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.