Das Verständnis der Gletscherdynamik durch Zeitreihenanalyse

Projekttitel: Das Verständnis der Gletscherdynamik durch Zeitreihenanalyse

Projektdauer: Seit 07/2023

Forschungsbereich: Zeitreihenanalyse, Maschinelles Lernen, Autoencoder, Umweltseismologie, Kryoseismologie, Verteilte akustische Sensorik

Kryoseismische Signale entstehen durch Prozesse wie die Bildung von Gletscherspalten, Basisbewegungen und Wasserströmungen und enthalten Informationen über die Gletscherdynamik. Die Verknüpfung der Eisbebenaktivität mit externen Faktoren wie Tageszyklen und Wetterbedingungen kann wertvolle Einblicke in Gletscherprozesse liefern, die nicht direkt beobachtbar sind.

Große seismische Netzwerke und moderne Techniken wie Distributed Acoustic Sensing (DAS) erzeugen innerhalb weniger Tage mehrere Terabyte an Daten. Effiziente Methoden zur Verarbeitung und Analyse dieser großen Datensätze sind daher unerlässlich. Wir analysieren kryoseismologische Aufzeichnungen in drei Hauptschritten: (1) Rauschunterdrückung, um seismische Signale hervorzuheben, die unter einem hohen Rauschpegel verborgen bleiben könnten; (2) Ereigniserkennung, um relevante seismische Signale zu identifizieren; und (3) Ereignisanalyse, um die seismischen Ereignisse zu lokalisieren, zu charakterisieren und zu interpretieren. In diesem Projekt entwickeln und wenden wir Methoden des maschinellen Lernens und statistische Verfahren zur Zeitreihenanalyse in allen drei Schritten an.

Technologie

(1) Zur Rauschunterdrückung haben wir einen selbstüberwachten Autoencoder entwickelt, um inkohärentes Rauschen zu unterdrücken und gleichzeitig die kohärenten seismischen Signale von Interesse zu erhalten [1]. Als alternativen Ansatz wenden wir den Kalman-Filter [2] an, gefolgt vom Rauch-Tung-Striebel-Glättungsverfahren [3], um hochfrequentes Rauschen zu unterdrücken.

(2) Zur Ereigniserkennung werden klassische statistische Ansätze wie der Short-Term Average/Long-Term Average [4] sowie tiefe neuronale Netze auf Basis von Autoencoder-Strukturen [5] und Transformern [6] evaluiert und an die spezifischen Eigenschaften kryoseismischer Signale angepasst.

(3) Zur Lokalisierung der erkannten Ereignisse werden auf Beamforming basierende Methoden wie die Matched-Field-Verarbeitung [7] und Stacking-and-Migration-Verfahren [8] eingesetzt, um deren räumliche Verteilung zu bestimmen. Darüber hinaus werden unüberwachte Clustering-Algorithmen verwendet, um Muster und Strukturen innerhalb des umfangreichen Ereigniskatalogs zu identifizieren.

Ziele

Unsere Untersuchungen zielen darauf ab, das Verständnis der Bewegung am Gletscherfuß zu verbessern – ein in der Glaziologie viel diskutierter und schwer zu beobachtender Prozess. Ein besseres Verständnis des Gleitens am Gletscherfuß ist entscheidend für die Verbesserung der Dynamik von Eisströmen und der Vorhersagen zur Schmelzwasserproduktion.

Problemstellung

Die meisten seismischen Methoden wurden ursprünglich für Ein-Stations-Aufzeichnungen von Erdbebensignalen entwickelt. Diese Methoden müssen daher angepasst und weiterentwickelt werden, um den Merkmalen kryoseismischer Ereignisse und den einzigartigen Eigenschaften moderner Aufzeichnungstechniken wie DAS Rechnung zu tragen. Diese Art von Daten birgt mehrere Herausforderungen, darunter hohe Rauschpegel aufgrund schlechter Bodenkopplung, die Fülle der aufgezeichneten Daten sowie die noch immer kaum verstandenen Ansprech- und Aufzeichnungseigenschaften von DAS-Systemen. Insbesondere die für uns relevanten Signale, z. B. basale Stick-Slip-Ereignisse, gehen in den Daten häufig unter – bedingt durch die Wellendämpfung entlang ihrer langen Ausbreitungswege zu den Oberflächensensoren sowie durch verschiedene Quellen von Umgebungsrauschen.

Praxisbeispiel

Auf der Grundlage eines DAS-Datensatzes vom Rhonegletscher in der Schweiz, der im Juli 2020 erfasst wurde und sich über etwa 9 km entlang der Gletscherlaufrichtung erstreckt, entwickeln und bewerten wir Verfahren zur Rauschunterdrückung, Erkennung, Lokalisierung und Analyse, um kryoseismische Aktivitäten über einen gesamten Gletscher hinweg effizient zu untersuchen. Darüber hinaus analysieren wir seismische Signale vom Glacier d’Argentière in Frankreich sowie vom Gornergletscher und vom Grenzgletscher in der Schweiz.

Team

Teamleitung

Dr. Josefine Umlauft

Universität Leipzig

Prof. Dr. Ostap Okhrin

Technische Universität Dresden

Professur für Ökonometrie und Statistik, insb. im Verkehrswesen

Teammitglieder

Stephan Meyer

Technische Universität Dresden

Professor für Angewandte Statistik

Johanna Zitt

Universität Leipzig

Partner

• Dr. Marius Isken: GFZ Helmholtz-Zentrum für Geowissenschaften, Potsdam, Deutschland
• Dr. Jannis Münchmeyer: GFZ Helmholtz-Zentrum für Geowissenschaften, Potsdam, Deutschland
• Dr. Patrick Paitz: Eidgenössische Forschungsanstalt für Wald, Schnee und Landschaft WSL, Birmensdorf, Schweiz
• Dr. Dominik Gräff: Fachbereich für Erd- und Weltraumwissenschaften, University of Washington, Seattle, WA, USA
• Dr. Fabian Walter: Eidgenössische Forschungsanstalt für Wald, Schnee und Landschaft (WSL), Birmensdorf, Schweiz
• Prof. Dr. Andreas Fichtner: Institut für Geophysik, ETH Zürich, Zürich, Schweiz

Publikationen

• Zitt, J., Isken, M., Münchmeyer, J., Gräff, D., Fichtner, A., Walter, F., & Umlauft, J. (2026). Best Practices for Machine Learning based Icequake Picking with Distributed Acoustic Sensing (No. EGU26-12160). Copernicus Meetings.
• Zitt, J., Paitz, P., Fichtner, A., Walter, F., & Umlauft, J. (2025). Self‐supervised coherence‐based denoising of cryoseismological distributed acoustic sensing data. Journal of Geophysical Research: Machine Learning and Computation, 2(3), e2024JH000414.
• Zitt, J., Paitz, P., Fichtner, A., Walter, F., & Umlauft, J. (2025). Enhancing Event Detection in Distributed Acoustic Sensing Data through Comprehensive Denoising (No. EGU25-11352). Copernicus Meetings.
• Zitt, J., Paitz, P., Walter, F., & Umlauft, J. (2024). Uncovering Stick-Slip Events: Denoising Cryoseismological Distributed Acoustic Sensing Data with an Autoencoder. European Geosciences Union General Assembly 2024 (EGU24), 10147.
• Zitt, J., Paitz, P., Walter, F., & Umlauft, J. (2023, May). Denoising cryoseismological distributed acoustic sensing data using a deep neural network. In EGU General Assembly Conference Abstracts (pp. EGU-13269).

Referenzen

[1] Zitt, J., Paitz, P., Fichtner, A., Walter, F., & Umlauft, J. (2025). Self‐supervised coherence‐based denoising of cryoseismological distributed acoustic sensing data. Journal of Geophysical Research: Machine Learning and Computation, 2(3), e2024JH000414.

[2] R. E. Kalman, A New Approach to Linear Filtering and Prediction Problems, Journal of Basic Engineering, 82(1), 35–45, 1960.  https://doi.org/10.1115/1.3662552

[3] Rauch, H. E., Tung, F., & Striebel, C. T. (1965). Maximum likelihood estimates of linear dynamic systems. AIAA journal, 3(8), 1445-1450.

[4] Allen, R. (1982). Automatic phase pickers: Their present use and future prospects. Bulletin of the Seismological Society of America, 72(6B), S225–S242. https://doi.org/10.1785/bssa07206b0225

[5] Zhu, W., & Beroza, G. C. (2019). PhaseNet: a deep-neural-network-based seismic arrival-time picking method. Geophysical Journal International, 216(1), 261-273.

[6] Mousavi, S. M., Ellsworth, W. L., Zhu, W., Chuang, L. Y., & Beroza, G. C. (2020). Earthquake transformer—an attentive deep-learning model for simultaneous earthquake detection and phase picking. Nature communications, 11(1), 3952.

[7] Umlauft, J., Lindner, F., Roux, P., Mikesell, T. D., Haney, M. M., Korn, M., & Walter, F. T. (2021). Stick‐slip tremor beneath an alpine glacier. Geophysical Research Letters, 48(2), e2020GL090528. https://doi.org/10.1029/2020gl090528

[8] Isken, M. P., Niemz, P., Münchmeyer, J., Buyukakpinar, P., Heimann, S., Cesca, S., … & Dahm, T. (2025). Qseek: a data-driven framework for automated earthquake detection, localization and characterization. Seismica, 4(1).