📄 earth_science

Combined Inversion of Active and Passive Seismic Data Based on Optimized Data Selection

Este artículo presenta una metodología para la inversión combinada de datos sísmicos activos y pasivos mediante la selección optimizada de eventos pasivos para maximizar la iluminación del subsuelo y la resolución del modelo sin introducir sesgos por la distribución heterogénea de los datos, tal como se demuestra con la aplicación exitosa en el laboratorio de rocas BedrettoLab en Suiza.

Autores originales: Kathrin Behnen, Hansruedi Maurer, Arnaud Mercier, Marian Hertrich, Domenico Giardini

Publicado 2026-07-31

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Kathrin Behnen, Hansruedi Maurer, Arnaud Mercier, Marian Hertrich, Domenico Giardini

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina intentar averiguar qué hay dentro de un pastel gigante y oscuro sin cortarlo. No puedes ver las capas, la fruta o el glaseado, pero puedes dar golpecitos en el exterior y escuchar el sonido que produce. En el mundo de la geofísica, los científicos hacen algo similar para comprender la corteza terrestre. Envían ondas sonoras (ondas sísmicas) a través del suelo y cronometran cuánto tardan en rebotar o viajar a través de él. Dado que el sonido viaja a diferentes velocidades a través de distintos materiales —como ocurre cuando se mueve más rápido a través de una roca dura que a través de una arcilla blanda—, los tiempos de viaje actúan como un mapa, revelando la estructura oculta del planeta.

Normalmente, los científicos obtienen estos datos de dos maneras. La primera es la información sísmica "activa", que es como un redoble de tambor controlado: provocan una explosión o vibración conocida en un momento y lugar específicos para ver cómo viajan las ondas. La segunda es la información sísmica "pasiva", que es como escuchar los propios susurros de la Tierra: esperan a que ocurran terremotos naturales o pequeños temblores. El problema es que estos temblores naturales son impredecibles; ocurren en grupos desordenados, dejando a menudo grandes huecos en el mapa. Si intentas combinar los redobles de tambor limpios y organizados con los susurros caóticos, podrías terminar con una imagen borrosa donde las zonas concurridas parecen demasiado ruidosas y las zonas tranquilas son ignoradas. Este artículo aborda precisamente ese rompecabezas: cómo mezclar estos dos tipos de datos tan diferentes para obtener el mapa 3D más claro posible de lo que hay bajo tierra, sin que las partes desordenadas arruinen la imagen.

El gran lío del mapa subterráneo

Imagina que estás intentando dibujar el mapa de un sistema de cuevas gigante e invisible. Tienes dos herramientas para ayudarte. La primera herramienta es un equipo de exploradores con linternas (los datos activos). Están de pie en una cuadrícula perfecta, iluminando en todas direcciones. Debido a que son organizados, su luz cubre maravillosamente el centro de la cueva, pero no pueden llegar a los rincones lejanos y oscuros. La segunda herramienta es un enjambre de luciérnagas (los datos pasivos). Estas luciérnagas se iluminan aleatoriamente cada vez que sienten una pequeña vibración. Son excelentes para iluminar los rincones oscuros que los exploradores pasaron por alto, pero son caóticas. Tienden a agruparse en nubes enormes y densas en el medio de la cueva, dejando los bordes en la oscuridad, y a veces parpadean tan rápido en un punto que parece que hay un gran incendio allí cuando solo es un montón de bichos.

Los investigadores de la ETH Zurich, liderados por Kathrin Behnen, querían combinar la cuadrícula perfecta de los exploradores con la cobertura salvaje de las luciérnagas para hacer el mejor mapa posible. Pero sabían que si simplemente lanzaban todas las luciérnagas a la mezcla, el mapa se distorsionaría. Las densas concentraciones en el medio harían que la computadora pensara que esa zona era súper importante, mientras que los bordes serían ignorados. Es como intentar tomar una foto grupal donde el 90% de las personas están paradas en el centro; los bordes de la foto se verían vacíos y extraños.

La solución: El "filtro inteligente"
Para solucionar esto, el equipo inventó un ingenioso "filtro inteligente" utilizando un truco matemático llamado factorización QR. Piensa en esto como un portero de discoteca superinteligente. El portero observa a la multitud caótica de luciérnagas (los datos pasivos) y pregunta: "¿Quién de aquí está aportando realmente algo nuevo a la imagen?".

En lugar de dejar entrar a cada una de las luciérnagas, el portero selecciona solo las adecuadas. Elige a las luciérnagas que están paradas en los rincones oscuros (para llenar los huecos) e ignora a las que simplemente están una encima de otra en el medio (que serían redundantes). El objetivo era encontrar el número "Goldilocks" (el punto justo) de luciérnagas: suficientes para iluminar toda la cueva, pero no tantas como para que amontonen el centro y bloqueen la vista.

El experimento: El BedrettoLab
Probaron esta idea en un laboratorio subterráneo real llamado BedrettoLab en los Alpes suizos. Este laboratorio es un túnel excavado en lo profundo de una formación de roca granítica gigante. Los científicos tenían una configuración perfecta:

Los exploradores: Utilizaron un "generador de impulsos" (una fuente de sonido controlada) e hidrófonos (micrófonos submarinos) para enviar 41.881 ondas sonoras a través de la roca.
Las luciérnagas: Escucharon 30.521 pequeños terremotos naturales (inducidos por experimentos de inyección de agua) que ocurrieron dentro de la roca.

Después de limpiar los datos, tenían un catálogo masivo de eventos. Pero sabían que no podían usarlos todos. Así que aplicaron su "filtro inteligente".

Los resultados: Una imagen más clara y grande
Los resultados fueron como magia.

Tres veces más visión: Mediante el uso de su selección optimizada, el equipo logró iluminar un volumen de roca tres veces más grande de lo que podrían haber visto solo con los exploradores controlados.
Sin más hacinamiento: Cuando intentaron usar todos los datos pasivos (todo el enjambre), el mapa se volvió desordenado. El centro de la roca se veía demasiado "brillante" y distorsionado, creando bultos y ondulaciones falsas que no estaban realmente allí. Era como si las luciérnagas fueran tan densas que cegaban la cámara.
El punto ideal: El "filtro inteligente" seleccionó alrededor de 20.000 puntos de datos pasivos (de más de 250.000 disponibles). Este número específico era el equilibrio perfecto. Llenó los rincones oscuros sin amontonarse en el centro. El mapa resultante fue suave, preciso y mostró la verdadera forma de la roca.

Lo que encontraron bajo tierra
Con este nuevo mapa superclaro, los científicos finalmente pudieron ver los secretos de la roca.

La red de fracturas: Descubrieron que la roca estaba llena de grietas y fracturas. Donde la roca estaba agrietada, las ondas sonoras viajaban más lento (como correr por un campo de barro). Donde la roca era sólida, las ondas pasaban rápidamente.
La conexión con los terremotos: Los pequeños terremotos (las luciérnagas) ocurrían principalmente dentro de estas zonas lentas y agrietadas. Esto confirmó que la roca se rompe donde ya es débil y está llena de grietas.
La dirección "extraña": Los científicos también notaron algo extraño. Las ondas sonoras no solo viajaban a diferentes velocidades, sino que parecían viajar más rápido en una dirección y más lento en otra, como una carretera que es lisa yendo al norte pero rugosa yendo al este. Esto se llama anisotropía. Los datos sugirieron que las grietas estaban todas alineadas en paralelo, como una pila de panqueques, haciendo que el sonido se comportara de manera diferente dependiendo de la dirección en la que viajara.

Lo que descartaron
El artículo es muy claro sobre lo que no funciona.

La selección aleatoria no funciona: Si simplemente eliges luciérnagas al azar (como en una lotería), terminas con demasiadas en el centro y no suficientes en las esquinas. El mapa termina con las mismas distorsiones que el uso de todos los datos.
Usar todos los datos es malo: Introducir cada punto de datos en la mezcla no te da un mejor mapa; de hecho, lo arruina al enfatizar demasiado las zonas concurridas y crear artefactos falsos de pequeña escala.
Los datos pasivos por sí solos no son suficientes: No puedes usar solo los terremotos naturales para hacer un mapa. Sin los "exploradores" controlados para anclar la imagen, el mapa se vuelve borroso porque la computadora se confunde sobre dónde ocurrieron realmente los terremotos frente a dónde la roca es extraña.

La conclusión fundamental
Este artículo sugiere que para obtener el mejor mapa del subsuelo, no necesitas más datos; necesitas datos más inteligentes. Al utilizar un filtro matemático para seleccionar las piezas de información más útiles y no redundantes, los científicos pueden ver más profundo y más claro en la Tierra. Demostraron que aproximadamente el 10% de los datos pasivos disponibles era suficiente para crear un modelo tres veces mejor que la versión de solo datos activos, sin las distorsiones desordenadas. Es un recordatorio de que, a veces, en la ciencia, menos es realmente más —si eliges el "menos" adecuado.

Resumen Técnico: Inversión Combinada de Datos Sísmicos Activos y Pasivos Basada en la Selección Optimizada de Datos

Planteamiento del Problema
La tomografía sísmica se basa en la inversión de los tiempos de viaje para derivar modelos de velocidad del subsuelo. Si bien los datos sísmicos activos (fuentes controladas con ubicaciones y tiempos de origen conocidos) proporcionan restricciones robustas y una cobertura homogénea dentro de las áreas de estudio, a menudo están limitados a ubicaciones accesibles (por ejemplo, pozos). Por el contrario, los datos sísmicos pasivos (eventos naturales o inducidos) pueden iluminar un volumen mayor, pero sufren dos desafíos principales: (1) los parámetros de la fuente (hipocentro y tiempo de origen) son desconocidos y deben estimarse simultáneamente con el modelo de velocidad, lo que aumenta el número de incógnitas; y (2) los eventos pasivos suelen agruparse a lo largo de zonas de fallas o fracturas, lo que resulta en una cobertura de rayos altamente heterogénea. Esta distribución desigual puede provocar sesgos en el modelo, sobreajuste en las regiones densamente muestreadas y una resolución deficiente en las áreas escasamente muestreadas. La simple fusión de grandes conjuntos de datos pasivos con datos activos suele exacerbar estos problemas al introducir rayos redundantes y abrumar la inversión con datos de zonas específicas.

Metodología
Los autores proponen un flujo de trabajo para la inversión combinada de datos sísmicos activos y pasivos que aborda explícitamente la heterogeneidad de la sismicidad pasiva mediante una estrategia de selección de datos optimizada. El núcleo de la metodología consiste en un flujo de trabajo de cuatro pasos:

Localización de Eventos: Los eventos se localizan utilizando un algoritmo de búsqueda en cuadrícula basado en un modelo de velocidad inicial o actualizado.
Preselección (Selección por Bloques): Para gestionar los costes computacionales, el volumen se subdivide en cuboides de 3 m. Una preselección heurística retiene solo los tres mejores eventos (basados en el número de picks) por bloque. Esto reduce el tamaño de la matriz Jacobiana a un nivel manejable.
Selección Optimizada de Datos (Factorización QR): Los autores emplean una factorización QR con pivoteo que revela el rango sobre la matriz Jacobiana (específicamente su transpuesta, $J^T$ $J^{T}$ ).
- Aproximación Aleatorizada: Para conjuntos de datos grandes, se utiliza un enfoque de QR aleatorizado para aproximar el espacio de filas de la Jacobiana, reduciendo la complejidad computacional mientras se preserva la capacidad de clasificar los puntos de datos.
- Restricción de Datos Activos: El contenido de información de los datos activos (que siempre se incluye) se elimina matemáticamente de la matriz de datos pasivos antes del pivoteo. Esto asegura que la selección de puntos de datos pasivos añada información nueva en lugar de rayos redundantes que se solapan con la cobertura activa.
- Clasificación y Truncamiento: El orden de pivoteo proporciona una clasificación de los puntos de datos basada en su contribución incremental a la inversión (información incremental). El número de puntos de datos pasivos a incluir se determina analizando la energía acumulada de la Hessiana reducida ( $I(l)$ ). La selección se trunca donde la curva de energía se estabiliza, lo que indica que los puntos de datos adicionales contribuyen principalmente al ruido o a direcciones redundantes en lugar de resolver nuevos parámetros del modelo.
Inversión: El subconjunto de datos seleccionado se utiliza en un esquema estándar de tomografía de tiempos de viaje iterativo (resolviendo la lentitud y la ubicación de los eventos) utilizando un resolvedor de propagación directa de Eikonal e inversión LSQR.

Contribuciones Clave

Algoritmo de Selección Optimizada de Datos: El artículo introduce un método riguroo, basado en el álgebra lineal (factorización QR con pivoteo), para seleccionar un subconjunto de datos sísmicos pasivos que maximice el volumen iluminado evitando el sobrepeso de las regiones densamente muestreadas.
Dimensionamiento Cuantitativo de Datos: La metodología proporciona una herramienta de diagnóstico (análisis de la energía de la Hessiana reducida) para determinar el número ideal de puntos de datos pasivos necesarios para maximizar la información del modelo sin rendimientos decrecientes.
Estrategia de Integración: El enfoque tiene en cuenta explícitamente la información fija proporcionada por los datos activos al seleccionar los datos pasivos, asegurando una contribución equilibrada de ambos conjuntos de datos sin ponderaciones arbitrarias.

Resultados
La metodología se aplicó a un conjunto de datos de BedrettoLab en los Alpes Suizos, combinando 41.881 picks activos con un catálogo filtrado de 259.427 picks pasivos.

Volumen Iluminado: El modelo combinado optimizado aumentó el volumen iluminado aproximadamente en un factor de tres en comparación con el modelo de solo datos activos.
Eficiencia de Datos: El análisis determinó que aproximadamente 20.000 puntos de datos pasivos (alrededor del 10% del catálogo filtrado disponible) eran suficientes para capturar el máximo contenido de información. Los modelos que utilizaron 30.000 puntos mostraron una mejora insignificante, mientras que los que utilizaron 10.000 mostraron una pérdida significativa de información.
Comparación con Alternativas:
- Selección Aleatoria: Una selección aleatoria del mismo número de puntos de datos resultó en un sobremuestreo de las regiones centrales densamente fracturadas y no logró capturar anomalías en los bordes del volumen.
- Conjunto de Datos Completo: El uso de todo el conjunto de datos pasivos (259.427 puntos) no aumentó el volumen iluminado más allá del modelo optimizado, pero introdujo artefactos numéricos y sobreestimó las anomalías de velocidad en las regiones centrales debido a la extrema densidad de rayos.
Interpretación Geológica: El modelo de velocidad resultante mostró fuertes correlaciones con observaciones geofísicas independientes. Las zonas de baja velocidad correspondieron a altas densidades de fractura y a la distribución de la sismicidad inducida. El modelo reveló que la sismicidad ocurre principalmente dentro de zonas fracturadas de baja velocidad en lugar de en los límites de la roca intacta.
Detección de Anisotropía: El análisis de residuos de los datos activos reveló una tendencia direccional consistente con un medio de Isotropía Transversalmente Isotrópica (TTI), probablemente causada por la red de fracturas paralela. Las pruebas sintéticas sugirieron que, si bien la inversión isotrópica no podía recuperar completamente la anisotropía, las restricciones de los datos activos permitieron la recuperación de las estructuras de velocidad principales, mientras que una inversión de solo datos pasivos probablemente fallaría debido a los compromisos entre la localización de eventos y la velocidad/anisotropía.

Significado
El artículo demuestra que combinar datos sísmicos activos y pasivos es altamente beneficioso para extender el volumen iluminado de la tomografía sísmica, siempre que los datos pasivos se seleccionen cuidadosamente. El método de selección basado en QR propuesto ofrece una forma sistemática de equilibrar las fortalezas complementarias de los datos activos (restricciones robustas) y los datos pasivos (cobertura extendida) sin introducir sesgos por distribuciones desiguales de rayos. El estudio concluye que la red de fracturas es el factor dominante que controla tanto las heterogeneidades de la velocidad sísmica como la anisotropía en el volumen de BedrettoLab. Además, destaca que, si bien los datos pasivos expanden el alcance espacial del modelo, los datos activos siguen siendo esenciales para restringir el modelo de velocidad y mitigar los compromisos con la localización de eventos y la anisotropía. La metodología proporciona un marco práctico para maximizar el contenido de información minimizando la redundancia computacional en escenarios de inversión complejos.

El gran lío del mapa subterráneo

Más como este