Gradient field determination based on gravity measurements using spherical radial basis functions

Resumen Técnico: Determinación del Campo de Gradiente Basada en Mediciones de Gravedad Mediante Funciones de Base Radial Esféricas

Planteamiento del Problema
Los gradientes de gravedad son críticos para la geodesia y la geofísica, pero la medición directa mediante balanzas de torsión está limitada en su cobertura espacial. Si bien los modelos de geopotencial global (GPM, por sus siglas en inglés) proporcionan una base, estos son insuficientes para detectar anomalías de gradiente de pequeña escala debido a sus limitaciones de grado máximo (típicamente hasta el grado 2190, por ejemplo, EIGEN-6C4). Por el contrario, depender únicamente de mediciones de gravedad terrestre de alta resolución para reconstruir gradientes es un desafío debido a la naturaleza mal planteada del problema inverso y al riesgo de amplificación de ruido. El estudio aborda el desafío de reconstruir campos de gradiente de gravedad regionales únicamente a partir de datos de gravedad terrestre en ausencia de mediciones directas de gradiente, investigando específicamente cómo equilibrar la recuperación de la señal frente a la amplificación del ruido mediante la selección del dominio espectral.

Metodología
Los autores emplearon un enfoque de modelado regional utilizando Funciones de Base Radial Esféricas (SRBF, por sus siglas en inglés) combinadas con una estrategia de "eliminar-restaurar" (remove–restore).

1. Área de Estudio y Datos: La investigación se centró en un área de aproximadamente 800 km² en el centro de Hungría. El conjunto de datos incluyó 1,195 mediciones de gravedad terrestre bruta y 248 puntos de medición independientes de balanza de torsión (que proporcionan gradientes horizontales y de curvatura) para validación.
2. Definición del Dominio Espectral:
   • Eliminación de bajas frecuencias: Los componentes por debajo del grado $N_{min} = 1600$ se eliminaron de las anomalías de gravedad utilizando el modelo de geopotencial global EIGEN-6C4. Este límite inferior fue determinado por el tamaño del área del modelo ($w \approx 25.1$ km).
   • Modelado de altas frecuencias: Las anomalías de gravedad residuales se modelaron mediante SRBFs. El límite superior teórico ($N_{max}$) se calculó basándose en el espaciamiento de los puntos de datos, arrojando una estimación inicial de $N_{max} \approx 13,900$.
   • Filtrado: Se aplicó un núcleo de Shannon como filtro de paso de banda, donde los coeficientes de Legendre ($b_n$) se fijaron en 1 entre $N_{min}$ y $N_{max}$, y en 0 en el resto.
3. Inversión y Regularización: Los coeficientes de las SRBF se determinaron mediante la inversión de mínimos cuadrados. Para manejar la naturaleza mal condicionada del sistema y la distribución desigual de los datos, se aplicó la regularización de Tikhonov. Se utilizó la Estimación de Componentes de Varianza (VCE) de forma iterativa para determinar los pesos óptimos para los diferentes tipos de datos (gravedad medida frente a datos de rejilla interpolados).
4. Síntesis y Validación: Tras determinar los coeficientes de las SRBF, se sintetizaron los gradientes de gravedad. Los componentes de bajo grado ($<1600$) se restauraron utilizando el GPM. Los gradientes resultantes se validaron contra las mediciones independientes de la balanza de torsión (las cuales fueron excluidas del proceso de inversión).

Resultados Clave
El estudio analizó sistemáticamente el impacto del grado de expansión máximo ($N_{max}$) sobre la precisión de la solución:

• Rango Espectral Óptimo: Aunque el $N_{max}$ teórico basado en el espaciamiento de los datos era 13,900, las pruebas empíricas revelaron que expandirse más allá de un rango específico conducía a una amplificación significativa del ruido. El rango óptimo se identificó entre $N_{max} = 6,500$ y $7,500$.
• Métricas de Desempeño: Con $N_{max} = 6,500$, los gradientes derivados de SRBF mostraron la mejor concordancia con los datos independientes de la balanza de torsión:
  • Coeficientes de Correlación: Alcanzaron aproximadamente 0.796 para el gradiente $T_{xz}$ y 0.747 para $T_{yz}$.
  • Coeficiente de Determinación ($R^2$): Mejoró a 0.628 para $T_{xz}$ y 0.551 para $T_{yz}$.
  • Comparación con Modelos Globales: Las soluciones derivadas únicamente del modelo EIGEN-6C4 (hasta el grado 2190) produjeron correlaciones significativamente menores (aprox. 0.36–0.45).
  • Comparación con SRBF Sobreexpandida: El uso del $N_{max}$ teórico de 13,900 resultó en correlaciones deficientes (aprox. 0.32) y valores bajos de $R^2$, indicando que la inversión estaba modelando principalmente ruido en lugar de señal.
• Resolución Espacial: La solución SRBF a $N_{max} = 6,500$ reprodujo con éxito las tendencias regionales y las características de menor escala observadas en los datos de la balanza de torsión, las cuales estaban ausentes en la síntesis del modelo global.

Significancia y Reivindicaciones
El artículo sostiene que los gradientes de gravedad pueden reconstruirse de manera fiable a partir de las anomalías de gravedad por sí solas, siempre que se apliquen las restricciones espectrales apropiadas. La contribución principal es la demostración de que la regularización en el dominio de la frecuencia es crítica en la inversión basada en SRBF.

• Equilibrio entre Señal y Ruido: El estudio destaca que aumentar simplemente el grado de expansión para coincidir con la densidad de los datos no mejora la precisión; más bien, existe un "punto ideal" (sweet spot) donde el contenido de la señal se maximiza sin amplificar el ruido.
• Independencia de los Datos de Gradiente: La metodología confirma que se pueden generar campos de gradiente de alta resolución en áreas que carecen de mediciones directas de gradiente, utilizando únicamente datos de gravedad terrestre y un modelo de geopotencial global.
• Validación: El uso de mediciones independientes de balanza de torsión como conjunto de validación (en lugar de como entrada) proporciona una evidencia robusta de que la inversión SRBF captura contenido de señal física en lugar de ajustarse al ruido.

Los autores concluyen que, si bien los modelos globales proporcionan una base necesaria para los componentes de onda larga, la inversión SRBF con un grado máximo cuidadosamente seleccionado ofrece un enfoque robusto y eficaz para mejorar la resolución espacial de los campos de gradiente de gravedad regional.