Rauschunterdrückung bei Eisbeben

Projekttitel: Rauschunterdrückung bei Eisbeben

Projektdauer: 08/2023 – 08/2026

Forschungsgebiet: Umweltseismologie, Kryoseismologie, Techniken des maschinellen Lernens für Zeitreihendaten

Eine große Herausforderung in der Kryoseismologie besteht darin, dass die gesuchten Signale oft in dem hohen Rauschpegel verborgen sind, der durch eine Vielzahl von Umweltprozessen verursacht wird. Insbesondere basale Quellen wie Stick-Slip-Ereignisse

Eine große Herausforderung in der Kryoseismologie besteht darin, dass wichtige Signale oft im hohen Geräuschpegel verborgen werden, der durch eine Vielzahl von Umweltprozessen verursacht wird. Insbesondere bleiben basale Ursprünge wie Stick-Slip-Ereignisse aufgrund der langen Ausbreitungswege zu den Oberflächensensoren und der damit einhergehenden Wellendämpfung oft unbemerkt. Dennoch spielen Stick-Slip-Ereignisse eine entscheidende Rolle, um das Gletschergleiten zu verstehen. Deshalb ist es von großem Interesse, ihre räumlich-zeitliche Entwicklung über den gesamten Gletscher hinweg – von der Ablations- bis zur Akkumulationszone – zu untersuchen. Auf Basis eines neu erhobenen DAS-Datensatzes vom Rhonegletscher (Schweiz), der sich über 9 km entlang der Fließrichtung des Gletschers erstreckt, entwickeln und testen wir Rauschunterdrückungsverfahren für eine effektive Erkennung von Eisbeben.

Ziele

Um Stick-Slip-Ereignisse aufzudecken, sind neue Verfahren erforderlich, die große kryoseismologische DAS-Datensätze effektiv und effizient von Rauschen befreien. Zur Rauschunterdrückung in kontinuierlichen seismischen Aufzeichnungen vom Rhonegletscher (Schweiz) haben wir einen Autoencoder trainiert, der kohärente Signale über ein Glasfaserkabel (DAS-Technologie) herausfiltert und inkohärente Signalanteile unterdrückt.

Mehrere Modelle wurden anhand verschiedener Datensubsets trainiert, die sich hinsichtlich der Aufzeichnungspositionen (Ablations- oder Akkumulationszone), der Ereignistypen (Stick-Slip-Ereignis oder Oberflächenereignis) und der Anzahl der Trainingsereignisse unterscheiden. Wir vergleichen und diskutieren die Rauschunterdrückungsfähigkeiten dieser Modelle anhand verschiedener Metriken, wie beispielsweise:

• der Interkanalkohärenz,
• der Ähnlichkeit zwischen Seismometer- und DAS-Aufzeichnungen sowie
• einer visuellen Beurteilung.

Diese Auswertung erfolgt unter qualitativer und quantitativer Berücksichtigung verschiedener Datentypen. Alle Modelle zeigen nach der Rauschunterdrückung eine Zunahme der kanalübergreifenden Kohärenz der seismischen Aufzeichnungen. Darüber hinaus decken alle Modelle bisher unentdeckte Stick-Slip-Ereignisse auf, wobei Modelle, die auf manuell ausgewählten Trainingsdaten trainiert wurden, bessere Ergebnisse erzielen als Modelle, die auf zufällig ausgewählten Trainingsdaten trainiert wurden. Wir sind der Ansicht, dass die Anwendung unserer Modelle unser Verständnis von Informationen zu basalen Stick-Slip-Ereignissen in kryoseismologischen DAS-Datensätzen verbessern und möglicherweise bisher verborgene Informationen aufdecken kann.

Probleme

Aufgrund der äußerst aktiven und dynamischen kryosphärischen Umgebung sowie der nicht idealen Kopplung zwischen Kabel und Boden zeichnen sich die erfassten DAS-Daten im Vergleich zu klassischen Punktsensoren durch ein geringes Signal-Rausch-Verhältnis aus.

Technologien

Distributed Acoustic Sensing (DAS) ist eine Technologie zur Messung der Dehnungsrate unter Verwendung herkömmlicher Glasfaserkabel in Kombination mit einer Auswertungseinheit. Diese Technologie ermöglicht es uns, seismische Daten über einen gesamten Gletscher hinweg mit hoher räumlicher und zeitlicher Auflösung zu erfassen.

Hier setzen wir einen Autoencoder ein, eine Art tiefes neuronales Netzwerk, das in der Lage ist, das inkohärente Umgebungsrauschen von den zeitlich und räumlich kohärenten Signalen von Interesse (z. B. Stick-Slip-Ereignisse oder Gletscherspaltenbildungen) zu trennen.

Ausblick

Die Untersuchungen im Projekt sollen zu einem besseren Verständnis der Gletscherbasisbewegung führen. Hierbei handelt es sich um einen der meist diskutierten und am schwersten zu beobachtenden Prozesse in der Glaziologie. Mehr Wissen über basales Gleiten ermöglicht es, die Schmelzwasserproduktion und das Gleiten von Eisströmen detaillierter zu modellieren und vorherzusagen. Darüber hinaus bildet das Verständnis von Stick-Slip-Ereignissen die Grundlage für die Vorhersage künftiger Brüche tiefer Eiszungen. Das Ziel ist der verbesserte Schutz von Menschen und Infrastruktur.

Team

• Johanna Zitt

Betreuer

• Dr. Josefine Umlauft (ScaDS.AI Dresden/Leipzig)
• Dr. Sven Schippkus (Universität Hamburg)

Partner

• Prof. Céline Hadziioannou (Universität Hamburg)
• Dr. Patrick Paitz (WSL Zürich)
• Dr. Fabian Walter (WSL Zürich, ETH Zürich)

Veröffentlichungen

Zitt, J., Paitz, P., Walter, F. und Umlauft, J.: Uncovering Stick-Slip Events: Denoising Cryoseismological Distributed Acoustic Sensing Data with an Autoencoder, EGU-Generalversammlung 2024, Wien, Österreich, 14.–19. April 2024, EGU24-10147, https://doi.org/10.5194/egusphere-egu24-10147, 2024