다중스케일 지질불확실성 정량화와 지구통계학적 지진역전법

초록

본 논문은 기존 지구통계학적 지진역전에서 가정되는 고정된 대규모 지질 메타파라미터(공간 상관모델·전반적 사전분포)로 인한 불확실성 저평가 문제를 해결한다. 메타파라미터를 적응형 확률 샘플링과 베이지안 추정으로 동시에 업데이트함으로써, 대규모(메타)와 소규모(트레이스별) 불확실성을 각각 정량화한다. 합성 및 실제 사례를 통해 제안 방법이 보다 현실적인 불확실성 범위와 향상된 음향 임피던스 모델을 제공함을 입증한다.

상세 분석

이 연구는 지구통계학적 지진역전(Geostatistical Seismic Inversion, GSI)의 핵심 한계인 ‘메타파라미터 고정’ 가정을 비판한다. 전통적인 GSI는 변이도(variogram)와 전반적 사전분포를 전체 역전 영역에 동일하게 적용하고, 이들 파라미터를 사전에 확정된 값으로 취급한다. 그러나 실제 저정밀도 데이터와 제한된 시추정 정보만으로는 이러한 파라미터가 변동성을 가질 가능성이 높으며, 고정 가정은 posterior 불확실성을 크게 축소시킨다.

논문은 두 단계의 불확실성 정량화를 제안한다. 첫 번째는 ‘대규모(메타) 불확실성’으로, 변이도 범위, 방향성, 그리고 전반적 사전분포(예: 평균·분산·비율) 등을 베이지안 프레임워크 안에서 적응형 샘플링(Na‑Bayes 알고리즘 기반의 Neighborhood Algorithm)으로 탐색한다. 여기서 각 메타파라미터에 대한 사전분포는 전문가 지식·유사지질 데이터에 기반해 설정하고, 관측된 지진 데이터와의 적합도(미스핏)를 likelihood로 사용한다. Gibbs 샘플링을 통해 고차원 파라미터 공간의 정규화 상수를 효율적으로 추정함으로써, 전통적인 MCMC 대비 샘플 효율성을 크게 향상시킨다.

두 번째는 ‘소규모(트레이스별) 불확실성’으로, 기존 GSI의 순차 시뮬레이션/공동시뮬레이션 과정에서 발생하는 랜덤 경로에 의해 생성되는 다중 실현(realizations)을 유지한다. 이 단계에서는 메타파라미터가 업데이트된 후, 새로운 변이도와 사전분포를 반영한 시뮬레이션을 수행해 각 트레이스에 대한 최적화된 임피던스 모델을 도출한다.

핵심 통찰은 메타파라미터와 트레이스별 파라미터를 별도로 추정하면서도, 베이지안 업데이트를 통해 상호 연계한다는 점이다. 이렇게 하면 대규모 지질 구조의 불확실성이 소규모 모델에 자연스럽게 전파되어, 전체 불확실성 분포가 과소평가되지 않는다. 또한, 메타파라미터의 사후 분포를 직접 제공함으로써 의사결정자가 위험 분석에 활용할 수 있는 정량적 근거를 제공한다.

실험 결과는 두 가지 측면에서 설득력을 갖는다. 합성 사례에서는 ‘진실’ 모델을 알고 있음에도 기존 GSI는 변이도와 비율을 고정함으로써 실제 변동성을 포착하지 못했지만, 제안 방법은 메타파라미터를 정확히 회복하고, 결과 임피던스 모델의 평균·표준편차가 진실과 일치하였다. 실제 현장 사례에서는 기존 시추정에 편향된 사전분포를 사용했을 때와 비교해, 메타파라미터를 재추정한 후의 모델이 검증용 시추정(학습에 사용되지 않은)과 더 높은 상관계수를 보였으며, 불확실성 범위도 보다 넓고 현실적인 형태를 띠었다.

이 논문은 GSI 워크플로우에 베이지안 메타파라미터 추정을 자연스럽게 통합함으로써, 고정 메타파라미터 가정에 의한 불확실성 저평가 문제를 실용적으로 해결한다는 점에서 중요한 기여를 한다. 향후 고차원 메타파라미터 공간 탐색을 위한 효율적인 샘플링 기법과, 비선형 전진 모델을 포함한 확장 가능성도 기대된다.