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

Para Weiss et al (2016) es el mtodo ms

Figura 1 - Datos sintticos aliados (a), interpolacin de trazas con
destruccin de onda plana (b) e interpolacin de trazas con auto-
regresin no estacionaria regularizada (c).
3. Interpolacin de Ondculas
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
promedio del espectro de fase de las
ondculas de entrada, como se muestra en la
Figura 3.

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).

Figura 4 Interpolacin horizontal en el
espectro de amplitud
4. Splines ptimos
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
la primera y la segunda derivada, el algoritmo
es capaz de tomar pasos de tipo Newton hacia
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
necesidades reales. Por ejemplo, se considera
la funcin ruidosa de la Figura 5. Tambin se
muestra son tres versiones suavizadas de esa
funcin, obtenidas por valores splines
ptimos cbicos con 5, 15 o 25 nodos,
respectivamente. Se observan los diferentes
grados de detalle preservado por las
diferentes aproximaciones. Ejecutando El
suavizado por splines cbico ptimo usando
ms nodos resulta en un mejor ajuste de la
funcin suavizada a la no suavizada.
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
desviacin total, es decir, la raz cuadrada de
la suma sobre las desviaciones cuadradas,
entre los coeficientes de Fourier de las
funciones originales y suavizadas, en funcin
del nmero de nodos.
Figura 5 Funcin ruidosa con tres versiones de
suavizado diferentes obtenidas con splines cubicas
con 5, 15 y 25 nodos
Figura 6 - Desviacin entre los Coeficientes de
Fourier de la funcin original y la suavizada, como
una funcin del nmero de nodos.
Para conocer la calidad del detalle
conservado por un cierto nmero de nodos, se
observan los coeficientes de Fourier del
tiempo original as como sus versiones
suavizadas. Estos estn representados en la
Figura 7. La aproximacin con 5 nodos slo
conserva el cero-Frecuencia (no dentro de la
eleccin de los ejes en la Figura 7) y lel
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
Figura 7, es decir, 11 a cada lado, han sido
razonablemente bien conservados.
Por lo tanto, para elegir el nmero de
nodos, se debe especificar una frecuencia
hasta que los coeficientes se requieren para
emparejar. De esta condicin, se puede
determinar el nmero necesario de nodos. En
la Figura 8, se comparan dos resultados de
suavizado obtenidos por la aplicacin de este
criterio. Las funciones suavizadas son las
primeras en preservar todos los coeficientes
de Fourier hasta 3,1 Hz y 7,9 Hz,
respectivamente.
Figura 7 Coeficientes de Fourier de la figura 5
Figura 8 Funciones de suavizado spline ptimo
6. Conclusiones
Se introdujo un nuevo enfoque para el
filtro adaptativo de errores de prediccin para
la interpolacin de datos ssmicos, usando la
auto-regresin no estacionaria regularizada,
para manejar la variacin espacio-temporal de
datos ssmicos no estacionarios. Se aplic
este mtodo a la interpolacin de rastros
ssmicos ms all del aliasing y a la
reconstruccin de datos con huellas perdidas
y diezmadas.
Se plante un mtodo alternativo de
interpolacin de ondculas a partir de dos
ondculas conocidas, partiendo de la
Transformada de Fourier de las Ondculas y
llevarlas al dominio de la frecuencia de all se
puede obtener una interpolacin trivial en el
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
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
Geophysics.
Weiss, Y., Moulire-Reiser, D., Malkin, A.,
Grinberg, N., & Canning, A. (2016).
Interpolating Wavelets. En Paradigm
(Ed.), SEG International Exposition and
86th Annual Meeting (pgs. 3641-3645).
Houston: SEG publications.