GNGTS 2022 - Atti del 40° Convegno Nazionale

146 GNGTS 2022 Sessione 1.3 I risultati ottenuti, utilizzando come osservazioni i disturbi di gravità, sintetizzati sul livello del mare a partire dal modello XGM2019e (Zingerle et al., 2020) e ridotto per l’effetto della topografia, dell’acqua e delle variazioni di massa nel mantello, mostrano come la semplice metodologia proposta vada a migliorare notevolmente il modello di distribuzione di densità rispetto a quello calcolato utilizzando i coefficienti standard proposti da Gardner. Le differenze fra i disturbi di gravità osservati e quelli calcolati vengono infatti sensibilmente ridotte, con valori di deviazione standard che passano da circa 180 mGal utilizzando i parametri standard proposti da Gardner et al., a circa 88 mGal utilizzando i parametri approssimati ( α� = 1.744 g s/ cm 3 km e β� = 0.244 per i sedimenti, α� = 1.769 g s/cm 3 km e β� = 0.302 per la crosta cristallina). Nella figura queste differenze sono bene evidenziate, con valori di δg che variano tra il modello standard ed il modello ottimizzato anche di oltre 200 mGal (Fig. 2). Fig. 2 - Mappe dell’anomalia di Bouguer per la zona analizzata. A sinistra i valori di δ g risultante da un modello standard di Gardner, A destra la mappa risultante dall’utilizzo dei parametri stimati. Conclusioni e Sviluppi Futuri. L’obiettivo del lavoro è stato quello di iniziare a testare la possibilità di utilizzare il campo di gravità per calibrare localmente i coefficienti di Gardner utilizzati nella conversione tra velocità e densità, permettendo quindi di realizzare un modello di densità più affidabile. I primi test effettuati, nel caso studio della Penisola Araba e Altopiano dell’Iran, hanno permesso di dimostrare come sia possibile, anche con metodi speditivi, di migliorare notevolmente il modello di distribuzione di densità derivati dalla tomografia sismica. Questi risultati preliminari sono un buon punto di partenza per procedere in futuro con l’ottimizzazione della stima dei coefficienti α e β mediante l’impiego di metodi Monte-Carlo, migliorando la modellizzazione di crosta e mantello (e.g. andando a valutare differenti composizioni chimiche), e introducendo all’interno dell’algoritmo una più dettagliata osservazione della geologia e geodinamica della zona, come ad esempio l’introduzione di un layer di crosta continentale profonda o l’utilizzo di diversi parametri di Gardner per diversi bacini sedimentari.