Simulacin Multipunto

Julin Ortiz C.
Modelo probabilstico
El valor de la variable regionalizada en un punto z(u) se interpreta
como la realizacin (outcome) de una variable aleatoria Z(u).

Algunos problemas:
Cmo hacer inferencia acerca de la variable aleatoria si slo
disponemos de una realizacin?
Cmo interpretamos la distribucin de probabilidades en cada punto?
1.2
0.8
?
F(z)
z
Interpretacin
Cmo infiero la distribucin de
probabilidad de un dado si slo
conozco la realizacin?


Interpretacin
Cmo infiero la distribucin de
probabilidad de un dado si solo
conozco la realizacin?


Si conozco varias realizaciones y
asumo cierta homogeneidad espacial,
puedo inferir su distribucin
Equivalente a tirar varias veces el dado








Pero, adems, en nuestro caso,
los dados no son independientes:

Definiciones
Variable aleatoria: Una funcin desde un espacio muestreal S en los
nmeros reales. Una forma de representar un valor z no muestreado
(desconocido). Se denotan con letras maysculas

La variable aleatoria puede tomar cualquier valor dado por su
distribucin de probabilidad. sta modela la incertidumbre respecto a
z. La variable puede ser continua o discreta



1.2
0.8
?
F(z)
z
Nocin de funcin aleatoria
Funcin Aleatoria: el conjunto de las variables
aleatorias en un dominio:

La variable regionalizada es una realizacin
de una funcin aleatoria

Es importante caracterizar cmo se correlacionan
estas variables aleatorias, de modo de modelar la
continuidad espacial de los valores de la variable
regionalizada

anlisis variogrfico
{ } D Z e u u), (
Ejemplo: mismos conjuntos de valores, pero distribuidos de forma
diferente en el espacio.
Nocin de funcin aleatoria
1,71 2,29 2,46 1,21 0,78 2,53
1,68 2,23 1,07 1,18 2,57 1,32
0,41 0,72 1,62 3,6 0,5 3,39
3,24 0,81 0,35 2,62 2,4 0,15
3,39 2,33 0,93 1,31 2,22 0,01
1,09 2,28 1,69 3,43 1,99 1,07
1,68 1,31 0,93 0,78 2,57 3,39
2,22 1,07 1,32 1,21 1,71 2,28
3,6 3,24 2,29 1,18 1,09 1,07
2,46 3,39 2,4 2,33 0,5 0,41
2,53 3,43 2,23 1,69 0,72 0,81
1,62 2,62 1,99 0,15 0,01 0,35
Ejemplo: mismos conjuntos de valores, pero distribuidos de forma
diferente en el espacio. Las variables aleatorias se modelarn con altas
correlaciones en el primer caso, y con bajas correlaciones en el
segundo caso.
Nocin de funcin aleatoria
La geoestadstica convencional se basa en variogramas (o covarianzas espaciales)
Inadecuada interpretacin de la continuidad espacial








Simulacin multipuntos. Inferencia de la continuidad espacial basada en 3 o ms
puntos.
Fuente: MPS short course (Jef Caers, Boucher, 2008).
Fuente: Zhang et al, 2006.
Motivacin
MPS marco conceptual
MPS es conceptualmente simple:
Inferir estadsticas de orden alto (de patrones)
desde una imagen de entrenamiento y
generar nuevas imgenes que:
Respetan esas estadsticas
Respetan cierta informacin (datos duros o
blandos)
Similar a sntesis de textura, pero condicional.
Fuente: Mariethoz, 2011.
MPS- Principios del mtodo
Dominio a modelar
Datos: observaciones geolgicas
Sand
Clay
Variable categrica m(x)
m(x) = 1
m(x) = 2
Fuente: Mariethoz, 2011.
Mtodo de simulacin secuencial
Seleccionar posicin x
Encontrar los n nodos ms cercanos
informados
data event
MPS- Principios del mtodo
Buscamos m(x)
Encontrar el correspondiente valor de m
Sand
Clay
Fuente: Mariethoz, 2011.
Anlisis de imagen de entrenamiento
Evento
Contador 0 0
O
X
?
O
data event
Sand
Clay
Fuente: Mariethoz, 2011.
Anlisis de imagen de entrenamiento
Evento
Contador 0 0
data event
Sand
Clay
X
X
?
O
Fuente: Mariethoz, 2011.
Anlisis de imagen de entrenamiento
Evento
Contador 0 0
data event
Sand
Clay
X
X
?
O
Fuente: Mariethoz, 2011.
Anlisis de imagen de entrenamiento
Evento
Contador 0 0
data event
Sand
Clay
X
X
?
O
Fuente: Mariethoz, 2011.
Anlisis de imagen de entrenamiento
Evento
Contador 0 1
data event
Sand
Clay
O
O
?
O
Fuente: Mariethoz, 2011.
Anlisis de imagen de entrenamiento
Evento
Contador 0 2
data event
Sand
Clay
O
O
?
O
Fuente: Mariethoz, 2011.
Anlisis de imagen de entrenamiento
Evento
Contador 0 3
data event
Sand
Clay
O
O
?
O
Fuente: Mariethoz, 2011.
Anlisis de imagen de entrenamiento
Evento
Contador 0 4
data event
Sand
Clay
O
O
?
O
Fuente: Mariethoz, 2011.
Anlisis de imagen de entrenamiento
data event
Sand
Clay
Evento Total
Contador 0 4 4
Probabilidad 0 / 4 = 0 4 / 4 = 1
Fuente: Mariethoz, 2011.
Single Normal Equation (snesim)
Datos
condicionantes se
congelan en la
grilla de simulacin
Se usa un camino
aleatorio para
visitar nodos no
informados
Single Normal Equation (snesim)
Se define una
vecindad de
bsqueda
Todos los nodos
informados en la
vecindad se usan
(datos duros +
nodos ya
simulados)
Single Normal Equation (snesim)
Se construye la
dustribucin
condicional desde la
imagen de
entrenamiento (rbol de
bsqueda)
Single Normal Equation (snesim)
Se simula un valor por
MCS: se genera
nmero aleatorio
uniforme en (0,1) y se
lee la categora
correspondiente.
Single Normal Equation (snesim)
En adelante, la
categora simulada se
usa como informacin
condicionante
Se visita otro nodo de
la grilla
Se busca informacin
en la vecindad
Informacin
condicionante se usa
para construir la
distribucin condicional
desde la imagen de
entrenamiento
Formalizando el concepto
Kriging de indicadores:
Basado en variogramas
(pares de puntos)
Kriging es una combinacin
lineal de indicadores


1
0
2
3

=
u
u
u
at prevail not does if 0
at prevails if 1
) ; (
k
k
k k
s
s
s I

+ =
) (
2
)] ; ( ) ; ( [
| ) N( | 2
1
) ; (
h
h u u
h
h
N
k k k I
s I s I s
| | ( )

=
=
n
k k k
KS
k
KS
k
p s u i s u p s u i
1
*
) ; ( ) ; ( ) ; (
o
o o

Formalizando el concepto
Mtodo de
indicadores
Estimar esperanza
condicional
Combinacin lineal
Productos de
indicadores
Kriging de
indicadores
(solucin
aproximada)
Simulacin
Multipunto
(solucin mejorada)
Formalizando el concepto
Simulacin Multipunto:
Basada en probabilidad de
encontrar un evento (data
event)
Inferencia desde la imagen
de entrenamiento
Single normal equation
Formalizado
matemticamente como
una extensin de kriging de
indicadores, donde tambin
se incluyen productos de
indicadores

1
0
2
3
Un poco de historia
Intentos para incorporar (o capturar) MPS en simulacin:
Object-Based Methods
Requieren objetos parametrizados
Difcil de considionar en presencia de datos abundantes
Tcnicas basadas en Variogramas
LVA; variogramas locales, modelos isofactoriales
Tcnicas de indicadores:
Mejoran conectividad lineal de n-puntos (Journel and Alabert, 1989)
Mtodos iterativos y MCMC
Mtodos de optimizacin general que pueden integrar distintas
estadsticas, incluyendo MPS
Un poco de historia
Intentos para incorporar (o capturar) MPS en simulacin:
Extended normal equations (Guardiano and Srivastava, 1992)
Single normal equation snesim
Kriging de indicadores extendido Se reduce a encontrar la
frecuencia de un evento de MP en la imagen de entrenamiento
Mtodo secuencial
Muy lento
Inferencia de MPS es un problema y evento debe reducirse para
inferencia
Simulated annealing (Deutsch, 1992; Ortiz and Peredo, 2010)
Basado en minimizar funcin objetivo
Mtodo iterativo
Redes Neuronales (Caers, 1994)
Modelamiento no lineal de distribuciones condicionales
Un poco de historia
Intentos para incorporar (o capturar) MPS en simulacin:
Single normal equation mejorado (Strebelle and Journel, 2000)
rbol de bsqueda para guardar MPS y acelerar bsqeuda
Algoritmo basado en filtros (Zhang, 2006)
Reduccin de dimensionalidad usando filtros y clustering de stos
para bsqueda
Actualizar distribuciones condicionales con MPS (Ortiz and
Deutsch, 2003; Ortiz and Emery, 2004)
Data driven No es un enfoque directo de MP
Asume independencia condicional entre evento MP y datos
puntuales
Mtodo basado en Texturas (Daly, 2004; Parra and Ortiz , 2009)
Vecindad fija y camino fijo (no aleatorio) Cadena de Markov




Algunos ejemplos
Mtodo basado en texturas
No condicional
Condicional
16 muestras
Condicional
Condicional
Condicional
Mltiples categoras











Multiple facies simulation
Mltiples categoras
Mltiples categoras
Simulated annealing
=
Propose a change
Improves objective function?
Yes
Accept
change
No Accept
change with
prob p
Simulated annealing
Simulated annealing
Simulated annealing
Simulated annealing
Simulated annealing
Simulated annealing
Simulated annealing
Simulated annealing
Simulated annealing
Simulated annealing
Simulated annealing
Simulated annealing
Resumen y futuro
Resumen
MPS permite generar modelos ms complejos
Se basan en informacin de entrenamiento para
inferir estadsticas
Alta demanda en CPU y RAM para inferir
distribuciones condicionales
rbol de bsqueda
Listas
Filtros
Direct sampling

Fuente: Mariethoz, 2011.
Futuro
Puntos
condicionado
por puntos
Puntos
condicionado
por patrones
Patrones
condicionado
por patrones
P
a
s
a
d
o



P
r
e
s
e
n
t
e

Prescindencia de imagen de
entrenamiento

Integracin de tcnicas de visin
computacional y anlisis de
imgenes

Sntesis y compactacin de
texturas

Relacin de MPS con modelos
analticos de funciones aleatorias
combinaciones de
gaussianas(?)

Eficiencia computacional