La anatoma de los problemas inversos

Una de las principales tareas de la geofsica es hacer declaraciones

cuantitativas sobre el interior de la tierra. Por esta razn, inversa problemas
son un rea importante de la investigacin geofsica y aplicacin industrial.
La figura 1 muestra cmo muchos textos presentes problemas inversos. El
modelo de tierra es un elemento de una matemtica espacio que contiene
todas las parametrizaciones permisibles de propiedades de la tierra (o al
menos las propiedades relevantes a un dado experimento); Este espacio se
denomina espacio modelo. Los la fsica del problema determina qu datos D
corresponden a un determinado modelo m. El problema de calcular la
respuesta del modelo ("datos" sinttico) dado un modelo se llama el
problema hacia adelante.
Los datos correspondientes residen en un espacio matemtico que es
llamado espacio de datos. En muchas aplicaciones, uno registra los datos, y
el objetivo es encontrar el modelo correspondiente. La tarea es llamado el
problema inverso, como se muestra en la Figura 1.
Por desgracia, la Figura 1 es errneo. Hay una razn muy simple para esto.
En general, el modelo que se busca es un continuo funcin de las variables
de espacio con un nmero infinito de grados de libertad. Por ejemplo, la
estructura de velocidad 3-D en la tierra tiene un nmero infinito de grados
de libertad. Por otro lado, el espacio de datos siempre es de dimensin
finita, ya que cualquier experimento real slo puede resultar en un nmero
finito de mediciones. El simple recuento de variables muestra que el mapeo
de los datos a un modelo no puede ser nico; o equivalentemente, debe
haber elementos del espacio modelo que no tienen ninguna influencia sobre
los datos.
Esta falta de singularidad es evidente incluso para los problemas
relacionados con, mediciones idealizadas libres de ruido. El problema slo se
convierte en peor cuando las incertidumbres de las mediciones reales son
tenido en cuenta. Aunque la cuestin singularidad es un objeto de
acalorados debatidos temas en la literatura matemtica de problemas
inversos, es en gran medida irrelevante para los problemas prcticos
inversas PORQUE invariablemente tienen una solucin no nico (si por
solucin nos referimos a un modelo de tierra). Es esta no unicidad que hace
Figura 1 engaosa, porque la flecha que apunta desde el espacio de datos al
modelo de spacio sugiere que un modelo nico corresponde a establecen
todos los datos.
Amore esquema realista de problemas inversos se muestra en la figura2.
Teniendo en cuenta un modelo m, la fsica del problema determinael d datos
predicho; esto se llama el problema hacia adelante. Por un conjunto de
datos dado, uno determina un modelo estimado m.
Nosotros referirse a esto como el problema de la estimacin del modelo.
(Ms tarde, lo haremos considerar la generalizacin al problema de la

estimacin de propiedades de modelos, en lugar de los propios modelos.)

Tenga en cuenta que puede haber muchas estimaciones modelo razonables
para un datos dado configurado y que el procedimiento de estimacin no
lineal puede ser incluso cuando el problema hacia adelante es lineal. As, la
media de un conjunto de nmeros es una funcin lineal de los nmeros,
mientras que la mediana es una funcin no lineal. Sin embargo, tanto la
mediana y el significa puede ser estimadores razonables del "centro" de la
serie de nmeros. Parte de la tcnica de resolucin de problemas inversos
viene de la necesidad de definir lo que significa para una estimacin sea
razonable.
Desde el mapeo del espacio de datos al espacio modelo es nonunique, los
modelmayalso estimados dependen de los detalles del algoritmo que se ha
utilizado para el problema de estimacin as como en la regularizacin y el
modelo de parametrizacin que se ha utilizado. En general, los estimados
modelo m difiere generales Del verdadero modelo m. Por ejemplo, en la
inversin ssmica modelo estimado puede ser una versin borrosa del
modelo verdadero. En
Adems, los datos siempre estn contaminados con errores; estas errores
representan una fuente adicional de discrepancia entre el modelo estimado
y el modelo de verdad.
Uno no se termina cuando se construye el modelo estimado; es esencial
para cuantificar de alguna manera el error entre la prevista modelo y el
modelo real. Esto se llama la valoracin problema. En este problema, se
determina la incertidumbre en el modelo estimado. Esta incertidumbre tiene
un componente estadstico relacionados con la propagacin de errores en
los datos, y un determinista componente que representa la resolucin finita
que se alcanza en la estimacin del modelo, as como los errores
sistemticos en el problema.
Por problemas inversos lineales, granos de resolucin y confianza anlisis
que son herramientas poderosas para la formulacin de la evaluacin
problemas, y la teora de la propagacin de errores lineal es suficientemente
desarrollado para dar cuenta de los errores en la estimacin modelo debido
a los errores en la inversa no lineal datos.Por problemas, la nica
herramienta disponible para el problema de la evaluacin puede ser
inversin Bayesiano donde uno estima la estadstica propiedades del
modelo cuando los datos y otros conocimientos se combinan en un sentido
estadstico por muestreo repetido de la espacio modelo (por ejemplo,
Mosegaard y Tarantola, 1995; Gouveia y Escalas, 1998) .Estas tcnicas slo
son aplicables a la prctica problemas en los que el nmero de parmetros
es relativamente pequea. Esto se debe en parte al coste computacional de
tales mtodos, pero tambin se relaciona de una manera muy sutil para el
comportamiento de las probabilidades en espacios dimensionales altas
(vase Escalas y Tenorio, 2.001). Por problemas inversos a gran escala, tales
como la determinacin de la estructura de la tierra 3-D, los mtodos de
muestreo de Monte Carlo no son factibles. Esto significa que no existe

actualmente operativa teora para explicar el problema de la evaluacin no

lineal problemas inversos con gran nmero de parmetros (Snieder, 1998).
El desarrollo de esta teora es un terico y prctico reto que es mucho ms
importante que el establecimiento pruebas singularidad de problemas
matemticos idealizados. En la prctica, uno resuelve problemas inversos
con un determinado objetivo. Por ejemplo, se puede utilizar un modelo
estimado obtenido a partir de una inversin de datos ssmicos como base
para decidir dnde perforar o cmo explotar de manera ptima un depsito.
En la prctica, es Nunca interesado en la velocidad ssmica en un
determinado lugar en el subsuelo, pero para un intrprete ssmico es crucial
saber ya sea en un lugar determinado de un sinclinal o un anticlinal est
presente.

Esto significa que para problemas inversos prcticos uno est interesado en
los patrones que se pueden utilizar de una manera significativa para la toma
de decisiones. En la prctica, estas decisiones no suelen basarse
exclusivamente en el estimatedmodel m, sino que implican la integracin de
otros datos, as como la experiencia humana. Adems, la incertidumbre en
el modelo estimado es un factor importante en la toma de decisiones. Por lo
tanto, la Figura 3 da una visin ms realista sobre inversa problemas, ya
que muestra de manera explcita que las decisiones en lugar de estimacin
del modelo es el punto final de problemas inversos prcticas.
Es interesante considerar la relacin entre la valoracin problema y el
proceso de toma de decisiones. Un aspecto importante del problema de
evaluacin es el tratamiento estadstico de la propagacin de errores. Esto
significa que el problema de evaluacin tiene probabilidad como un
componente importante. Las decisiones son generalmente
FIG. 1. La visin convencional de problemas inversos: encontrar el modelo
que predice las mediciones.
FIG. 2. Una visin de los problemas inversos mejorado. basado en el riesgo
en lugar de probabilidad. Esto puede ser econmico riesgo (dnde perforar),
riesgo ambiental (lo que ocurre cuando propagacin de contaminantes), o
incluso el riesgo acadmico (estoy bastante seguro publicar mis resultados).
Riesgo siempre se refiere a la probabilidad ms otros componentes, como
resultado del medio ambiente impacto. Esto significa que en esta etapa los
que producen la modelos y su incertidumbre deben interconectar con otros
para con eficacia haciendo decisiones.
Figura 3 ofrece una visin general del panorama de la geofsica de inversin.
Las personas que trabajan en los problemas de propagacin de ondas se
centran en el problema hacia adelante. Aquellos centrado en el desarrollo
de algoritmos de migracin trabajan sobre el problema de estimacin.
Estadsticos y un nmero limitado de cientficos en el problema inverso
comunidad tienen que ver con el problema de la evaluacin. Ssmica

interpretacin generalmente se basa en un modelo estimado, y as puede

ser considerado como un problema de toma de decisiones. Es esclarecedor
para ver cmo los diferentes investigadores trabajan en diferentes partes
del este problema. Uno puede preguntarse si estos esfuerzos de
investigacin podran bemoreeffectivewhentheir actividades se ven en el
contexto de la anatoma del problema inverso, como se muestra en la Figura
3.
En la figura 3, el modelo estimado m forma parte esencial del proceso de
inversin. Pero, es necesario o deseable para producir un modelo estimado
en el proceso de inversin de los datos?
Nosotros, por supuesto, estamos condicionados a producir modelos de
nuestra datos. Sin embargo, dado el hecho de que este modelo estimado
difiere Del modelo de verdad, uno puede ser desviado por las caractersticas
de el modelo estimado que son artefactos del proceso de inversin.
Otro punto de vista sobre los problemas inversos se da en la figura 4, donde
el objetivo es determinar la gama de modelos que son compatibles con los
datos (as como otra informacin). Esta gama de modelos puede ser
simplemente una caja dentro de la cual se cree que todos los modelos para
ajustar los datos (que no exista relacin comparativa entre el modelos de la
caja), o podra ser una distribucin de probabilidad sobre el espacio de los
modelos P (m) (en cuyo caso se puede hablar de la mejor o modelo ms
probable). Tanto la caja y la probabilidad estn determinados por los datos,
las incertidumbres y lo otra informacin-datos independientes est
disponible. Como tenemos discutido previamente (Escalas y Snieder, 1997),
las personas que toman el primer enfoque se llaman frequentists (esto
incluye a la mayora los estadsticos), mientras que las personas que toman
este ltimo enfoque son llamada bayesianos (esto incluye la mayora de los
geofsicos). En cualquiera caso, el problema de estimacin y evaluacin se
sustituye por el problema de inferencia. Inferencia significa caracterizar de
alguna manera el conjunto de modelos que explican los datos (y satisfacer
lo que sea otra informacin se encuentra disponible). Uno puede entonces
utilizar esta caja, o la distribucin de probabilidad P (m), como base para la
toma de decisiones.
El tutorial por Escalas y Tenorio (2001) muestra un bonito ejemplo de unos
problemas inversos "juguete" abordados desde una bayesiano y un punto
de vista frecuentista.
El lector puede dejarse llevar por la idea de la solucin de problemas
inversos sin construir un modelo. Nuestras mentes estn condicionadas para
hacer modelos de datos. Sin embargo, hemos visto que estos modelos
estimados slo pueden ser el punto final de la investigacin cuando se
ignora el hecho de que los modelos se estn produciendo con la objetivo de
dar a decisions.When visto en este contexto ms amplio (Figuras 3 4), vale
la pena considerar si uno es no mejor servido por conocer la distribucin de

probabilidad del conjunto de modelos que por saber un solo modelo

estimado y una medida de su incertidumbre.
Es interesante considerar cmo usaramos una probabilidad funcin de
densidad en un espacio de alta dimensional modelo. Los enfoque ms
sencillo consiste en calcular la media y la varianza de cada parmetros del
modelo, y uno puede visualizar esta informacin relativamente fcilmente.
Sin embargo, como hemos visto, los patrones en el modelo son mucho ms
interesantes que las estimaciones de un solo parmetro del modelo. La
evaluacin de la robustez de ciertos patrones en el modelo es mucho ms
difcil, sobre todo porque esto implica el uso de la correlacin entre los
diferentes parmetros del modelo.
En un espacio de alta dimensional modelo es extremadamente difcil de
caracterizar e interpretar las correlaciones de los parmetros del modelo.
Con el fin de interrogar a la densidad de probabilidad resultante funcin del
modelo de una manera significativa, se necesita investigacin en clster y
funcin de anlisis de (posiblemente multimodal) de probabilidad funciones
de densidad de muchos grados de libertad, as como el desarrollo de una
interfaz entre la exploracin de estas funciones de alta dimensin y la toma
de decisiones
proceso.
Ser evidente de lo anterior que con el fin de tratar los problemas inversos
en formas que son diferentes de la prctica actual requiere avances tericos
y numricos significativos. Sin embargo, claro estrategias para el uso
ptimo de los problemas inversos en el proceso de la toma de decisiones
debe ser tambin un elemento importante en la el orden del da para los
investigadores en problemas inversos.