Chapitre 1 : Inversion de données géophysiques

1. Introduction - rappels
Une expérimentation ou mesure géophysique typique comporte 3 éléments :
• Une source d’énergie qui peut être naturelle (champ gravitaire, champ magnétique
terrestre, etc.) ou artificielle (vibration par explosion, injection de courant dans le sol,
etc.). La source d’énergie permet de générer un signal d’entrée.
• L’énergie se propage dans un système à investiguer, dans notre cas un objet
géologique (e.g. le sol). Le système agit comme un filtre capable de modifier le
comportement du signal d’entrée émis par la source. La modification sur le signal
d’entrée dépend des propriétés physiques dans les trois dimensions de l’objet
géologique traversé.
• Un enregistrement d’un signal de sortie qui rend compte de la modification
imprimée au signal d’entrée par l’objet géologique (système).

La différence entre le signal d’entrée et le signal de sortie rend compte des propriétés du
système traversé.

Une représentation graphique des mesures obtenues (signal de sortie) permet d’obtenir un
modèle de l’objet géologique et dans la plupart des cas, ce modèle donne des informations
suffisantes sur l’objet géologique. Cependant, cette information peut parfois s’avérer très
insuffisante. A titre d’exemple, la carte d’anomalie magnétique permet de modéliser la
présence d’un corps magnétique en profondeur mais ne livre que peu d’information sur la
forme ou sa profondeur.

L’approche de la géophysique est une approche par modélisation. Le modèle est une
représentation simplifiée de l’objet géologique. Un bon modèle doit fournir l’information
recherchée. Par exemple en modélisant un terrain pour la recherche de cavités, les dimensions
et la résolution du modèle doivent permettre d’identifier la cavité. La taille et la résolution
d’un modèle dépendent de ce fait du problème géotechnique posé.

Deux approches de modélisation sont utilisées en géophysique : la modélisation directe et la

modélisation inverse.

La modélisation directe permet de modéliser le signal de sortie d’un objet géologique. A

partir d’une source d’énergie, un signal d’entrée est générée et traverse un objet géologique ;
connaissant les lois physiques qui régissent la propagation du signal d’entrée, il est possible
de calculer la réponse de l’objet géologique en fonction la répartition des propriétés
physiques. A titre d’exemple, un courant d’intensité I est envoyé dans un objet géologique,
c’est le signal d’entrée. En utilisant la loi d’Ohm, on peut calculer les différences de potentiel
dV à différents endroits d’un terrain en fonction de la répartition des résistances électriques R,
c’est le signal de sortie. Dans la pratique, la modélisation directe fournit un résultat
assimilable à ce qui est obtenu par mesures lors d’une campagne géophysique.

Page 1 sur 7
La modélisation inverse (ou inversion) cherche à modéliser un signal d’entrée ou un objet
géologique à partir de son signal de sortie. Si nous reprenons l’exemple du courant électrique,
la modélisation inverse cherche à déterminer l’intensité de courant injectée ou la répartition
des résistivités, à partir des différences de potentiel mesurées.

Il faut noter qu’en géophysique d’exploration, nous ne sommes pas forcément intéressés par
le signal d’entrée, mais plutôt par les propriétés de l’objet géologique. De ce fait, en parlant
d’inversion nous ferons plutôt allusion à la modélisation de l’objet géologique à partir d’un
signal de sortie.

En résumé, nous dirons qu’en géophysique d’exploration, la modélisation directe cherche à

trouver le signal de sortie que le système génère lorsqu’il est traversé par un signal d’entrée
provenant de la source. A l’opposé, la modélisation inverse cherche à retrouver le système
connaissant le signal de sortie qu’il a généré suite au passage d’un signal d’entrée.

Figure 1 : Signaux, Système et Modélisation

Figure 2 : Exemple de représentation schématique de la modélisation directe. Connaissant la source (ici le champ
magnétique terrestre) et les propriétés physiques de l’objet sous l’influence du champ magnétique, nous pouvons générer
un signal de sortie correspondant à l’anomalie magnétique (Source : Geophysical Inversion Facility, UBC).

Page 2 sur 7
Figure 3 : Exemple de représentation schématique de la modélisation inverse. Il s’agit ici de retrouver la distribution
spatiale des propriétés physiques qui a produit l’anomalie magnétique observée. (Source : Geophysical Inversion Facility,
UBC).

2. Le problème inverse : principe et formulation

La relation entre un système, le signal d’entrée et le signal de sortie peut s’écrire :
𝑑 𝑝 = 𝐺 𝑝, 𝑠 𝑚 𝑠 𝑑𝑠
C’est l’écriture générale d’une transformation intégrale. Une transformation intégrale
transforme une fonction m(s) en une fonction d(p) en utilisant une fonction des deux variables
G(p,s) appelée noyau. A titre d’exemple, la transformation de Fourier est une transformation
intégrale (X 𝑓 = 𝑒 –𝑖2𝜋𝑓𝑡 𝑥 𝑡 𝑑𝑡.)

Dans le cas du problème inverse d(p) et G(p,s) sont connus mais m(s) est inconnu. Lorsque la
fonction inconnue se trouve à l’intérieur de l’intégrale, on parle dans d’équation intégrale.

La forme discrète de l’équation intégrale est

𝑑j = 𝐺j,𝑘𝑚𝑘
𝑘
On peut également utiliser l’écriture matricielle :
𝑑 = 𝐺  𝑚 ou plus simplement 𝑑 = 𝐺𝑚

D’une façon générale la modélisation en géophysique peut s’écrire sous la forme suivante :
• Dans le cas de la modélisation directe : 𝑑 = 𝐺𝑚
• Dans le cas de la modélisation inverse : 𝑚 = 𝐺 –1 𝑑

Ou G est l’opérateur de modélisation directe. En général G est une intégrale ou un

opérateur différentiel,
𝑮 prend en charge les lois physiques ainsi que toutes les données de la campagne (ou de
l’expérimentation) géophysique,
𝒎 représente la répartition des propriétés physiques dans le sol,
𝒅 représente les mesures obtenues.

Page 3 sur 7
𝑮 peut ne pas être une matrice carrée, donc non inversible, on calcule alors sa pseudo-
inverse :
𝑚 = 𝐺–g𝑑
avec 𝐺 – g = [𝐺 𝑇 𝐺] –1 𝐺 𝑇
[𝐺 𝐺] peut avoir un déterminant nul, pour éviter l’impasse numérique on le remplace par
𝑇

[𝐺𝑇𝐺 + 𝜀𝐼]
ε est l’erreur sur la mesure, et I est la matrice identité. I peut être pondérée donc remplacée
par W
𝑚 = [𝐺𝑇𝐺 + 𝜀𝐼] –1𝐺 𝑇𝑑

En résumé la modélisation en géophysique peut s’écrire :

• Dans le cas de la modélisation directe : 𝑑 = 𝐺𝑚
• Dans le cas de la modélisation inverse : 𝑚 = [𝐺𝑇𝐺 + 𝜀𝐼]–1𝐺 𝑇𝑑

Une modélisation directe est un problème bien posé, déterminé et comporte une solution
unique.
Dans la modélisation inverse, le but consiste à retrouver le modèle m qui a produit les
mesures d et leurs bruits ε associés.

Le problème inverse est beaucoup plus complexe que le problème direct pour plusieurs
raisons :
• Quel que soit le nombre de mesures obtenues, leur nombre reste tout de même fini et
limité à N et restera toujours insuffisant pour représenter correctement les propriétés
physiques à tous les points de l’objet géologique.
• Chaque mesure géophysique dépend de la distribution volumique de la propriété
physique étudiée. Cependant l’information sur cette propriété est mélangée dans la
mesure de façon très complexe avec l’erreur sur la mesure

Il découle de tout cela que le problème inverse en géophysique est mal posé, sous déterminé.
Par conséquent, la solution du problème inverse ne sera pas unique. Sa résolution
consistera alors à trouver un ensemble de solutions (modèles) qui « satisfont » aux données et
choisir le meilleur candidat. Le choix du meilleur candidat nécessite des informations
supplémentaires sur le problème.

Les données constituent N contraintes pour ajuster un modèle. Il existe plusieurs modèles
qu’on peut ajuster de façon acceptable sur les données. Pour pouvoir favoriser une solution
particulière, il est nécessaire de définir une règle ou une norme pour les fonctions utilisées
et choisir celle qui minimise cette norme.

3. Méthodes d’inversion linéarisées

Les problèmes inverses ne sont pas toujours linéaires mais peuvent être linéarisées en
utilisant un développement limité (DL) d’ordre 1 de Taylor au voisinage d’une solution
estimée.
Le DL d’ordre 1 de Taylor d’une fonction f(x) au voisinage de x0 s’écrit :
𝑓 𝑥 = 𝑓 𝑥0 + 𝑓′(𝑥0)(𝑥 − 𝑥0)

Par conséquent, au voisinage de 𝑚𝑒𝑠𝑡 le DL d’ordre 0 de g(m) peut s’écrire :

Page 4 sur 7
 𝑔 𝑚 = 𝑔 𝑚𝑒𝑠𝑡 + 𝑔′(𝑚𝑒𝑠𝑡) 𝑚 − 𝑚𝑒𝑠𝑡
Etant donné que :
∆𝑑 = 𝑔 𝑚 − 𝑔 𝑚𝑒𝑠𝑡
∆𝑚 = 𝑚 − 𝑚𝑒𝑠𝑡
𝐺𝑛 = 𝑔J 𝑚𝑒𝑠𝑡
𝜕𝑔(𝑚)𝑖
𝐺𝑖j =
𝜕𝑚j
𝑚𝑒𝑠𝑡
Nous pouvons écrire :
𝛥𝑑 = 𝐺𝑛 𝛥𝑚

4. Résolution
Les modèles trouvés sont des fonctions, mais nous avons besoin de discrétiser le problème
pour pouvoir calculer une solution numérique. La raison principale étant que pour beaucoup
de problèmes géophysiques, le problème direct ne peut être résolu que par des méthodes
numériques, d’où la nécessité de discrétiser le problème.

Il existe plusieurs façons de discrétiser un problème. Dans notre cas nous réalisons un
maillage qui divise l’objet géologique en cellules rectangulaires. Ces cellules sont des
couches horizontales dans les problèmes 1D, des bocs rectangulaires dans les problèmes 2D
ou des cubes dans les problèmes 3D.

Figure 4 : Discrétisation d’un problème géophysique en vue de l’inversion. On suppose que les propriétés physiques sont
constantes à l’intérieur de chaque cellule.

Lors de la discrétisation, on admet que les propriétés physiques sont identiques dans chaque
cellule. Le maillage doit être suffisamment fin pour ne pas affecter les résultats de
l’inversion. Pour s’en assurer il faut faire de sorte que le résultat de l’inversion reste inchangé
si on modifie le maillage d’un facteur 2. Si ces conditions sont respectées, les solutions du
problème discret sont identiques à celles du problème continu.

Pour pouvoir résoudre un problème inverse, il est nécessaire de pouvoir résoudre le

problème direct. En d’autres termes, on doit pouvoir calculer la réponse du système à un
signal d’entrée.
Dans les conditions de discrétisation, le modèle direct peut s’écrire 𝐺𝑚 = 𝑑 où G est une
matrice de taille N x M dont les éléments sont :

Page 5 sur 7
 𝑥𝑘
𝐺j𝑘 = 𝑔𝑖 𝑥 𝑑𝑥
𝑥 𝑘ST

Les éléments 𝐺j𝑘 sont les intégrales du jieme noyau avec la kieme cellule.
La jieme donnée est le produit scalaire de la jieme ligne avec le vecteur modèle, car chaque
donnée est une moyenne pondérée du modèle.

Le système d’équation 𝛥𝑑 = 𝐺𝑛 𝛥𝑚 est sous déterminé si N<M. Donc même si les vecteurs
sont linéairement indépendants, il existe M-N degrés de libertés ce qui fait que le système a
un très grand nombre de solutions.

Pour générer des solutions particulières, nous allons rechercher une solution qui minimise
• la norme L2 du vecteur d’écart entre les données mesurées 𝑑 et les données calculées
𝑔 𝑚 . Nous allons noter ce vecteur 𝑞
• la norme L2 du vecteur modification à apporter au modèle. Nous allons noter ce
vecteur 𝑝
Norme L2 du vecteur q (écart entre données mesurées et calculées)
𝑞 = 𝑑 − 𝑔 𝑚 = 𝑑 − 𝑔 𝑚𝑒𝑠𝑡 − 𝑔J 𝑚𝑒𝑠𝑡 𝑚 − 𝑚𝑒𝑠𝑡
Etant donné que :
∆𝑑 = 𝑔 𝑚 − 𝑔 𝑚𝑒𝑠𝑡
∆𝑚 = 𝑚 − 𝑚𝑒𝑠𝑡
𝐺𝑛 = 𝑔J 𝑚𝑒𝑠𝑡
Nous pouvons alors écrire que :
𝑞 = ∆𝑑 − 𝐺𝑛∆𝑚
La norme du vecteur d’écart entre les données mesurées et calculées peut être pondérée par
𝑊𝑑 pour donner plus de poids aux données les plus précises. 𝑊𝑑 est une matrice diagonale.
Plus l’élément 𝑎𝑖𝑖 est grand plus la mesure correspondante est fiable.
𝑞 = 𝑞𝑇 𝑊𝑑𝑞 = (∆𝑑 − 𝐺∆𝑚)𝑇 𝑊𝑑(∆𝑑 − 𝐺∆𝑚)

Norme L2 du vecteur p (modification à apporter au modèle)

𝑝 = 𝑚 − 𝑚𝑒𝑠𝑡 = ∆𝑚

La norme du vecteur p peut être pondérée par 𝑊𝑚 pour tenir compte du degré d’information à
priori dont nous disposons. Les éléments du modèle pourront varier avec plus ou moins de
liberté suivant la pondération.
𝑝 = 𝑝𝑇 𝑊𝑚𝑝 = ∆𝑚𝑇 𝑊𝑚∆𝑚

Nous cherchons à minimiser 𝑞 sous la contrainte de 𝑝 minimum.

Cela revient à minimiser la fonction S appelée fonction-objectif ou fonction de cout par la
méthode des multiplicateurs de Lagrange.
𝑆 = 𝑞 +𝜆 𝑝

𝜆 est appelé multiplicateur de Lagrange.

Pour résoudre le problème inverse, nous allons minimiser la fonction-objectif S. L’équation
obtenue après minimisation est :

∆𝑚 = [𝐺𝑇 𝑊𝑑𝐺 + 𝜆𝑊𝑚]–1𝐺𝑇 𝑊𝑑∆𝑑

Page 6 sur 7
Cette équation est communément appelée équation de Gauss-Newton.

Le concept d’ajustement sous-entend qu’il existe une erreur associée aux données. Nous
considérons que l’erreur à une distribution gaussienne, indépendante.

Pour vérifier si le modèle obtenu explique bien les données mesurées, il est nécessaire de fixer
un critère de convergence qui permet d’arrêter le processus d’inversion.

Un des critères ci-dessous peut être utilisée : l’erreur quadratique moyenne (Root mean square
error RMS) ou son taux de variation entre deux itérations.

Cas 1 : on considère qu’il y a convergence lorsque 𝑒𝑅𝑀𝑆 est de l’ordre de grandeur de l’erreur
de mesure.
L’erreur quadratique moyenne est donnée par la relation :
(𝑑 − 𝑔(𝑚𝑒𝑠𝑡))𝑇(𝑑 − 𝑔 𝑚𝑒𝑠𝑡 )
𝑒𝑅𝑀𝑆 =
𝑁

Cas 2 : on considère qu’il y a convergence lorsque le taux de variation 𝑒 𝑛 de 𝑒𝑅𝑀𝑆 entre deux
itérations n et n+1 est faible. Si 𝑒 𝑛 est faible, cela signifie que le processus d’inversion a
atteint une solution numériquement stable. Cette solution peut néanmoins ne pas être
acceptable.
𝑒𝑛 − 𝑒𝑛+1
𝑒 𝑛 = 𝑅𝑀𝑆 𝑛 𝑅𝑀𝑆
𝑒𝑅𝑀𝑆

Page 7 sur 7