[論文レビュー] A conceptual framework for discrete inverse problems in geophysics

M. Giudici, Fulvia Baratelli+8 more|arXiv (Cornell University)|Jan 23, 2019

Seismic Imaging and Inversion Techniques参考文献 25被引用数 5

ひとこと要約

本論文は、地球物理学における離散的逆問題の包括的な概念的枠組みを提案し、モデル予測、ターゲット、同定可能性、適切な定式化（一意性、安定性、条件数）といった重要な概念を形式化する。データ処理、ベイズ的手法、およびアドジョイントステート法といった高度な技術を統合することで、測定の役割を明確にし、さまざまな地球物理学的応用分野におけるモデルキャリブレーションの頑健性を向上させる。

ABSTRACT

In geophysics, inverse modelling can be applied to a wide range of goals, including, for instance, mapping the distribution of rock physical parameters in applied geophysics and calibrating models to forecast the behaviour of natural systems in hydrology, meteorology and climatology. A common, thorough conceptual framework to define inverse problems and to discuss their basic properties in a complete way is still lacking. The main goal of this paper is to propose a step forward toward such a framework, focussing on the discrete inverse problems, that are used in practical applications. The relevance of information and measurements (real world data) for the definition of the calibration target and of the objective function is discussed, in particular with reference to the Bayesian approach. Identifiability of model parameters, posedness (uniqueness and stability) and conditioning of the inverse problems are formally defined. The proposed framework is so general as to permit rigorous definitions and treatment of sensitivity analysis, adjoint-state approach, multi-objective optimization.

研究の動機と目的

• 地球物理学における離散的逆問題の統一的で形式的な概念的枠組みを確立し、既存の文献における不整合を解消すること。
• キャリブレーションにおける前方モデル出力、測定データ、モデル予測、およびターゲット値の役割を明確にすること。
• 同定可能性、一意性、安定性、および条件数といった重要な性質を形式化すること。
• 問題固有の性質とアルゴリズム依存性を区別し、逆問題モデリングにおける透明性を向上させること。
• 適切な空間的・時間的スケールでのデータ品質、関連性、および処理を強調することで、モデルキャリブレーションの頑健性を高めること。

提案手法

• 固定パラメータ、キャリブレーション対象パラメータ、モデル予測、およびデータから導出されるターゲット値を区別する構造的枠組みを導入する。
• 逆問題を、モデル予測とターゲット値を比較する目的関数の最小化として定式化し、データ処理を明示的に扱う。
• ベイズ的手法を用いて、パラメータ推定における事前知識と不確実性の伝播を形式化する。
• 目的関数の勾配を効率的に計算するため、有限差分法と比較して計算コストを低減するアドジョイントステート法を用いる。
• 同じ概念的構造内に感度分析と多目的最適化を統合する。
• 一意性、安定性、および条件数を通じて適切な定式化を形式的に定義し、特に頑健な解を得るための良好な条件数に重点を置く。

実験結果

リサーチクエスチョン

• RQ1 逆問題モデリングにおいて、測定データ、モデル予測、およびターゲット値の役割を形式的にどのように区別できるか？
• RQ2 離散的逆問題における同定可能性、一意性、安定性、および条件数の正式な条件は何か？
• RQ3 データ処理は、地球物理学的応用における逆問題の定義と解法にどのように影響を与えるか？
• RQ4 アドジョイントステート法は、逆問題における勾配計算の計算効率と精度をどのように向上させるか？
• RQ5 この概念的枠組みは、逆問題の解に生じる問題が、問題の不適切な定式化に起因するのか、それともアルゴリズム的制限に起因するのかをどのように特定するのを支援するか？

主な発見

• この枠組みは、前方モデル出力、モデル予測、測定データ、およびターゲット値の間を形式的に区別し、キャリブレーションにおける曖昧さを解消する。
• 同定可能性の分析は、一意な解が存在するかどうかを評価するために不可欠であり、地球物理学的逆問題において日常的に行われるべきである。
• 適切な定式化（一意性と安定性）は、信頼できるパラメータ推定に必要なが、十分ではない。データおよびモデルの誤差に対して頑健であるためには、良好な条件数が不可欠である。
• アドジョイントステート法により、単一の前方計算で効率的な勾配計算が可能となり、有限差分法と比較して計算コストと近似誤差を顕著に低減する。
• この枠組みは感度分析と多目的最適化をサポートし、パラメータのトレードオフと解の信頼性に関する深い洞察を可能にする。
• モデルのスケールにおけるデータの品質、正確性、物理的整合性、および関連性は、成功したモデルキャリブレーションの基盤であり、厳密に評価されるべきである。