Linearised versus Nonlinear Estimates of Uncertainty in Full Waveform Inversion

Cette étude démontre que, bien que les méthodes linéarisées et non linéaires d'inversion sismique bayésienne reconstruisent avec précision les modèles moyens, seules les approches non linéaires fournissent des estimations d'incertitude fiables et des propriétés géologiques déduites non biaisées, contrairement aux approximations linéaires qui échouent à capturer la complexité de la physique des ondes.

L'essentiel

🌍 Le Grand Défi : Voir à l'intérieur de la Terre sans la creuser

Imaginez que vous essayez de deviner ce qu'il y a à l'intérieur d'une boîte fermée, mais au lieu de la secouer, vous écoutez le son qu'elle fait quand on la tape. C'est un peu ce que font les géophysiciens avec la sismique. Ils envoient des ondes sonores dans le sol et écoutent comment elles rebondissent pour dessiner une carte de ce qui se cache sous nos pieds (pétrole, gaz, failles, etc.).

C'est une technique puissante appelée Inversion de Forme d'Onde Complète (FWI). Mais il y a un gros problème : la boîte est si complexe, le bruit est si fort, et les données sont si incomplètes, qu'il existe des milliers de façons différentes d'interpréter ce que l'on entend.

La question centrale de ce papier est la suivante : Comment savoir quelle interprétation est la plus fiable, et à quel point on peut avoir confiance en notre carte ?

🧠 Les Deux Approches : Le "Règle à Calcul" vs Le "Super-Ordinateur"

Les auteurs, deux chercheurs d'Édimbourg, comparent deux méthodes pour répondre à cette question d'incertitude.

1. La Méthode Linéarisée (L'approche "Règle à Calcul")

Imaginez que vous êtes sur une montagne et que vous voulez savoir à quelle distance vous êtes du sommet.

• Comment ça marche : Vous regardez juste la pente immédiatement sous vos pieds. Vous supposez que la montagne est plate et droite autour de vous.
• L'analogie : C'est comme si vous utilisiez une règle pour mesurer une courbe. Si la courbe est très douce, ça marche bien. Mais si la montagne a des pics, des vallées et des grottes (ce qui est le cas de la Terre), votre règle vous donne une fausse idée de la forme réelle.
• Le problème : Cette méthode suppose que tout est simple et droit autour de la meilleure solution trouvée. Elle ignore la complexité réelle du terrain.

2. La Méthode Non-Linéaire (L'approche "Super-Ordinateur")

• Comment ça marche : Au lieu de regarder juste sous vos pieds, cette méthode explore toute la montagne. Elle imagine des milliers de versions différentes de la montagne, teste chacune d'elles, et voit lesquelles correspondent le mieux au son que vous entendez.
• L'analogie : C'est comme si vous envoyiez des drones explorer chaque recoin de la montagne pour créer une carte 3D précise, avec toutes les vallées et les pics.
• L'avantage : Elle capture la vraie complexité. Elle sait qu'il peut y avoir plusieurs formes de montagnes qui produisent le même son.

🔍 Ce qu'ils ont découvert (Le "Twist" de l'histoire)

Les chercheurs ont appliqué ces deux méthodes à des modèles de terrain (un modèle simple en couches et un modèle complexe inspiré de la réalité, appelé "Marmousi"). Voici ce qu'ils ont vu :

1. La carte moyenne est la même : Les deux méthodes arrivent à peu près au même endroit pour le "sommet" de la montagne (la vitesse moyenne des ondes). Elles disent : "Le pétrole est probablement ici".
2. Mais la "zone d'ombre" est différente : C'est là que tout se joue.
   • La méthode linéaire (la règle) dit : "On est très sûr de la forme de la montagne, sauf peut-être un tout petit peu ici." Elle dessine des zones de confiance très étroites et régulières.
   • La méthode non-linéaire (les drones) dit : "Attendez ! Près des bords des couches de roche, il y a une grande confusion. On pourrait avoir une montagne avec un pic, ou une vallée, et les deux sonnent pareil !" Elle dessine des zones de doute beaucoup plus larges et bizarres (en forme de boucles).

L'analogie culinaire :
Imaginez que vous goûtez une soupe pour deviner les ingrédients.

• La méthode linéaire dit : "C'est sûrement du poulet, et on est à 99% sûrs qu'il n'y a pas de carottes."
• La méthode non-linéaire dit : "C'est du poulet, mais il pourrait y avoir des carottes cachées, ou des navets, et on ne peut pas être sûr à 100% car le goût est trompeur."

⚠️ Pourquoi c'est dangereux d'utiliser la mauvaise méthode ?

Si vous utilisez la méthode linéaire (la règle), vous pensez être très précis. Mais en réalité, vous êtes sûr de vous à tort.

• Le piège : La méthode linéaire vous dit que vous connaissez la taille exacte d'un réservoir de pétrole.
• La réalité : La méthode non-linéaire montre que la taille pourrait être beaucoup plus grande ou beaucoup plus petite.

Dans l'article, ils montrent que si vous utilisez la méthode linéaire pour calculer le volume d'un corps géologique (par exemple, combien de CO2 on peut stocker), vous obtenez un chiffre faussé. Vous pourriez investir des millions dans un projet qui, en réalité, ne fonctionne pas comme prévu, simplement parce que votre carte d'incertitude était trop optimiste et simpliste.

💡 La Conclusion en une phrase

Pour voir vraiment ce qui se cache sous la Terre, il ne suffit pas de regarder la pente juste sous nos pieds (méthode linéaire). Il faut accepter d'explorer la complexité totale du terrain (méthode non-linéaire), même si c'est plus difficile à calculer. Si vous voulez prendre des décisions sûres (où forer, où construire), il faut utiliser la méthode qui accepte l'incertitude réelle, pas celle qui l'ignore.

En résumé : Ne vous fiez pas à la règle quand le terrain est accidenté. Envoyez les drones ! 🚁🗺️

Résumé technique

Voici un résumé technique détaillé de l'article « Linearised versus Nonlinear Estimates of Uncertainty in Full Waveform Inversion » (Estimations linéarisées versus non-linéaires de l'incertitude dans l'inversion de forme d'onde complète), rédigé en français.

1. Problématique

L'inversion de forme d'onde complète sismique (FWI - Full Waveform Inversion) est une technique puissante pour imager la structure interne de la Terre avec une haute résolution. Cependant, les solutions FWI sont intrinsèquement non uniques en raison de :

• Des géométries d'acquisition imparfaites (souvent limitées à la surface).
• Du bruit présent dans les données.
• De la non-linéarité du problème direct (la physique des ondes).
• De la nature sous-déterminée des problèmes tomographiques réels (hétérogénéité à toutes les échelles).

L'estimation des incertitudes est cruciale pour une interprétation quantitative et une prise de décision basée sur les risques. L'approche bayésienne vise à estimer la distribution de probabilité a posteriori (PDF) des paramètres du modèle.

• Méthode linéarisée : Elle approxime la physique autour d'une solution de référence (généralement la solution MAP - Maximum A Posteriori) en supposant que la PDF a posteriori est une distribution gaussienne locale. Cette méthode ignore les incertitudes générées par la non-linéarité de la physique des ondes.
• Méthode non-linéaire : Elle tente de capturer la structure complète de la PDF a posteriori, y compris les effets non-linéaires.

L'article vise à comparer systématiquement ces deux approches pour évaluer la fiabilité des estimations d'incertitude, en particulier dans des contextes géophysiques complexes.

2. Méthodologie

Les auteurs comparent trois méthodes appliquées à des problèmes de FWI acoustique 2D :

1. Méthode Linéarisée (Gaussienne) :

   • Calcule d'abord la solution MAP en minimisant une fonction de coût (misfit) via une optimisation déterministe (L-BFGS).
   • Approxime la PDF a posteriori par une distribution gaussienne centrée sur la MAP.
   • La matrice de covariance a posteriori est estimée en utilisant l'approximation de Gauss-Newton de la matrice Hessienne, calculée via une décomposition en valeurs singulières (SVD) randomisée pour gérer la haute dimensionnalité.
   • Hypothèse clé : La physique des ondes est linéarisée (approximation de Born) autour de la solution MAP.

2. Inférence Variationnelle Physiquement Structurée (PSVI) :

   • Algorithme d'inférence variationnelle non-linéaire.
   • Optimise une distribution gaussienne transformée (via une fonction logit pour respecter les contraintes physiques comme la positivité de la vitesse) pour minimiser la divergence de Kullback-Leibler (KL) avec la vraie PDF a posteriori.
   • Utilise une matrice de covariance clairsemée (sparse) pour réduire les coûts computationnels, en modélisant uniquement les corrélations spatiales proches (à l'intérieur d'une longueur d'onde dominante).

3. Descente de Gradient Variationnelle de Stein (SVGD) :

   • Utilisé comme méthode de validation indépendante.
   • Optimise itérativement un ensemble de particules (échantillons) pour approximer la densité de probabilité a posteriori sans contrainte de forme gaussienne.
   • Permet de valider si les résultats de PSVI (qui reste une approximation gaussienne transformée) sont proches de la réalité non-linéaire.

3. Contributions Clés

• Comparaison Systématique : C'est l'une des premières études à comparer de manière systématique les estimations d'incertitude entre méthodes linéarisées et non-linéaires dans le contexte spécifique de la FWI bayésienne.
• Validation Croisée : Utilisation de SVGD comme référence indépendante pour valider les résultats de PSVI et de la méthode linéarisée.
• Analyse des Méta-propriétés : Démonstration que les différences d'incertitude ne sont pas seulement théoriques mais impactent directement l'estimation de propriétés géologiques dérivées (comme les volumes de corps géologiques).
• Identification des Régimes de Similarité : Mise en évidence que les deux méthodes peuvent donner des résultats similaires si les données sont extrêmement informatives (PDF unimodale serrée) ou très peu informatives (dominée par l'a priori), mais divergent fortement dans les cas intermédiaires où la non-linéarité est prépondérante.

4. Résultats

Les expériences ont été menées sur deux modèles : un modèle de couches simples et un modèle Marmousi modifié (plus réaliste et complexe).

• Précision des Moyennes : Toutes les méthodes (linéarisée, PSVI, SVGD) récupèrent avec précision la moyenne du modèle a posteriori (la structure de vitesse moyenne), qui correspond bien à la vérité terrain.
• Différences Structurelles d'Incertitude :
  • Interfaces et Anomalies : Les méthodes non-linéaires (PSVI et SVGD) révèlent des structures d'incertitude complexes, notamment des boucles d'incertitude autour des interfaces de couches et des anomalies de vitesse. Ces structures reflètent le fait que différentes formes et vitesses d'anomalies peuvent s'ajuster également bien aux données (non-unicité due à la non-linéarité).
  • Côté Haute vs Basse Vitesse : Près des interfaces, les méthodes non-linéaires montrent une incertitude plus élevée du côté à basse vitesse et plus faible du côté à haute vitesse (en raison de l'interférence des ondes et de la sensibilité des temps d'arrivée). La méthode linéarisée montre souvent le comportement inverse (plus d'incertitude du côté haute vitesse), ce qui est physiquement incorrect dans ce contexte.
  • Profondeur : La physique non-linéaire permet de contraindre les incertitudes plus profondément dans le modèle que la physique linéarisée (qui repose sur l'approximation de Born et néglige la diffusion multiple).
• Adéquation aux Données (Data Fit) :
  • Les échantillons tirés de la distribution a posteriori linéarisée produisent des données synthétiques qui s'écartent significativement des données observées (mauvais fit), malgré le fait que le modèle moyen (MAP) s'ajuste bien. Cela est dû au fait que dans un espace de haute dimension, la masse de probabilité d'une gaussienne est loin de sa moyenne.
  • Les échantillons des méthodes non-linéaires (PSVI et SVGD) produisent des données synthétiques qui correspondent aux données observées avec un bruit de fond, confirmant la justesse de l'estimation d'incertitude.
• Estimation de Volume (Théorie de l'Interrogation) :
  • En utilisant la théorie de l'interrogation pour estimer le volume d'un corps à basse vitesse, les méthodes non-linéaires donnent une estimation proche de la vérité terrain.
  • La méthode linéarisée fournit une estimation biaisée et moins précise, car sa structure d'incertitude erronée fausse l'intégration sur l'espace des modèles.

5. Signification et Conclusion

L'étude conclut que bien que les méthodes linéarisées soient moins coûteuses en calcul, elles échouent à capturer les incertitudes réelles dans les problèmes FWI fortement non-linéaires.

• Fiabilité : Les estimations d'incertitude non-linéaires sont significativement plus précises, offrant un meilleur ajustement aux données et des informations plus fiables sur les propriétés géologiques dérivées (méta-propriétés).
• Recommandation : Pour toute application où l'estimation précise des incertitudes est critique (prise de décision, évaluation des risques), les méthodes d'inversion non-linéaires (comme PSVI ou SVGD) doivent être privilégiées, même si elles sont plus coûteuses.
• Limites et Perspectives : Les auteurs notent que les résultats peuvent converger si les données sont très riches ou très pauvres, mais qu'il est difficile de savoir a priori dans quel régime se trouve un problème réel. Ils suggèrent des travaux futurs sur des problèmes 3D, élastiques et avec des a priori géologiques plus complexes.

En résumé, ce papier démontre que la linéarisation de la physique des ondes dans l'estimation d'incertitude bayésienne introduit des biais systématiques importants, rendant les méthodes d'inférence variationnelle non-linéaires indispensables pour une interprétation géologique robuste.