Basisbegrippen van geostatistiek in de geofysica
Geostatistiek is een tak van de statistiek die specifiek is ontworpen voor de analyse van ruimtelijk gerelateerde gegevens, dat wil zeggen gegevens waarvan de waarden worden beïnvloed door de locatie. In de geofysica zijn gegevens bijna altijd ruimtelijk van aard: zwaartekracht-, magnetische, seismische en resistiviteitsmetingen, evenals geochemische en boorgatmetingen, zijn allemaal gekoppeld aan specifieke coördinaten. Daarom biedt geostatistiek een essentiële basis voor het begrijpen van de verdeling van parameters in de ondergrond, het schatten van waarden op niet-gemeten locaties en het beoordelen van de onzekerheid van interpretaties. Dit artikel bespreekt de basisconcepten van geostatistiek die het meest worden gebruikt in geofysische contexten.
Waarom is geostatistiek belangrijk in de geofysica?
Geofysische onderzoeken worden steevast geconfronteerd met beperkingen in de bemonstering. Het is onmogelijk om elk punt aan de oppervlakte of in de ondergrond te meten vanwege kosten, tijd en toegankelijkheidsbeperkingen. Daarom vereist geofysische interpretatie interpolatie en modellering. Eenvoudige interpolaties zoals inverse afstandsinterpolatie (IDW) zijn handig, maar ze negeren vaak ruimtelijke correlatiestructuren en bieden geen maatstaf voor onzekerheid. Geostatistiek voorziet in twee belangrijke behoeften: (1) het benutten van de ruimtelijke correlatiepatronen in data voor realistischere schattingen, en (2) het bieden van een kwantitatief kader voor onzekerheid ter onderbouwing van exploratiebeslissingen.
In de geofysische praktijk wordt geostatistiek gebruikt voor het maken van meer verfijnde en consistente anomaliekaarten, het modelleren van gesteente-eigenschappen (porositeit, permeabiliteit, golfsnelheid), het integreren van gegevens uit meerdere bronnen (bijv. seismische gegevens en boorgatmetingen) en het simuleren van ondergrondse modellen voor risicoscenario's.
Ruimtelijke gegevens en het concept van willekeurige velden
De essentie van geostatistiek is het beschouwen van geologische of geofysische verschijnselen als willekeurige functies of willekeurige velden. Dit betekent dat parameterwaarden zoals dichtheid, magnetische susceptibiliteit of snelheid P op elke locatie worden beschouwd als realisaties van een willekeurig proces met een specifieke structuur. Bij deze benadering is ons doel niet simpelweg "een kaart te tekenen", maar eerder om de verdeling van waarden en de correlaties tussen locaties te schatten.
Een geostatistisch model bestaat uit twee belangrijke componenten: trend en lokale variabiliteit. De trend beschrijft veranderingen op grote schaal (bijvoorbeeld een toenemende dichtheid van noord naar zuid als gevolg van regionale lithologische veranderingen). Lokale variabiliteit beschrijft schommelingen op kleine schaal, vaak gerelateerd aan gesteenteheterogeniteit, breuken of faciesveranderingen. Het onderscheid tussen trend en variabiliteit helpt ons bij het kiezen van de juiste methode: of we simpelweg uitgaan van stationaire omstandigheden, of dat we expliciet rekening houden met drift/trend.
Stationariteit: een veelgebruikte basisveronderstelling
Veel klassieke geostatistische methoden zijn gebaseerd op de aanname van stationariteit, dat wil zeggen dat de statistische eigenschappen van de gegevens onveranderd blijven bij verschuivingen in locatie. De meest voorkomende vorm is stationariteit van de tweede orde: het gemiddelde is constant en de covariantie hangt alleen af van de afstand en richting van de scheiding (lag), niet van de absolute positie.
In de geofysica is deze aanname niet altijd correct, omdat geologische omstandigheden vaak geleidelijk veranderen. Op bepaalde schalen (bijvoorbeeld binnen één lithologisch domein) is de aanname van stationariteit echter vaak heel redelijk. Als de data een sterke trend vertonen, wordt er meestal een trendcorrectie uitgevoerd of een variant van de methode, zoals universele kriging, gebruikt die rekening houdt met de trend.
Variogram: Het hart van de geostatistiek
Het meest iconische concept in de geostatistiek is het variogram (of semivariogram). Een variogram illustreert hoe de gelijkenis tussen datawaarden verandert met de afstand. Intuïtief gezien hebben twee punten die dicht bij elkaar liggen de neiging om vergelijkbare waarden te hebben, terwijl punten die ver uit elkaar liggen de neiging hebben om verschillende waarden te hebben. Het variogram kwantificeert dit principe.
Het empirische semivariogram wordt over het algemeen als volgt berekend:
\[
\gamma(h)=\frac{1}{2N(h)}\sum_{i=1}^{N(h)}[Z(x_i)-Z(x_i+h)]^2
\]
waarbij \(h\) de vertraging (afstand en richting) is, \(N(h)\) het aantal dataparen bij die vertraging is, en \(Z(x)\) de datawaarde is.
Drie belangrijke variogramparameters:
1. Nugget: de semivariogramwaarde bij een vertraging die nul nadert. Nuggets weerspiegelen meetfouten, ruis of heterogeniteit op een schaal kleiner dan de bemonsteringsafstand.
2. Sill: de semivariogramwaarde wanneer deze een plateau bereikt. Deze waarde is gerelateerd aan de totale variantie van de gegevens in dat domein.
3. Bereik: de afstand waarop het variogram de drempel nadert. Beneden het bereik zijn de gegevens nog steeds gecorreleerd; boven het bereik is de correlatie zwak of verdwijnt deze.
Variogrammen kunnen ook anisotropie weergeven, een correlatie die varieert afhankelijk van de richting. In de geofysica ontstaat anisotropie vaak door geologische structuren zoals gelaagdheid, breuken of de richting van sedimentstromen. Een directioneel variogram helpt bij het bepalen van de richtingen van de grootste en kleinste continuïteit, wat cruciaal is bij reservoirmodellering of structurele interpretatie.
Variogrammodellen: van empirische naar wiskundige functies
Empirische variogrammen zijn vaak ruisgevoelig en voldoen niet altijd aan de wiskundige vereisten voor gebruik bij kriging. Daarom moeten ze worden aangepast aan een theoretisch model, zoals:
– Bolvormig
– Exponentieel
– Gaussisch
– Matérn (flexibeler, maar complexer)
De modelkeuze wordt bepaald door de vorm van het empirische variogram en geologisch inzicht. Gaussische modellen produceren bijvoorbeeld vaak zeer vloeiende overgangen over korte afstanden, geschikt voor zeer continue parameters. Exponentiële modellen zijn ruwer over korte afstanden, geschikt voor verschijnselen met snelle veranderingen.
Kriging: Optimale schatting op basis van variogrammen
Kriging is een geostatistische interpolatiemethode die gebruikmaakt van een variogram om de beste lineaire onbevooroordeelde schatter (BLUE) te leveren. In tegenstelling tot deterministische interpolatiemethoden:
1. Houd rekening met afstand en ruimtelijke correlatie.
2. Produceert een schattingskaart en een kriging-variantiekaart (onzekerheid).
Veelvoorkomende vormen van kriging:
– Eenvoudige Kriging (SK): het gemiddelde is bekend en constant.
– Gewone Kriging (OK): het gemiddelde is onbekend, maar er wordt aangenomen dat het constant is in de lokale omgeving.
– Universal Kriging (VK): omvat trend/drift (bijv. polynomiale functie ten opzichte van coördinaten).
– Co-kriging: gebruikmaken van secundaire variabelen (bijv. het schatten van porositeit met behulp van seismische impedantie).
– Indicator Kriging: voor categorische/gebeurtenisgegevens (bijv. de waarschijnlijkheid van een bepaalde lithologie).
In de toegepaste geofysica is gewone kriging vaak een sterke eerste keuze, omdat deze flexibel is en geen aanname van een bekend wereldgemiddelde vereist.
Geostatistische simulatie: meer dan alleen een kaart
Interpolatie levert één ‘beste’ model op, maar de ondergrond is nooit helemaal zeker. Om risico’s te beoordelen en scenario’s te creëren, worden geostatistische simulaties gebruikt, zoals:
– Sequentiële Gaussische simulatie (SGS) voor continue variabelen.
– Sequentiële indicator simulatie (SIS) voor categorische variabelen.
– Statistieken op meerdere punten voor complexe geologische patronen op basis van trainingsafbeeldingen.
Simulaties leveren meerdere realisaties op die allemaal consistent zijn met de data en het variogram, waardoor we waarschijnlijkheidsbereiken, kwantielen en kansen kunnen berekenen. In een geofysische context zijn simulaties essentieel voor boorplanning, het evalueren van volumetrische onzekerheid en de integratie met stromingsmodellering.
Modelvalidatie: kruisvalidatie en diagnostiek
Goede geostatistiek gaat verder dan het maken van variogrammen en kriging. Er moeten ook evaluaties worden uitgevoerd, bijvoorbeeld:
– Leave-one-out kruisvalidatie: elk punt wordt voorspeld aan de hand van andere punten en vervolgens vergeleken met de werkelijke waarde.
– Residu-analyse: of de residuen willekeurig verdeeld zijn, of er sprake is van systematische vertekening.
– Kriging-variantiecontrole: of de onzekerheid redelijk is (hoog in gebieden met weinig gegevens, laag in gebieden met veel gegevens).
Validatie helpt bepalen of het variogram te "glad" is, het bereik te lang/kort is, of dat er sprake is van anisotropie die niet is vastgelegd.
Veelvoorkomende uitdagingen bij geofysische en geostatistische toepassingen
Enkele veelvoorkomende uitdagingen:
1. Ruis en niet-Gaussische verdeling: Geofysische data bevatten vaak uitschieters en niet-normale verdelingen. Transformaties (bijv. normal score) zijn soms noodzakelijk.
2. Ongelijkmatige bemonstering: het meetpad (traject) zorgt ervoor dat de gegevens in de ene richting dicht op elkaar liggen en in de andere richting schaars zijn.
3. Niet-stationariteit: veranderingen in lithologie of regionale structuur produceren sterke trends.
4. Integratie op meerdere schalen: seismiek is grootschalig, maar de resolutie verschilt van de zeer gedetailleerde gegevens uit boorgaten.
Het overwinnen van deze uitdagingen vereist een combinatie van statistisch inzicht en geologische/geofysische intuïtie.
Sluitend
De fundamentele concepten van geostatistiek – stationariteit, variogram, kriging en simulatie – bieden een krachtig raamwerk voor de verwerking van locatiegebonden geofysische data. Met een variogram brengen we de ruimtelijke correlatiestructuur in kaart; met kriging verkrijgen we optimale schattingen en hun onzekerheden; en met simulatie construeren we meerdere scenario's die de onzekerheden in de ondergrond realistischer weergeven. Uiteindelijk is geostatistiek niet alleen een karteringstechniek, maar een kwantitatieve benadering om beter onderbouwde beslissingen te nemen over geofysisch onderzoek en interpretatie.
Indien gewenst kan ik ook toepassingsvoorbeelden toevoegen (bijvoorbeeld het in kaart brengen van magnetische anomalieën of het schatten van seismische snelheden), of een praktische workflow beschrijven, van variogramberekening tot kriging in specifieke software.
