Kartierung des basalen Gleitens von Gletschern mit Machine Learning

Projekttitel: Mapping Glacier Basal Sliding with Machine Learning

Forschungsbereich: Erd- und Umweltwissenschaften

Im Rahmen des RESOLVE-Projekts („High-resolution imaging in subsurface geophysics: development of a multi-instrument platform for interdisciplinary research“) wurden im Mai 2018 über 35 Tage kontinuierliche Oberflächenverschiebungs- und Array-Seismikdaten am Glacier d’Argentière in den französischen Alpen erhoben. Der Datensatz wird genutzt, um Prozesse in der stark dynamischen Kryosphäre detailliert zu untersuchen. Insbesondere sind die physikalischen Prozesse, die die basale Gletscherbewegung steuern, nur unzureichend verstanden und schwer direkt zu beobachten. Gerade in den Alpen reagieren temperierte Gletscher schnell auf veränderte klimatische Bedingungen, sodass die Prozesse zeitlich stark intermittierend und räumlich heterogen sind.

Räumlich dichte seismische und GPS-Messungen werden mithilfe von Machine Learning analysiert, um Einblicke in die Prozesse zu gewinnen, die die Gletscherbewegung am Glacier d’Argentière steuern. Auf Basis mehrerer bandpassgefilterter Kopien der kontinuierlichen seismischen Wellenformen werden energiebasierte Merkmale berechnet, ein Matched-Field-Beamforming-Katalog erstellt und meteorologische Beobachtungen einbezogen. Die Merkmalsdaten werden mit einem Gradient-Boosting-Decision-Tree-Modell ausgewertet, um die GPS-Verschiebungen direkt aus dem seismischen Rauschen abzuschätzen.

Wir gehen davon aus, dass Merkmale des seismischen Rauschens direkten Zugang zu den dominierenden Parametern bieten, die die Verschiebung auf der hochvariablen und instabilen Gletscheroberfläche antreiben. Das Machine-Learning-Modell erfasst sowohl tägliche Schwankungen als auch längerfristige Trends. Die Ergebnisse zeigen, dass die Bewegung auf dem Eis stark durch Aktivitäten an der Gletscherbasis beeinflusst wird. Die vorgestellten Methoden eröffnen einen neuen Ansatz, um basales Gletschergleiten zu untersuchen und seine volle Komplexität zu erfassen.

• Seismische Daten und GPS-Daten werden analysiert, um physikalische Prozesse der basalen Gletscherbewegung zu untersuchen.
• Ein Decision-Tree-Modell nutzt Beamforming-Kataloge und statistische Zeitreihenmerkmale, um Zusammenhänge mit den per GPS gemessenen Bewegungen zu bestimmen.
• Die Modellmerkmale deuten darauf hin, dass die Geschwindigkeit des Eises an der Oberfläche durch Bewegungen an der Gletscherbasis moduliert wird.

Ziele

Mit dem Ziel, die mit dem Gleiten verbundenen Signale aufzudecken, die nicht direkt beobachtbar sind, haben wir ein Decision-Tree-Modell auf einen neuen Datensatz aus einem dichten on-ice Messnetz am Glacier d’Argentière in den Französischen Alpen angewendet. Der Datensatz umfasst kontinuierliche Messungen lokaler Seismizität, Oberflächengeschwindigkeiten und meteorologischer Beobachtungen.

Aufgrund der stark variablen und verrauschten Gletscherumgebung ist eine umfangreiche Vorverarbeitung der seismischen und geodätischen Messungen notwendig, um einen robusten Merkmalsraum zu schaffen. Das Ziel ist, das Gleitverhalten des Gletschers direkt von der Eisoberfläche aus zu schätzen und damit seine Dynamik zu überwachen.

Problem

Die Daten sind durch ein extrem hohes Rauschniveau gekennzeichnet, das die relevanten Signale, etwa basale Stick-Slip-Eisbeben, häufig überdeckt. Glaziale Prozesse sind räumlich und zeitlich sehr dynamisch und variieren in ihrer Skala und Intensität. Für die meisten dieser Prozesse ist die seismische Signatur noch nicht identifiziert, und ihr Verhalten sowie ihre Entwicklung sind daher noch nicht vollständig verstanden.

Aus diesen Gründen ist die Detektion und weitere Analyse prozessbezogener Signale äußerst schwierig.

Technologie

Gradient Tree Boosting ist ein weit verbreitetes und skalierbares überwachtes Machine-Learning-Verfahren. Es ist ein sehr leistungsfähiges Werkzeug, das auf Decision-Tree-Ensembles basiert, diese aber in der Regel übertrifft. Decision-Tree-Ensembles verwenden mehrere flache Bäume, die sequentiell, parallel oder sogar unabhängig voneinander aufgebaut und anschließend in einem nächsten Schritt kombiniert werden, um die Modellleistung zu verbessern. Der Ensemble-Lerner kann für Klassifikations- oder Regressionsprobleme eingesetzt werden.

Um eine Zielvariable vorherzusagen, wird ein Modell auf Basis einfacher Entscheidungsregeln trainiert, die aus den Daten gelernt werden. Je nach Reinheit der einzelnen Blattknoten erfolgt die Vorhersage gewichtet durch den Vergleich mit dem jeweiligen Label. Die Abweichung wird durch eine beliebige Loss-Funktion dargestellt. Das Modell wird schrittweise trainiert, indem ein Gradient-Term zur aktuellen Iteration des Decision-Tree-Modells hinzugefügt wird, mit dem Ziel, die Loss-Funktion für das gewichtete Ensemble aller vorherigen Entscheidungsbäume zu minimieren. Üblicherweise sind die in jeder Iteration hinzugefügten Bäume flach und damit schwache Lerner, aber das vollständige Ensemble besteht insgesamt aus einer großen Anzahl solcher Bäume.

Sobald das Modell trainiert ist, können Feature Importance und SHAP-Werte ausgewertet werden, um Einblick in die Modellvorhersagen zu erhalten. So lässt sich erkennen, welche Eingangsbeobachtungen die besten Schätzungen für das Output-Label liefern. Die SHAP-Werte bieten eine unabhängige Bewertung des Beitrags jedes einzelnen Merkmals, da sie sich zur Gesamtvorhersage aufsummieren.

Ausblick

Auf den Erfahrungen aus dem RESOLVE-Projekt aufbauend setzen wir die Grundlagenforschung in der Kryoseismologie mit großen DAS-Datensätzen fort, die eine höhere räumlich-zeitliche Abtastung des Gletschers ermöglichen. Dabei nutzen wir neuartige Machine-Learning-Methoden für das Denoising von Eisbeben sowie für Clustering-Verfahren.

Publikationen

• Umlauft, J., Johnson, C. W., Roux, P., Trugman, D. T., Lecointre, A., Walpersdorf, A., et al. (2023). Mapping glacier basal sliding applying machine learning. Journal of Geophysical Research: Earth Surface, 128, e2023JF007280.

Team

Leitung

• Dr. Josefine Umlauft

Partner

• Los Alamos National Laboratory
• ISTerre Grenoble