil gravimétrico, por ejemplo, donde x se

mide en km, se mide en ciclos por unidad de longitud (en este caso 1/km).

La transformada de Fourier tiene la particularidad de que se puede invertir;

es decir, dados los valores de la transformada se puede recuperar la función:

+
f (x ) = fˆ( )e 2 i x
d

Si lo que estamos analizando es una función areal, f L1(R2), podemos

definir

+ +
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

Las aplicaciones de la Transformada de Fourier aparecen en la literatura de

exploración geofísica de campos potenciales desde hace unos 60 años
(Tsuboi and Fuchida, 1937 y 1938; Dean, 1958). Sin embargo, ha sido la
transformada discreta la que a partir de Cooley y Tuckey (1965) proveyó de
un algoritmo computacional extraordinariamente eficiente como para
difundir ampliamente su utilización. Conceptualmente provee una piedra
filosofal unificadora de las relaciones del campo potencial, mientras que la
transformada discreta provee un sistema computacional eficiente para
explotar estas relaciones en interpretaciones de geofísica aplicada.

Algunas observaciones

En las situaciones más comunes, la función f se encuentra medida en un

conjunto de datos equiespaciados. Si x es la medida de este
equiespaciamiento entonces cada uno de los valores medidos será

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:

• Si una función continua f(x), medida en puntos con un

equiespaciamiento x, está limitada a frecuencias de magnitud menor
que 0, es decir fˆ ( ) = 0 / 0 , entonces f queda completamente

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

Transformada de Fourier Discreta

Si f representa una función real de campo potencial, suponemos que ha sido

medida en n puntos equiespaciados. La Transformada de Fourier Discreta
(en adelante DFT: Discrete Fourier Transform) de un tal conjunto de n
valores x0, x1, ..., xn-1 se define mediante:
n 1 k
2 i n
Xk = x je j
k = 0,..., n 1
j =0

y en este caso el índice k es el que se denomina frecuencia. Sigue de la

definición que X k = X k + jn j N .

Similarmente, su inversa se obtiene:

k
1n1 2 i n
xj = Xke j
j = 0,..., n 1
n k =0

y también en este caso x j = X j + jk k N.

En general, esta transformada se puede comparar con la transformada

integral definida en forma teórica sólo si la función f (en principio no

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.

Sin embargo, es muy común equiparar ambas transformadas, ya que tienen

propiedades enteramente análogas.

En 1965, Cooley y Tukey dieron a conocer un algoritmo para el cálculo de

los coeficientes de la DFT, que produjo grandes cambios en las técnicas
utilizadas hasta ese momento, y el menor esfuerzo computacional facilitó el
análisis de señales en general, y el análisis del espectro de potencia en
particular.

Transformada rápida de Fourier

La transformada rápida de Fourier (en adelante FFT: Fast Fourier

Transform) es un procedimiento altamente eficiente para calcular los
coeficientes de la DFT de un conjunto de datos. Se basa en un cálculo
recursivo, lo cual se traduce en un ahorro de tiempo computacional. Más
específicamente, si el conjunto tiene N=2n datos, se requieren 2Nn =
2Nlog2N operaciones aritméticas para evaluar los coeficientes de la DFT,
que - comparado con procedimientos más directos (que requieren un número
de operaciones del orden de N2) - es tanto más ventajoso cuanto más grande
es N.

Dado un conjunto de N datos {x0, x1, ..., xN-1}, consideramos dos

subconjuntos
$ N ! $ N !
# yk = x2 k : k = 0,1, K , 1 y # z k = x2 k +1 : k = 0,1, K , 1
" 2 " 2
Como cada uno de ellos es un conjunto de N/2 datos, sus DFT respectivas
serán
19
 N
1 k
2 4 i N N
Yk = y ne n k = 0,K, 1
n =0 2
N
1 k
2 4 i N N
Zk = zn e n k = 0,K, 1
n =0 2
Y la DFT del conjunto original se puede reescribir como:

k
2 i N
X k = Yk + e N Zk k = 0,K, 1
2

Se redujo el problema de calcular Xk al de calcular Yk y Zk. Este

procedimiento, repetido recursivamente para cada uno de los subconjuntos,
es la base del algoritmo. La mayor eficiencia se logra cuando la cantidad de
datos es potencia entera de 2, pues por divisiones sucesivas se llega a
conjuntos de partida de dos elementos. En otros casos, estos últimos
conjuntos tienen más elementos y requieren más operaciones.

Espectro de potencia

El espectro es una función asociada a la Transformada de Fourier y se la

puede pensar simplemente como una forma de caracterizar modelos de
series de datos. En general, sirve para obtener información sobre la
estructura de la serie de datos asociada. Se lo define como el cuadrado del
módulo de la Transformada de Fourier, es decir:

2
+
P( ) = fˆ( ) f (x ) e
2 2 i x
= dx

También es función de la frecuencia, y vemos que, para f L1(R) resulta

una función real, positiva y par, con lo cual basta estudiar el espectro en el
dominio restringido R/ 0.

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 )]

donde E[.] es el operador esperanza, se define la función de autocorrelación

del proceso mediante:

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

Es decir, el espectro de potencia no es sino la transformada de Fourier de la

función de autocorrelación.

Utilizando la primera definición, y similarmente a lo analizado para la

Transformada de Fourier, se puede definir un espectro de potencia discreto
para un conjunto de N valores {x0, x1,...,xN-1} :

2
N 1 k
2 i N
P (k ) = xn e n , k = 0,K , N 1
n =0

Métodos estadísticos de estimación del espectro

Calcular un espectro de potencia a partir de la definición, implicaría

simplemente calcular transformadas de Fourier de la función dada o de la
21
autocorrelación. La dificultad reside en que los valores de la función sólo se
conocen en un número finito de puntos, y que los métodos prácticos de
cálculo basados en la transformada discreta introducen errores que
señalamos en el párrafo anterior (periodicidad, aliasing, etc.). Si bien por lo
general los resultados de una aproximación son razonables en una amplia
gama de señales, existen varias limitaciones inherentes a este proceso. La
más notoria es la resolución de la frecuencia, o sea la habilidad para
distinguir respuestas espectrales de dos o más señales. Una segunda
limitación se debe a las ventanas que se utilizan para procesar los datos con
FFT. El problema se manifiesta como una filtración en el dominio espectral,
es decir, la energía del lóbulo principal ''se filtra'' en los lóbulos laterales,
oscureciendo y distorsionando otras respuestas espectrales que puedan estar
presentes. De hecho, las respuestas débiles pueden quedar ocultas tras los
lóbulos laterales más altos de respuestas más potentes. Una elección
adecuada de la ventana puede reducir los efectos de este problema, pero a
expensas de reducir también la resolución.

En un intento por reducir estas limitaciones, se han propuesto

procedimientos alternativos de estimación espectral que intentan compensar,
mediante hipótesis estadísticas, el desconocimiento que se tiene sobre la
marcha completa de la función.

Modelo autorregresivo con promedio móvil

El fundamento estadístico de los modelos autorregresivos de promedio

móvil reside en un teorema fundamental en la descomposición de series
temporales (Wold, 1938) que afirma que cualquier proceso estocástico
estacionario a valores reales se puede descomponer en:

yt =ut + vt

donde ut y vt son estacionarios, mutuamente no correlacionados y ut es

determinístico (es decir que para cualquier k se puede predecir ut+k a partir
de los valores ''anteriores'' con total precisión), mientras que vt es no
determinístico (o aleatorio).
22
Por otro lado, definimos: un proceso xt es autorregresivo (AR:
autorregressive) si cada valor se puede obtener como combinación lineal de
los anteriores más una variable aleatoria.

Naturalmente, el modelo AR es predictivo: dice algo sobre la serie de datos

fuera del intervalo donde se los conoce, y como tal tiene amplias
aplicaciones en muy diversos problemas. Pero no todos los procesos se
pueden modelar como AR con igual éxito. Definimos entonces algo más
general: un proceso de promedio móvil (MA: moving average) que es un
proceso aleatorio con determinadas características que lo vuelven
estacionario.

Si un proceso AR estacionario es no determinístico, se puede escribir como

un proceso MA de orden infinito.

La representación óptima y con menor número de parámetros a determinar

de un proceso complejo es una combinación de ambos. Siguiendo el
teorema de Wold mencionado, se puede representar la componente
determinística como un proceso AR y la no determinística como un proceso
AM. Esta combinación se llama proceso autorregresivo con promedio móvil
(ARMA: autorregressive moving average). Si se eligen adecuadamente los
parámetros del proceso, este modelo representa muy satisfactoriamente una
amplia gama de procesos estocásticos estacionarios.

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.

Método de Máxima Entropía

La entropía es un concepto útil en la mecánica estadística, donde representa

una medida de la aleatoriedad de un sistema o la incertidumbre acerca del
conocimiento sobre el estado de un sistema. También se utiliza en la teoría
23
de la información, siendo una medida de la información promedio contenida
en un mensaje. La estimación espectral basada en este concepto fue por
primera vez introducida por Burg (1967) y se basa, precisamente, en
maximizar la entropía de un proceso. Trataremos primero de entender la
lógica de requerir que la entropía de un proceso sea máxima.

Consideremos una situación en la cual pueden suceder M eventos diferentes

mi, cada uno con probabilidad pi. Un valor particular dado para un pi0 aporta
una cantidad de información sobre el sistema. Está claro, entonces, que la
probabilidad de que ocurra un evento está relacionada con la información
(Ulrych and Bishop, 1975), y escribimos esta relación como:

1
I i = log 2
pi

(el uso del logaritmo se justifica pensando en la información como una

cantidad aditiva). Ahora supongamos haber observado el sistema durante un
tiempo T. Si T es muy grande, podemos esperar que hayan ocurrido piT
eventos mi en ese intervalo. La información total del sistema será entonces

M
1
I= p i T log 2
i =1 pi

La información promedio H por intervalo de tiempo se llama entropía:

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

Resulta claro entonces que la entropía es una medida de la incertidumbre

descripta por un conjunto de probabilidades. Por ejemplo si pi = 0 i i0 y
pi0=1, el sistema está perfectamente determinado: no hay incertidumbres y la
entropía es cero.

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.

Los problemas que surgen en la determinación del espectro de potencia,

como hemos visto, tienen que ver con las suposiciones que se realizan
acerca de los datos que están fuera del área de medición. Se extiende la
función de manera que los mismos se anulen, o que resulte periódica,
cuestiones que son claramente incorrectas. Se requiere entonces una
aproximación que en primer lugar sea consistente con los datos observados,
y en segundo lugar estime la asignación de probabilidad que describa la
información sin suponer nada más. Se ha demostrado (Jaynes, 1968) que la
asignación de probabilidad que describe la información disponible y a la vez
evade la información no disponible en forma maximal es aquella con
máxima entropía. Si se maximiza la entropía de un proceso en forma
consistente con toda la información disponible sobre el mismo, se puede
esperar que el resultado esté lo menos contaminado posible con la
información que no se tiene de él.

En general, el método para determinar la distribución de probabilidad de

máxima entropía es el siguiente: se considera un proceso xt que toma
valores x1, x2, ...,xn. Suponemos por conveniencia que se dispone de
información sobre xt en forma de valores promedio <f1(xt)>, <f2(xt)>, ...,
<fm(xt)> de varias funciones f1(xt), f2(xt), ..., fm(xt), m<n. La distribución de
probabilidad pi=p(xi) que es consistente con esta información pero está
maximalmente libre de otras restricciones es la que maximiza la entropía
(2). La maximización de H está sujeta a las restricciones:

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

donde k son los multiplicadores de Lagrange, que quedan determinados a

partir de las condiciones iniciales, lo cual conduce a

, (x ) )
m
k fk

f k ( xt ) = log** e k =1 '
''
*
k
+ (

Jaynes (1968) también mostró que la distribución de probabilidad que

maximiza la entropía es numéricamente idéntica a la distribución de
frecuencia de los
m
ut = t
M

donde mt es el número de veces que ocurre xt en M repeticiones del proceso.

Se ha demostrado (Ulrych, 1972) que el método de máxima entropía (MEM:

maximum entropy method) para el análisis espectral unidimensional resulta
superior a otros métodos más convencionales de estimación espectral.
Principalmente, no se hacen suposiciones no realistas respecto de los datos
fuera del intervalo de observación. Andersen (1974) presenta un
procedimiento para la estimación espectral MEM de un conjunto de N datos
x1, x2, ..., xN con igual espaciamiento x. Resulta así posible definir
cantidades que satisfacen fórmulas de recursión simple, facilitando
sustancialmente los cálculos.

Pero este concepto no se puede extender fácilmente a un conjunto de datos

areales. El mismo Chen (1981) que propone un algoritmo que permite
calcular las principales componentes de frecuencia con una función de
26
autocorrelación moderada para una señal bidimensional, admite que para
otros términos de frecuencia con amplitudes menores se debería usar una
matriz de autocorrelación mucho mayor, que agregara más información
acerca de la señal, utilizando entonces demasiado tiempo computacional. Al
mismo tiempo, los picos espectrales próximos no estarían bien resueltos
mediante este algoritmo con una matriz de autocorrelación de tamaño
moderado.

Es interesante destacar que la aproximación que da este método conduce a

un espectro suave, que es útil para separar profundidades de las fuentes
mediante la identificación de las pendientes (como se verá en la siguiente
sección) pero la extensión de este concepto a un conjunto de datos areales
no es directa (Lim and Malik, 1981; Ulrych and Walker, 1981). La razón de
esta complicación reside fundamentalmente en el hecho de que la relación
entre el estimador espectral de máxima entropía unidimensional y la función
de autocorrelación se basa en la simetría de esta función, que sólo se da para
un conjunto de datos reales, y en el Teorema Fundamental del Álgebra, que
deja de ser válido en el caso areal: en general los polinomios
bidimensionales no pueden factorizarse (Ulrych y Walker, 1981).

Determinación de las profundidades de las masas causantes y

separación de anomalías a partir del espectro de potencia
Caso unidimensional

Tal como se dijo en la introducción del problema de la separación, una masa

enterrada m provoca una alteración del campo gravitatorio normal que se
puede calcular. Trabajaremos en principio por simplicidad con el caso
unidimensional, es decir los datos ubicados en un perfil. Si la masa m se
encuentra a una distancia x0 de un punto de referencia y a profundidad z0, el
efecto gravimétrico que provoca viene dado por:

27
 m z0
g ( x ) = 2G
(x x0 ) + z 0
2 2

La transformada de Fourier teórica puede calcularse mediante una

integración compleja:

+
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

y por lo tanto el espectro de potencia vendrá dado por:

P( ) = gˆ ( ) 2 = (2 Gm )2 (e 2 x z0 2
) 1e4243
2 i x0 2
=4 2
G 2m2e
4 x z0

=1

El espectro, en este caso, no depende de la abscisa x0 de la masa m.

En la práctica resulta más interesante trabajar con ln P( ) pues:

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).

Si el efecto gravimétrico es debido a dos masas m0 y m1 ubicadas a

distancias x0 y x1 respectivamente de un punto de referencia, y a
profundidades z0 y z1, el espectro de potencia será el cuadrado del módulo
de la suma:

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
)

Fig. 7. Gráfica logarítmica del espectro de potencia de la función que representa el

efecto gravimétrico de una masa anómala m a una profundidad z0.

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)

Si agregamos las hipótesis adicionales

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,

Fig. 8. El espectro que resulta de la distribución conjunta de dos masas anómalas se

aproxima mediante dos rectas que se relacionan respectivamente con la fuente
regional y la residual. La cola de ruido puede aproximarse mediante una recta
horizontal, que da la pauta de que se trata del efecto de masas a nivel superficial.
La frecuencia de corte entre ambos tramos no está unívocamente determinada.

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.

Si P1( ) representa el espectro debido a la masa más profunda m1, se puede

aproximar:

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 (

Esta expresión relaciona el espectro observado con el espectro de la parte

regional exclusivamente. Con las consideraciones anteriores, se suponen
estimados los valores m0, m1, z0 y z1 y esto sugiere aplicar un filtro al
espectro total para obtener el espectro regional, lo cual significa
simplemente multiplicar P( ) por la función

1
2
, m0 ) 4 ( z1 z0 )
** '' e +1
+ m1 (

En forma similar, se puede aplicar este filtro a la transformada de Fourier

del perfil gravimétrico, obteniendo:

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.

Buscando una forma de determinar las magnitudes independizándonos de la

intervención del intérprete (quien en este caso determina las abscisas entre
las cuales varían las rectas que aproximan la gráfica logarítmica)
desarrollamos el siguiente método (Introcaso, B. y Guspí, F., 1995) que saca
ventaja del hecho de que la aproximación del espectro de potencia (3) es una
suma de exponenciales.

Método de Prony

El método se basa en la siguiente propiedad:

Lema
Dado x R, sea
m
f (x ) = Ck e k x

k =1

y sea x R+. Entonces existen A1, A2, ..., Am que verifican

m
f (x ) = Ak f ( x + ks ) x R
k =1

Demostración:

Por definición de f, se tiene:

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

Las constantes Ai buscadas deben verificar entonces:

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

lo cual conduce a la resolución de un sistema lineal en los Ai de m

ecuaciones con m incógnitas:

$ 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

El determinante de la matriz de los coeficientes

2 m
B1 B1 K B1
2 m
B2 B2 K B2
M M M
2 m
Bm Bm K Bm

es un determinante de Vandermonde con Bi Bj i j, que es distinto de

cero, lo cual garantiza la existencia y unicidad de los Ai buscados.
33
Corolario:

Los Bj son raíces de la ecuación

m
Ak Z k = 1
k =1

Supongamos dados los valores del espectro de potencia del campo

gravimétrico observado, para n+1 puntos:

P(0), P(1), ..., P(n)

Si consideramos s=1 la propiedad anterior asegura que existen A1, A2 tales

que

$ P(0) = A1 P(1) + A2 P(2)

/ P(1) = A P(2 ) + A P(3)
/ 1 2
#
/ M
/" P(n 2) = A1 P(n 1) + A2 P(n )

sistema sobredeterminado (n>3) que se puede resolver por mínimos

cuadrados
QA = P

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

con lo cual se pueden calcular:

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

siendo a j = e-4 j y Ci = 4 2G2mi2

z

Finalmente:
C1 C2
m0 = y m1 =
2 G 2 G

Caso bidimensional
35
Para el caso de campos areales, también es claro que

g (x, y ) = g 0 (x, y ) + g 1 (x, y )

y la separación se puede llevar a cabo con un filtrado similar siempre y

cuando haya una considerable separación espectral entre los efectos
gravimétricos de las fuentes profundas y superficiales (Pawlowski, 1994).
Dada esta situación, el espectro de potencia del campo puede modelarse con
dos fuentes equivalentes a diferentes profundidades z0 y z1 con contrastes de
densidad y propiedades físicas promediadas resultando en m0 y m1. En estas
condiciones, el espectro de potencia promediado radialmente se puede
expresar como:

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

donde 1i representa el error que surge de ajustar el modelo espectral de la

ecuación (4) al punto de frecuencia radial i-ésimo. El error puede provenir,
36
por ejemplo, de un inadecuado modelo espectral para satisfacer el espectro
de potencia del campo total. También la aproximación en b2 contribuye al
error. Sigue que para n muestras espectrales hay un sistema lineal de n
ecuaciones que, para profundidades dadas z0 y z1, se puede resolver para b1,
b2 y b3. Este sistema se puede escribir matricialmente como:

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(

y la resolución por mínimos cuadrados conduce a:

B (
~ = AT A ) 1
A TP

~ es el B que minimiza el error E para z y z dados.

donde B 0 1

La frecuencia cero del espectro de potencia radial del campo observado no

se toma en cuenta para los fines del ajuste.

El método de resolución adoptado por Pawlowski (1994) consiste en:

1) Dar valores iniciales para z0 y z1.

2) Manteniendo fijo z0 incrementar el valor de z1 y resolver el sistema para

m0 y m1.

3) Repetir el paso (2) hasta cubrir todo el rango de z1.

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.

Algunas nuevas ideas

De lo visto se infiere que en general se encuentran infinitos modelos que
ajustan los datos, y es por eso que se busca alguna ayuda en la teoría
probabilística. En los últimos años ha venido ganando importancia la
incorporación de información a-priori para imponer condiciones a la
solución de problemas geofísicos indeterminados.

Las limitaciones debidas a ruido o imprecisión de las mediciones hacen de

los problemas de inversión geofísicos, problemas fundamentalmente de
inferencia estadística.

La filosofía de la inversión Bayesiana es la siguiente: supóngase que se

conoce algo acerca de un modelo antes de usar los datos. Este conocimiento
se toma en forma estadística y se llama información a-priori. Luego, se
tiene un conjunto de datos de los cuales se conocen sus propiedades
estadísticas (por ejemplo varianza y covarianza). La inversión Bayesiana
provee un marco para combinar la información a-priori con la información
contenida en los datos, obteniendo una distribución estadística más refinada:
la distribución a- posteriori, la cual restringe el modelo en forma más
precisa que la distribución a-priori.

Si la información a-priori no entra en conflicto con las características

geológicas ni los datos geofísicos de las fuentes, se supone que las
soluciones tengan sentido físico; si no, pueden no ser realistas. Por ejemplo,
la minimización de la norma Euclídea de los parámetros es equivalente a
requerir que todos los parámetros sean cero, y eso no sólo no es realista
38
desde el punto de vista geológico, sino que además se contradice con la
existencia de cualquier anomalía (Medeiros y Silva, 1996).

En un trabajo reciente hemos utilizado este concepto para estimar una

transformada de Fourier discreta de alta resolución, que permite reconstruir
los datos y resolver simultáneamente los dos problemas clásicos en la
interpretación de campos potenciales que venimos tratando: grillado y
separación de anomalías.

La separación de anomalías regionales y residuales de campo potencial,

vista como un problema espectral, se facilita enormemente cuando la
estimación del espectro muestra una clara división entre componentes de
frecuencia altas y bajas, una característica que los métodos FFT
tradicionales no tiene. En este trabajo modelamos una transformada de
Fourier discreta de un campo potencial medido en estaciones irregularmente
distribuidas en una superficie, mediante una estimación rala de alta
resolución que fue deducida originalmente para procesamiento de señales
sísmicas. Los coeficientes de esta estimación, que se distribuyen de acuerdo
a la función densidad de probabilidad de Cauchy, producen un modelo que
tiene pocas componentes con valores significativos. Un algoritmo de
steepest descent da una alternativa computacional para ahorrar grandes
multiplicaciones matriciales e inversiones.

Las ventajas de tomar esta aproximación se traducen en dos aspectos.

Primero, la transformada de alta resolución se puede usar como una
herramienta para calcular el campo potencial tanto sobre un plano horizontal
como sobre una superficie topográfica. El realce de los picos espectrales y la
virtual ausencia de lóbulos laterales elimina las oscilaciones y los efectos de
borde en los resultados. En segundo lugar, la distribución rala de los
elementos del espectro permite al intérprete localizar claramente las
componentes de baja frecuencia relacionadas con el campo regional.
Después de una segunda y más rápida aplicación del método, se redefinen
los valores de estos últimos coeficientes, para obtener una separación más
robusta, ajustando la residual mediante el criterio de Cauchy.

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.

Extenderemos el esquema de Sacchi y Ulrych (1996) para estimar una DFT

bidimensional de un campo potencial medido en estaciones irregularmente
espaciadas con diferentes elevaciones.

Nuestro objetivo es estimar un vector DFT x de m componentes, con m > n

(siendo n el número de datos).

Si F es una matriz equivalente a la transformada inversa relacionada con los

datos contenidos en un vector y, la condición

Fx = y

es un sistema lineal n × m, obviamente indeterminado, que representa el

problema. Para encontrar una solución rala, como decíamos, se necesita
incorporar información a priori, y siguiendo el modelo de Sacchi y Ulrych
(1996) se minimiza la función objetivo:

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 '
(

siendo c el parámetro de Cauchy, relacionado al nivel de esparcimiento

buscado para la solución, y n el parámetro de Gauss o desviación standard
del ruido de los datos. Definiendo

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

(el superíndice H indica Hermítica o traspuesta conjugada), y mediante

identidades algebraicas se transforma en un sistema n × n:

In + FQFHu = y (6)

con In la matriz identidad y u una incógnita auxiliar que se usa para calcular

x = QFHu

Como Q depende de la solución x, se necesitará un método iterativo de

resolución. Comenzando con un valor cualquiera de Q (por ejemplo Im), se
resuelve el sistema y se calcula la solución; luego se actualiza Q y así
sucesivamente. Para problemas bien puestos, la convergencia se alcanza
después de 10 a 20 iteraciones. El sistema (6), que es del orden del número
de datos, es simétrico, y se puede resolver mediante una factorización de
Cholesky compleja. En los casos en que los datos están dados en los puntos
de una grilla en un plano horizontal, el sistema (6) también es de tipo
Toeplitz, y se obtienen mejores resultados con variantes del algoritmo de
Levinson. Sin embargo, también es posible iterar directamente en los
sistemas no lineales, para lo cual se puede utilizar un algoritmo de steepest-
descent (Guspí-Introcaso, 1997).

Grillado de datos de campo potencial

Para grillar un área de datos de campo potencial irregularmente distribuidos

(Fig. 9) primero elegimos las longitudes de onda fundamentales lx y ly. Una
elección razonable puede ser aproximadamente el doble de las dimensiones
41
del área de interés. Dimensiones mayores también arrojan buenos
resultados, pero no menores, debido a los efectos de borde. Luego elegimos
m (ó mx y my) de forma tal que lx/mx y ly/my sean del orden de la mínima
separación entre los datos. Si la separación es muy pequeña puede ser
necesario borrar algunas estaciones. El parámetro de Cauchy c controla el
nivel de esparcimiento de la solución. A medida que c disminuye, la
solución se torna más y más rala, pero el número de iteraciones necesario
para la convergencia del proceso crece significativamente. El parámetro de
Gauss n relacionado con el nivel de ruido de los datos, se elige
frecuentemente pequeño.

Una vez calculada la transformada de Fourier, sólo unos pocos elementos

tendrán magnitudes significativas, y por lo tanto – mediante la transformada
inversa – los valores del campo dependerán principalmente de unas pocas
funciones simples (senos y cosenos), una característica que evita
oscilaciones innecesarias en la interpolación.

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.

Es interesante analizar la prolongación lateral del campo cuando se grilla la

totalidad del área definida por los períodos fundamentales (Fig. 9). La
prolongación lateral aparece como una reproducción simétrica y suavizada
del area cubierta por los datos y puede presentar diferentes características y
cambios de signo dependiendo de las longitudes de onda predominantes. Sin
embargo, las transiciones en los bordes siempre son suaves y bien resueltas
sin variaciones repentinas.

Separación regional-residual de anomalías

Cuando comparamos las gráficas de los espectros de potencia del mismo

conjunto de datos con la misma frecuencia de Nyquist, uno calculado
43
mediante la FFT convencional y el otro estimado mediante la técnica rala de
alta resolución recién descripta (Fig. 10) se observa en la última que existe
una notoria separación entre las componentes de baja y alta frecuencia, un
hecho que no ocurre en el primero. Si la separación no es completamente
clara, la resolución de la transformada rala se puede mejorar aumentando el
valor de m.

Fig. 10. La estimación rala del espectro, graficada aquí para un perfil, produce una
clara separación entre las componentes de baja y alta frecuencia.

Sea p el número de elementos de baja frecuencia separados como

correspondientes a la regional. Una transformada inversa calculada a partir
de estos p elementos es en realidad una regional de mínimos cuadrados, en
virtud de la propiedad de truncamiento de las series de Fourier, y en este
caso la residual contendrá sólo elementos de alta frecuencia. Sin embargo,
en problemas reales, la residual puede contener también parte del espectro
de baja frecuencia (por ejemplo Beltrao et al., 1991), como en el caso de la
anomalías de un solo signo representada en Fig. 11. Por lo tanto será
necesario llevar a cabo una separación más robusta, y nuestro procedimiento
(Guspí-Introcaso, 1997) se basa en la aplicación del criterio de Cauchy tanto
a los datos como al modelo, dado que este criterio permite lograr un ajuste
robusto (Amundsen, 1991).

44
 Fig. 11. El criterio de Cauchy, que es más robusto que el de mínimos cuadrados,
permite una mejor separación de anomalías aisladas.

En el trabajo de Guspí-Introcaso (1997) se pueden ver ejemplos que

confirman la aplicabilidad de la técnica y realzan los beneficios de
incorporar información a priori adecuada para resolver los problemas con
los que se trata. Sin embargo, también muestran que los cálculos, que se
llevan a cabo ya sea resolviendo un sistema lineal en cada iteración o
mediante una minimización del tipo steepest-descent, tienden a ser bastante
lentos, y sugieren que este aspecto debería mejorarse en desarrollos futuros.

Otro aporte interesante para agilizar la resolución de sistemas lo constituye

el uso de la Transformada de Hartley en problemas donde no interviene la
Transformada Rápida de Fourier (Introcaso, B.-Guspí, F., 1997).

La transformada de Hartley

La transformada de Hartley (HT: Hartley Transform) y su versión discreta

(DHT: Discrete Hartley Transform), ambas muy relacionadas con la
Transformada de Fourier (FT: Fourier Transform), dan resultados a valores
reales cuando se las aplica a conjuntos de datos reales. En la literatura
reciente se ha señalado la ventaja de aplicar la transformada de Hartley
rápida (FHT: Fast Hartley Transform) 1D y 2D en lugar de la transformada
rápida de Fourier (FFT: Fast Fourier Transform) para resolver ciertos
problemas geofísicos. Nuestro aporte consiste en mostrar que la HT es aún
más ventajosa cuando se necesita calcular o estimar una transformada
45
discreta por métodos diferentes a los de FFT, por la menor cantidad de
memoria requerida y la velocidad que se gana utilizando aritmética real.
Presentamos dos casos específicos: la estimación de una DFT mediante
inversión lineal (como la descripta en 3.1.) y la inversión de datos de campo
potencial sobreabundantes que relaciona la prolongación en el dominio de
las frecuencias con una descomposición en valores singulares en términos
de matrices reales.

Recordemos que la FT de una función real 1D es una función compleja cuya

parte real es par y cuya parte imaginaria es impar. La DFT de un conjunto
de datos reales es un vector complejo cuyas componentes reales son
simétricas alrededor de la frecuencia de Nyquist, y cuyas componentes
imaginarias son antisimétricas. Se observan características similares en la
FT 2D de funciones reales y matrices, y por lo tanto cuando se trabaja con
transformadas de este tipo hay una obvia duplicación de información que
puede complicar innecesariamente los cálculos.

La HT (Hartley 1942) constituye un intento exitoso para convertir las

componentes par e impar de la FT en una sola función real, con el agregado
de que las transformaciones directa e inversa se llevan a cabo mediante el
mismo operador. Se diferencia de la transformada de Fourier simplemente
en el hecho de que no intervienen números ni operaciones complejas, sino
sólo números y operaciones reales. La transformada de Hartley Discreta
(DHT, Bracewell 1983, Bracewell 1986) se define como una sumatoria
análoga a la DFT y también se han desarrollado algoritmos rápidos (FHT)
para calcularla (Sorensen et al. 1985, Hao 1987). Como un producto
complejo requiere cuatro productos reales, la DHT es computacionalmente
más rápida que la DFT.

Trabajos recientes en la literatura geofísica (Saatcilar et al. 1990, Rajan

1993, Sundararajan 1995) ponen de manifiesto las ventajas de usar FHT 1D
y 2D en lugar de FFT, como una forma de ahorrar tanto memoria como
tiempo de ejecución. Sin embargo, el tiempo de computación está
fuertemente determinado por la arquitectura de la máquina, el lenguaje de
programación y el tamaño del conjunto de datos, y para ciertas aplicaciones
la diferencia entre ambas alternativas se reduce (Zhon 1992).
46
La completa equivalencia entre la HT y la FT indica que todo proceso
descripto a través de una de ellas posee una descripción alternativa en
términos de la otra.

Se analiza un uso diferente de la HT para resolver problemas en los cuales

se necesita estimar una transformada discreta desconocida como el resultado
de un proceso no rápido tal como la resolución de un sistema de ecuaciones
en una aplicación directa de la definición en un conjunto limitado de datos
planteada en la sección anterior. Teniendo en cuenta la equivalencia entre
DFT y DHT los resultados son numéricamente idénticos pero los cálculos se
simplifican considerablemente.

Teniendo en cuenta que el operador de prolongación vertical se aplica a la

HT de la misma forma que a la FT y que los cálculos para estimar una DFT
de alta resolución como la descripta no se realizaron vía FFT e involucraron
aritmética compleja, se muestra que también se pueden llevar a cabo en una
forma más simple y rápida usando sólo aritmética real mediante la HT. Los
resultados numéricos finales son exactamente los mismos en ambos casos.

En síntesis, se ponen de manifiesto las ventajas del uso de la HT para tratar

problemas geofísicos que involucran FT y se resuelven por métodos
diferentes al algoritmo FFT. De hecho, la DHT contiene la misma
información que la DFT pero utiliza la mitad de la capacidad de memoria,
una ventaja importante cuando se debe tratar con matrices de dimensiones
muy grandes. Al mismo tiempo, las operaciones entre números complejos
(por ejemplo multiplicación de matrices e inversión) se reemplazan por
operaciones análogas entre números reales, y esto se refleja en una ganancia
de velocidad en la ejecución de los programas.

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.

Hartley, R.V.L. 1942. A more symmetrical Fourier analysis applied to transmission

problems. Proceedings of the IRE 30, 144-150.

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.

Introcaso, B. y Guspí, F., 1995. Mejoramiento de técnicas espectrales para la separación de

anomalías gravimétricas regionales y residuales - Mecánica Computacional Vol. XV, pp.
385-394.

Introcaso, B. y Guspí, F., 1997. Ventajas de la Transformada de Hartley en problemas

geofisicos donde no interviene la Transformada Rapida de Fourier - Mecánica
computacional Vol. XVIII, pp. 603-608.

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.

Sundararajan, N. 1995. 2-D Hartley transforms. Geophysics 60, 262-267.

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.

Zhon, B. 1992. Discussion on "The use of the Hartley transform in geophysical

applications". Geophysics 57, 196-197.

50