Methoden des maschinellen Lernens in der Geophysik
Die Forschung der Arbeitsgruppe “Methoden des maschinellen Lernens in der Geophysik” beschäftigt sich mit der Anwendung von Algorithmen des maschinellen Lernens auf verschiedene geophysikalische, vorwiegend seismologische, Fragestellungen.
Eine der größten wissenschaftlichen Herausforderungen im Bereich der Geophysik ist die Extraktion relevanter Informationen aus der stetig wachsenden Menge an gesammelten Daten. Um dieses Problem anzugehen, analysiert die Arbeitsgruppe “Maschinelles Lernen in der Geophysik”, geophysikalische Datensätze mit probabilistischen, datengesteuerten Ansätzen. Dadurch sind wir zum einen in der Lage, die inhärente Struktur der Daten besser zu verstehen und zum anderen hilft es uns, große Datensätze schnell und objektiv auszuwerten.
Die Datensätze mit denen wir uns in der Arbeitsgruppe beschäftigen, sind vorwiegend seismologische Signale. Diese werten wir beispielsweise hinsichtlich der darin auftretenden verschiedenenen Signalquellen wie Erdbeben, Bergstürze oder auch Eisbeben automatisch aus. Darüberhinaus versuchen wir Zusammenhänge zwischen verschiedenen Beobachtungen zu finden um daraus interessante Parameter, wie etwa die zu erwartende Bodenbewegung im Falle einer bestimmten Anregung oder auch die treibenden Faktoren für das Auftreten eines Eisbeben abschätzen zu können.
Falls Sie mehr über die Forschung der Arbeitsgruppe oder über mögliche Themen für Bachelor- und Master-Projekte erfahren möchten, kontaktieren Sie bitte Prof. Dr. Conny Hammer.
Deep-Learning-Wellenfeldseparation für Diffraktionsabbildung
Seismische und elektromagnetische Wellen werden im Untergrund nicht nur an großskaligen Horizonten reflektiert, sondern auch an kleinskaligen Strukturen gestreut oder diffraktiert. Diese kleinskaligen Strukturen wie beispielsweise Verwerfungen, Findlinge oder Wassereinschlüsse in Gletschern sind entscheidend für die Charakterisierung des Untergrunds. Die Trennung des oft schwachen diffraktierten Wellenfelds ist daher eine wichtige Herausforderung in der Untergrundabbildung. Wir nutzen Methoden des maschinellen Lernens für die Separation des diffraktierten Wellenfelds in seismischen und Bodenradardaten.
Deep-Learning-Vorhersage von Erdbebenwellenfeldern
Das seismische Wellenfeld, welches von großen Erdbeben angeregt wird, kann weltweit gemessen werden. Eine genaue Kenntnis dieses Wellenfelds ist von entscheidender Bedeutung für hochpräzise Messungen oder Experimente wie sie beispielsweise in der Teilchenphysik durchgeführt werden. Die regionale Dichte von seismologischen Station ist jedoch oft nicht hoch, insbesondere in wenig erdbebengefährdeten Gebieten wie Norddeutschland. Basierend auf synthetischen Erdbebenwellenformen, die für beliebige Punkte auf der Erdoberfläche berechnet werden können, jedoch einem relativ simplen Erdmodell unterliegen, und Messungen großer Erdbeben an existierenden seismologischen Stationen in Norddeutschland versuchen wir mithilfe von Methoden des maschinellen Lernens, das seismische Wellenfeld auch dort vorherzusagen, wo keine Messungen vorliegen.
Clustering von großen Distributed Acoustic Sensing Datensätzen
Distributed Acoustic Sensing (DAS) verwandelt ein Glasfaserkabel in einen Dehnungsmesser, indem zurückgestreutes Licht innerhalb des Kabels gemessen wird. Dies liefert hochauflösende seismische Daten mit typischen Sampling-Frequenzen um 1 kHz und räumlichen Abtastintervallen von einigen Metern. Das Glasfaserkabel kann mehrere Kilometer lang sein und Messungen können kontinuierlich über Wochen, Monate oder Jahre durchgeführt werden. Dies resultiert schnell in Datenmengen von mehreren Terabytes pro Tag, was es sehr herausfordernd macht, einen guten Überblick über die verschiedenen Arten seismischer Signale in den Daten zu erlangen.
Unser Ziel ist es, große DAS Datensätze zu clustern um dadurch automatisch verschiedene Arten von seismischen Signalen zu detektieren und zu klassifizieren.
Identifizierung und Beobachtung verschiedener Eisbebentypen in der Antarktis
Viele verschiedene physikalische Prozesse sorgen für Vibrationen im Eis der Antarktis. In dieser Studie sollen die verschiedenen seismischen Muster gefunden werden und ihrem möglichen Ursprungsprozess zugeordnet werden. Außerdem soll das Auftreten der verschiedenen Prozesse über die letzten 20 Jahre hinweg beobachtet werden, um Veränderungen der Eisdynamik in Beziehung zum Klimawandel zu verstehen.