INVERSI GEOFISIKA

(geophysical inversion)

Dr. Hendra Grandis

Teknik Geofisika FTTM - ITB
Tujuan kuliah

„ Memberikan landasan teori dan konsep

pemodelan inversi geofisika (linier dan non-
linier) serta penerapannya pada pemodelan
data geofisika

2
Silabus singkat

„ Pemodelan geofisika, metoda kuadrat-terkecil

(least-square), inversi linier, inversi linier
berbobot, inversi linier ter-redam, inversi non-
linier, metoda Gauss-Newton, metoda gradien,
pendekatan global, metoda Monte-Carlo,
metoda simulated annealing, algoritma genetik,
representasi probabilitas masalah inversi

3
Pustaka

„ W. Menke, Geophysical Data Analysis: Discrete

Inverse Theory, Academic Press, 1989.
„ A. Tarantola, Inverse Problem Theory: Methods
for Data Fitting and Model Parameter
Estimation, Elsevier, 1987.
„ M.K. Sen, P.L. Stoffa, Global Optimization
Methods in Geophysical Inversion, Elsevier,
1995.

4
GEOFISIKA

„ Tujuan utama aplikasi metoda geofisika

→ memperkirakan model bawah-permukaan
berdasarkan data hasil observasi

„ Major task of geophysics is to make quantitative

statements about the interior of the earth
(model) from observation (data)

5
GEOFISIKA

„ Parameter observasi → parameter model

– medan gravitasi → rapat massa
– medan magnet → suseptibilitas magnetik
– medan listrik → resistivitas
– waktu tempuh → kecepatan gel. seismik
gel. seismik
– …

6
Prinsip kerja metoda geofisika

pengolahan data model bawah

permukaan

data lapangan
interpretasi

pengukuran

respons bumi / sinyal

(parameter observasi)
7
Prinsip kerja metoda geofisika

8
Model ?

9
Pemodelan data geofisika

Model Data

→ Pemodelan ke Depan (Forward Modelling)

Data Model

→ Pemodelan Inversi (Inverse Modelling)

10
Geophysical Modeling

„ Forward Modeling
→ to obtain "data" from model, by calculating
theoretical response of a physical property
distribution

„ Inverse Modeling
→ to infer model from data, by applying specific
methodology, i.e. inverse theory

11
Forward Modeling

Inverse Modeling

www.eos.ubc.ca/ubcgif
12
Contoh pemodelan ke depan

„ Misal diketahui model bawah-permukaan dapat

direpresentasikan oleh benda anomali berupa
bola dg karakteristik tertentu
→ parameter model:
jari-jari (r), posisi titik pusat (x, y, z), atau
(x, z)
rapat massa bola (ρ)
„ Dicari / dihitung data teoritik
percepatan gravitasi (g)
13
Contoh pemodelan inversi

„ Misal diketahui model bawah-permukaan dapat

direpresentasikan oleh benda anomali berupa
bola dg karakteristik tertentu
→ parameter observasi atau data
percepatan gravitasi (g)
„ Dicari / ditentukan parameter model:
jari-jari (r), posisi titik pusat (x, y, z), atau
(x, z)
rapat massa bola (ρ)
14
Geophysical problems are Inverse Problems

15
Geophysical problems are Inverse Problems

16
Prinsip dasar pemodelan inversi

„ Memperkirakan / mencari MODEL yang

menghasilkan DATA TEORITIK yang paling
cocok atau ″fit″ dengan DATA PENGAMATAN
„ Data teoritik adalah respons model yang
diperoleh dari proses pemodelan ke depan
(FORWARD MODELING)
„ Kecocokan antara data teoritik dengan data
pengamatan dinyatakan sebagai ″jarak″ pada
ruang multi-dimensi → selisih kuadratik seluruh
elemen data
17
Pemodelan
Geofisika

18
Aplikasi pemodelan inversi

„ Geofisika
→ Penentuan episenter gempa bumi
→ Tomografi gempa bumi
→ Distribusi sifat fisika bawah-permukaan
berdasarkan data (seismik, gravitasi,
magnetik, geolistrik, elektromagnetik, …)

„ Bidang lain
→
19
Regresi Liner
Regresi garis lurus

„ Misal temperatur (T) bervariasi secara linier

terhadap kedalaman (z) sehingga dapat
dinyatakan oleh persamaan T = a + b z

21
Regresi garis lurus

„ T pada z tertentu dapat diprediksi jika a dan

b diketahui
→ Forward modeling dengan parameter model:
a dan b, data teoritik: T, variabel bebas: z
→ T1 = a + b z1
T2 = a + b z2
…
Ti = a + b zi i = 1, 2, …, N

22
Regresi garis lurus

„ Jika dilakukan pengukuran T pada beberapa z

tertentu maka parameter model a dan b
dapat dicari → Pemodelan Inversi
„ Caranya adalah dengan meminimumkan ″jarak″
antara Tical (hasil perhitungan) dengan Tiobs
(hasil pengamatan)
→ metoda kuadrat terkecil (Least-Squares)
N N

→
E = ∑
i =1
(Tical − Tiobs ) 2 = ∑
i =1
(ei ) 2

23
Regresi garis lurus
N N
E = ∑
i =1
(Tical − Tiobs ) 2 = ∑
i =1
( a + b z i − Ti ) 2

„ Jika E minimum maka turunannya terhadap

parameter model a dan b sama dengan nol

∂E ∂E
= 0 ; = 0
∂a ∂b

„ Dua persamaan dg a dan b tidak diketahui, a

dan b dapat dihitung → solusi
24
Regresi garis lurus sebagai permasalahan
inversi

„ Data T pada beberapa kedalaman (z)

→ “vektor” data : T = [ Ti ] ; i = 1, 2, 3, … N
T = (T1, T2, T3, … , TN)
„ Parameter model a dan b
→ “vektor” model : m = [ mi ] ; i = 1, 2
m = (m1, m2)
„ Variabel bebas : z = [ zi ] ; i = 1, 2, 3, … N
z = (z1, z2, z3, … , zN)
25
Hubungan antara data dg parameter model

„ Ti = a + b zi i = 1, 2, …, N
→ T1 = a + b z1 → T1 1 z1
T 2 = a + b z2 T2 1 z2 a
… … =
b
TN = a + b zN TN 1 zN

„ Notasi matriks → T = G m
G adalah matriks kernel
26
Hubungan antara data dg parameter model

„ T = G m
→ hubungan linier
→ dapat diperluas untuk regresi polinom
Ti = a + b zi + c zi2 orde-2 dst.
Ti = m1 + m2 zi + m3 zi2 + … + mp+1 zip
i = 1, 2, …, N
→ Penyesuaian parameter model m dan
matriks kernel G
27
Formulasi Inversi Linier

„ Data: d = [ di ] ; i = 1, 2, 3, … N
d = (d1, d2, d3, … , dN)

„ Model: m = [ mj ] ; j = 1, 2, 3, … M
m = (m1, m2, m3, … , mM)

„ Hubungan antara data dg parameter model:

d=Gm
G adalah matriks kernel

28
Regresi Linier

10 10

9 9

8 8

7 7

6 6

5 5

4 4

3 3

2 2

1 1

0 0
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10

Regresi garis lurus Regresi polinom

y=a+bx y = a0 + a1 x1 + … + an xn
29
Surface fitting

z(x, y) = a0 + a1 x1 + a2 y1 + a3 x y + a4 x2 + a5 y2 + …

2nd order surface fit 3rd order surface fit

30