Geostatistika põhimõisted geofüüsikas
Geostatistika on statistika haru, mis on spetsiaalselt loodud ruumiliselt seotud andmete, st andmete, mille väärtusi mõjutab asukoht, analüüsimiseks. Geofüüsikas on andmed peaaegu alati ruumilise iseloomuga: gravitatsiooni-, magnet-, seismilised ja takistuslikud mõõtmised, samuti geokeemilised ja puurkaevude logiandmed on kõik seotud kindlate koordinaatidega. Seega pakub geostatistika olulist alust maa-aluste parameetrite jaotusmustrite mõistmiseks, väärtuste hindamiseks mõõtmata asukohtades ja tõlgenduste ebakindluse hindamiseks. See artikkel käsitleb geofüüsikalistes kontekstides kõige sagedamini kasutatavaid geostatistika põhimõisteid.
Miks on geostatistika geofüüsikas oluline?
Geofüüsikalised uuringud seisavad pidevalt silmitsi valimivõtu piirangutega. Kulude, aja ja juurdepääsupiirangute tõttu on võimatu mõõta iga punkti pinnal või pinna all. Seetõttu nõuab geofüüsikaline tõlgendamine interpoleerimist ja modelleerimist. Lihtsad interpolatsioonid, näiteks pöördkauguse kaalumine (IDW), on mugavad, kuid need ignoreerivad sageli ruumilisi korrelatsioonistruktuure ega anna mingit mõõdikut määramatusele. Geostatistika käsitleb kahte peamist vajadust: (1) andmete ruumiliste korrelatsioonimustrite ärakasutamine realistlikumate hinnangute saamiseks ja (2) kvantitatiivse raamistiku pakkumine määramatuse jaoks, et teavitada uurimisotsuseid.
Geofüüsikalises praktikas kasutatakse geostatistikat täpsemate ja järjepidevamate anomaaliakaartide loomiseks, kivimite omaduste (poorsus, läbilaskvus, lainekiirus) modelleerimiseks, mitmest allikast pärinevate andmete (nt seismilised ja puurkaevude andmed) integreerimiseks ning riskistsenaariumide jaoks maa-aluste mudelite simuleerimiseks.
Ruumiandmed ja juhuslike väljade mõiste
Geostatistika olemus on vaadelda geoloogilisi või geofüüsikalisi nähtusi juhuslike funktsioonide või juhuslike väljadena. See tähendab, et parameetrite väärtusi, nagu tihedus, magnetiline vastuvõtlikkus või kiirus P igas asukohas, käsitletakse juhusliku protsessi realisatsioonidena, millel on kindel struktuur. Selle lähenemisviisi puhul ei ole meie eesmärk lihtsalt "kaardi joonistamine", vaid pigem väärtuste jaotuse ja asukohtade vaheliste korrelatsioonide hindamine.
Geostatistilises mudelis on kaks olulist komponenti: trend ja lokaalne muutlikkus. Trend kirjeldab ulatuslikke muutusi (nt tiheduse suurenemine põhjast lõunasse piirkondlike litoloogiliste muutuste tõttu). Lokaalne muutlikkus kirjeldab väikesemahulisi kõikumisi, mis on sageli seotud kivimite heterogeensuse, lõhede või faatsiese muutustega. Trendi ja muutlikkuse eristamine aitab meil valida sobiva meetodi: kas eeldada lihtsalt statsionaarseid tingimusi või lisada triiv/trend otseselt.
Statsionaarsus: sageli kasutatav põhieeldus
Paljud klassikalised geostatistilised meetodid tuginevad statsionaarsuse eeldusele, see tähendab, et andmete statistilised omadused jäävad asukoha nihkumisel muutumatuks. Kõige levinum vorm on teist järku statsionaarsus: keskmine on konstantne ja kovariatsioon sõltub ainult kaugusest ja eraldussuunast (mahajäämusest), mitte absoluutsest asukohast.
Geofüüsikas ei ole see eeldus alati õige, sest geoloogilised tingimused muutuvad sageli järk-järgult. Teatud skaaladel (näiteks ühe litoloogilise domeeni piires) on statsionaarsuse eeldus aga sageli üsna mõistlik. Kui andmed näitavad tugevat trendi, siis tavaliselt tehakse trendi kõrvalekalle või kasutatakse meetodivarianti, näiteks universaalset krigingut, mis trendi arvestab.
Variogramm: geostatistika süda
Geostatistika kõige ikoonilisem mõiste on variogramm (või semivariogramm). Variogramm illustreerib, kuidas andmete väärtuste sarnasus muutub kaugusega. Intuitiivselt kipuvad kahel lähestikku asuval punktil olema sarnased väärtused, samas kui kaugel asuvatel punktidel on erinevad väärtused. Variogramm kvantifitseerib seda põhimõtet.
Empiirilist semivariogrammi arvutatakse üldiselt järgmiselt:
\[
γ(h)=\frac{1}{2N(h)}\sum_{i=1}^{N(h)}[Z(x_i)-Z(x_i+h)]^2
\]
kus \(h\) on viivitus (kaugus ja suund), \(N(h)\) on selle viivitusega andmepaaride arv ja \(Z(x)\) on andmeväärtus.
Kolm olulist variogrammi parameetrit:
1. Nugget: semivariogrammi väärtus nullile läheneva viivituse ajal. Nuggetid peegeldavad mõõtmisviga, müra või heterogeensust skaalal, mis on väiksem kui valimivõtu kaugus.
2. Sill: semivariogrammi väärtus platoo saavutamisel. See on seotud andmete koguvariatsiooniga selles domeenis.
3. Vahemik: kaugus, mille juures variogramm lävele läheneb. Vahemikust allpool on andmed endiselt korrelatsioonis; vahemikust kõrgemal on korrelatsioon nõrk/kadunud.
Variogrammid võivad näidata ka anisotroopiat, mis on korrelatsioon, mis varieerub sõltuvalt suunast. Geofüüsikas tuleneb anisotroopia sageli geoloogilistest struktuuridest, nagu kihid, murrangud või settevoolu suund. Suunatud variogramm aitab määrata suurima ja vähima järjepidevuse suunda, mis on oluline reservuaari modelleerimisel või struktuurilisel tõlgendamisel.
Variogrammi mudelid: empiirilistest funktsioonidest matemaatiliste funktsioonideni
Empiirilised variogrammid on sageli mürarikkad ega vasta alati krigingus kasutamiseks vajalikele matemaatilistele nõuetele. Seetõttu tuleb need sobitada teoreetilise mudeliga, näiteks:
– Sfääriline
– Eksponentsiaalne
– Gaussi
– Matérn (paindlikum, aga keerukam)
Mudeli valikut juhivad empiirilise variogrammi kuju ja geoloogiline arusaam. Näiteks Gaussi mudelid annavad lühikeste vahemaade tagant sageli väga sujuvaid üleminekuid, mis sobivad väga pidevate parameetrite jaoks. Eksponentsiaalsed mudelid on lühikeste vahemaade tagant ebaühtlasemad ja sobivad kiiresti muutuvate nähtuste jaoks.
Kriging: variogrammil põhinev optimaalne hindamine
Kriging on geostatistiline interpolatsioonimeetod, mis kasutab parima lineaarse eelarvamuseta hinnangu (BLUE) saamiseks variogrammi. Erinevalt deterministlikest interpolatsioonimeetoditest kriging:
1. Võtke arvesse kaugust ja ruumilist korrelatsiooni.
2. Loob hinnangukaardi ja krigingu dispersioonkaardi (määramatuse).
Krigingu levinumad tüübid:
– Lihtne kriging (SK): keskmine on teada ja konstantne.
– Harilik kriging (OK): keskmine on teadmata, kuid eeldatakse, et see on kohalikus naabruses konstantne.
– Universaalne kriging (Ühendkuningriik): hõlmab trendi/triivi (nt polünoomfunktsioon koordinaatide suhtes).
– Kokriging: sekundaarsete muutujate kasutamine (nt poorsuse hindamine seismilise impedantsi abil).
– Indikaatorkriging: kategooriliste/sündmusandmete jaoks (nt konkreetse litoloogia tõenäosus).
Rakendusgeofüüsikas on tavaline kriging sageli tugev esialgne valik, kuna see on paindlik ega nõua teadaoleva globaalse keskmise eeldamist.
Geostatistiline simulatsioon: enamat kui lihtsalt kaart
Interpoleerimine annab tulemuseks ühe „parima“ mudeli, kuid pinnase all olev materjal ei ole kunagi kindel. Riski hindamiseks ja stsenaariumide loomiseks kasutatakse geostatistilisi simulatsioone, näiteks:
– Järjestikune Gaussi simulatsioon (SGS) pidevate muutujate jaoks.
– Järjestikuste indikaatorite simulatsioon (SIS) kategooriliste muutujate jaoks.
– Mitmepunktiline statistika keerukate geoloogiliste mustrite kohta, mis põhinevad treeningpiltidel.
Simulatsioonid annavad mitu realisatsiooni, mis kõik on kooskõlas andmete ja variogrammiga, võimaldades meil arvutada tõenäosusvahemikke, kvantiile ja tõenäosusi. Geofüüsikalises kontekstis on simulatsioonid olulised puurimise planeerimiseks, mahulise ebakindluse hindamiseks ja voolu modelleerimisega integreerimiseks.
Mudeli valideerimine: ristvalideerimine ja diagnostika
Hea geostatistika ei piirdu ainult variogrammide ja kriginguga. Hinnanguid tuleb teha näiteks järgmistel juhtudel:
– Ühe punkti väljajätmine ristvalideerimisel: iga punkt ennustatakse teiste punktide abil ja seejärel võrreldakse tegeliku väärtusega.
– Jääkide analüüs: kas jäägid on jaotatud juhuslikult, kas esineb süstemaatilist eelarvamust.
– Krigingu dispersioonikontroll: kas määramatus on mõistlik (kõrge andmetevaestes piirkondades, madal andmeterikkates piirkondades).
Valideerimine aitab kindlaks teha, kas variogramm on liiga „sujuv“, vahemik liiga pikk/lühike või esineb anisotroopiat, mida pole tabatud.
Geofüüsikaliste geostatistika rakenduste tavalised väljakutsed
Mõned väljakutsed, mis sageli tekivad:
1. Müra ja mitte-Gaussi jaotus: Geofüüsikalised andmed sisaldavad sageli kõrvalekaldeid ja mitte-normaaljaotusi. Mõnikord on vajalikud teisendused (nt normaaljaotus).
2. Ebaühtlane valimvõtt: mõõtmistee (trajektoor) põhjustab andmete tiheduse ühes suunas ja hõreduse teises suunas.
3. Mittestatsionaarsus: litoloogia või piirkondliku struktuuri muutused tekitavad tugevaid trende.
4. Mitmeskaalaline integratsioon: seismiline on küll laiaulatuslik, kuid lahutusvõime erineb väga detailsetest puurkaevude andmetest.
Nende väljakutsete ületamiseks on vaja nii statistilist arusaamist kui ka geoloogilist/geofüüsikalist intuitsiooni.
Sulgemine
Geostatistika põhimõisted – statsionaarsus, variogramm, kriging ja simulatsioon – pakuvad võimsa raamistiku asukohapõhiste geofüüsikaliste andmete töötlemiseks. Variogrammi abil kaardistame ruumilise korrelatsioonistruktuuri; kriginguga saame optimaalsed hinnangud ja nende määramatused; simulatsiooniga aga konstrueerime mitu stsenaariumi, mis kujutavad realistlikumalt maa-aluseid määramatusi. Lõppkokkuvõttes ei ole geostatistika pelgalt kaardistamistehnika , vaid kvantitatiivne lähenemisviis teadlikumate geofüüsikaliste uuringute ja tõlgenduste otsuste tegemiseks.
Soovi korral võin lisada ka rakendusjuhtude näiteid (nt magnetanomaaliate kaardistamine või seismilise kiiruse hindamine) või lisada praktilise töövoo variogrammide arvutamisest kriginguni konkreetses tarkvaras.
