Cryo Data Cube

Titel: Cryo Data Cube

Projektdauer: 08/2023 bis 08/2026

Forschungsbereich: Umweltseismologie, Kryoseismologie, Machine-Learning-Methoden für Zeitreihendaten

Kryoseismologische Aufzeichnungen bestehen aus zahlreichen Signalen, die von verschiedenen Quellen innerhalb oder in der Umgebung des Gletschereises erzeugt werden, darunter Eisbeben, Wasserfluss, Lawinen, Steinschläge, Wind oder Niederschlag. Dadurch entsteht ein sehr hoher Störpegel in den Daten, was die Erkennung und Unterscheidung einzelner seismischer Ereignisse und Quellen erheblich erschwert.

Unsere Forschung setzt Deep Embedded Clustering (DEC) ein, um dieser Herausforderung zu begegnen, mit Fokus auf der Analyse eines Distributed Acoustic Sensing (DAS)-Datensatzes, der 2020 am Rhonegletscher in der Schweiz erhoben wurde.

Um die DEC-Verarbeitung dieser großen Datenmenge zu visualisieren und effizient zu strukturieren, ordnen wir die zahlreichen kontinuierlichen DAS-Kanäle als dreidimensionalen Data Cube mit den Dimensionen Zeit, Raum und Frequenz neu an. Der DEC-Ansatz transformiert die hochdimensionalen seismischen Daten zunächst mithilfe eines Autoencoders in einen besser handhabbaren, niedrigdimensionalen latenten Raum. Diese Transformation ist entscheidend, um die wesentlichen Eigenschaften der Daten hervorzuheben und ein effektiveres Clustering zu ermöglichen. Anschließend ordnet der DEC-Algorithmus die seismischen Signale anhand ihrer einzigartigen räumlich-zeitlichen Eigenschaften autonom verschiedenen Clustern zu, ohne dass eine manuelle Annotation erforderlich ist.

Ziele

Das Hauptziel dieses Ansatzes besteht darin, DEC zur effektiven Zuordnung klar definierter räumlich-zeitlicher Cluster in kryoseismologischen Aufzeichnungen zu nutzen. Der Ansatz zielt darauf ab, ein differenzierteres Verständnis der verschiedenen Quellen zu gewinnen, die zu diesen Aufzeichnungen beitragen, sowie ihrer komplexen Dynamiken. Durch die erfolgreiche Trennung dieser Cluster sollen neue Einblicke in die komplexen Prozesse und Wechselwirkungen in Gletscherumgebungen ermöglicht werden.

Technologien

• Data Cubes
• Lexcube-Visualisierung großer DAS-Datensätze
• Deep Embedded Clustering

Team

Betreuung
Dr. Josefine Umlauft

Teammitglieder
Julia Peters
Felix Roth

Publikationen

• Peters, J., Roth, F., and Umlauft, J.: Deep Embedded Clustering of a Cryo-Data-Cube, EGU General Assembly 2024, Vienna, Austria, 14–19 Apr 2024, EGU24-10525, https://doi.org/10.5194/egusphere-egu24-10525, 2024.