Professional Documents
Culture Documents
Inversi Tak-Linier Magnetotelurik Dua-Di
Inversi Tak-Linier Magnetotelurik Dua-Di
ABSTRAK
Dalam formulasi masalah inversi menggunakan inferensi Bayes, solusi inversi adalah fungsi peluang model
posterior yang merupakan aktualisasi peluang model a priori. Pemecahan masalah inversi tak-linier
dilakukan dengan algoritma Monte Carlo Markov Chain (MCMC) dimana peluang transisi dari rantai
Markov homogen digunakan untuk mengeksplorasi ruang model secara efektif. Penyelesaian inversi tak-
linier ini memiliki kemampuan untuk menghindari jebakan minimum lokal yang sering terjadi dalam inversi
dengan pendekatan linier. Penerapan pemodelan inversi MCMC pada data sintetik magnetotelurik 2-D
menunjukkan bahwa inversi data mode TE atau TM secara mandiri menghasilkan citra yang kurang fokus
karena sensitivitas masing-masing mode. Namun demikian, resolusi model inversi dari data mode TE dan
TM secara terpadu menghasilkan citra yang memuaskan.
ABSTRACT
In formulation of inverse problem using Bayesian inference, solution to the inverse problem is expressed as
posterior probability of model obtained as actualisation of given prior model probabilty. The non-linear
inverse problem is resolved by using Monte Carlo Markov Chain (MCMC) algorithm where the transition
probability of a homogenous Markov chain is employed to explore effectively the model space. This non-
linear approach has the ability to overcome local minima entraptment, which occasionally occurs in the
linearized inversion. Application of the algorithm to invert separate TE and TM mode of MT synthetic data
results in non-focused images due to different sensitivities of TE and TM data. However, simultaneous
inversion of TE and TM data gives satisfactorily results.
2
JURNAL GEOFISIKA 2004/2
Simulasi rantai Markov ergodik dilakukan untuk dengan mi = ρ k (dan harga elemen model lain
menyatakan distribusi (probabilty density function tetap) dinyatakan oleh :
atau PDF) a posteriori marginal dari model
parameter. Selanjutnya algoritma pemrograman g (d mi = ρk )h( mi = ρk )
diuji coba pada data respon model sintetik MT p(mi = ρk d ) = N
(3)
untuk mengetahui resolusi hasil inversi. ∑ g (d m = ρ ) h ( m = ρ )
j =1
i j i j
3
JURNAL GEOFISIKA 2004/2
-150
2.5
Kedalaman (m)
-300
-450 2.0
-600
1.5
-750
-900 1.0
0 300 600 900 1200
Jarak (m)
-300
mode TE (transverse electric). Pada mode TM
arah medan magnet sejajar arah struktur (strike). -450 2.0
4
JURNAL GEOFISIKA 2004/2
-300
Kurva misfit menunjukkan penurunan nilai
-450 2.0
misfit yang signifikan hingga iterasi ke-5. Pada
iterasi berikutnya kurva misfit sedikit berosilasi -600
1.5
hingga akhirnya konvergen pada iterasi ke-10. -750
Osilasi ini menunjukkan kemampuan algoritma
-900 1.0
inversi untuk mengenali adanya minimum lokal 0 300 600 900 1200
Log
yang ditemui pada iterasi tertentu dan kemudian Jarak (m) Tahanan-jenis
melakukan upaya pembaharuan parameter model (Ohm.m)
sebagai usaha untuk lepas dari jebakan minimum
lokal tersebut.
Gambar 5. Citra model hasil inversi mode TE.
Hasil inversi pada mode TE ditampilkan pada
Gambar 5 sedangkan kurva misfit sebagai fungsi
iterasi inversi mode TE ditampilkan pada Gambar
6. Dari citra hasil inversi dapat diamati bahwa MODE TE DATA SINTETIK
daerah anomali konduktif relatif dapat terresolusi
sedangkan daerah anomali resistif tidak dapat 18
terresolusi dengan baik. Hal ini disebabkan sifat
15
inheren dari mode TE yang relatif tidak sensitif
misfit(x1.0e+3)
5
JURNAL GEOFISIKA 2004/2
-300
sehingga dapat diterapkan pada penyelesaian
-450 2.0 masalah estimasi parameter berdasarkan data
-600
geofisika lainnya. Untuk itu perlu diperhitungkan
1.5 penyesuaian yang menyangkut pemodelan kedepan
-750 dan adanya ambiguitas inheren pada setiap metoda
-900 1.0 atau data geofisika yang ditinjau.
0 300 600 900 1200 Log
Jarak (m) Tahanan-jenis
(Ohm.m)
18
15 DAFTAR PUSTAKA
misfit(x1.0e+3)
12
Grandis, H., Mogi, T., Widarto, D.S., 1998, 3-D
9 magnetotelluric inversion using Markov chain
6 algorithm, Proceeding of 99th SEG Japan
Conference, Tokyo, Japan.
3
0 Menke, W., 1984, Introduction to geophysical
1 4 7 10 data analysis: discrete inverse theory,
Academic Press, Orlando.
iterasi
Mosegaard, K. and Tarantola, A. , 1995, Monte
Carlo sampling of solutions to inverse
Gambar 8. Kurva misfit sebagai fungsi iterasi pada problems, J. Geophys. Res., 100, 12.431 –
inversi mode TE dan TM. 12.447.
Rothman,D.H., 1986, Automatic estimation of
large residual statics corrections, Geophysics,
4. KESIMPULAN 51, 332 – 346.
Penerapan algoritma Monte Carlo Rantai Sambridge, M., 1999, Geophysical inversion with
Markov pada inversi data sintetik menghasilkan a neighbourhood algorithm – I. Searching a
citra tahanan-jenis yang baik untuk inversi paduan parameter space, Geophys. J. Int, 138, 479-
TE dan TM. Inversi mode TE menghasilkan citra 494.
tahanan-jenis daerah anomali tahanan-jenis rendah
yang baik sedangkan inversi mode TM Uchida, T., 1993, Smooth 2-D inversion of
menghasilkan citra daerah anomali tahanan-jenis magnetotelluric data based on statistical
tinggi yang baik. Temuan ini berkaitan dengan criterion ABIC, J. Geomag. Geoelectr., 45, 841
sensitivitas data mode TE dan TM dimana mode – 858.
TE lebih sensitif terhadap anomali tahanan-jenis
rendah sedangkan mode TM lebih sensitif terhadap
anomali tahanan-jenis tinggi.