Die junge und sich schnell entwickelnde Disziplin der Kryoseismologie nutzt Eisbeben, um die Auswirkungen der globalen Klimaerwärmung auf die Eisschilde zu überwachen. Das geophysikalische Observatorium an der Neumayer-Station in der Antarktis hat eine Zeitreihe von über 20 Jahren seismologischer Daten aufgezeichnet, die nicht nur Erdbeben, sondern auch Eisbeben, die durch die umgebende Eisdynamik verursacht werden, umfasst. Bei der routinemäßigen Verarbeitung durch das Observatorium wurden kryogene Ereignisse bisher nicht analysiert, da sie für eine manuelle Auswertung viel zu zahlreich sind. Um dieses wertvolle seismologische Datenreservoir anzuzapfen und Veränderungen der küstennahen Schelfeisumgebung in den letzten zwei Jahrzehnten aufzudecken, benötigen wir effiziente Algorithmen, die Eisbeben automatisch erkennen und klassifizieren können. Moderne maschinelle Lernverfahren sind prinzipiell in der Lage, zwischen Erdbeben und Eisbeben zu unterscheiden (Hammer et al. 2015), aber sie wurden für Aufgaben im Bereich Computer Vision mit Millionen von Datensätzen zum Training entwickelt. In fast allen anderen Anwendungen - einschließlich dieses Projekts - ist gut annotiertes Training selten. Daher müssen wir ein "Small Data"-Problem in einer Big Data-Umgebung angehen.
Um dies zu umgehen, werden in diesem Promotionsprojekt Techniken aus dem Transfer-Lernen und so genannte aktive Lernstrategien angewendet, bei denen der Algorithmus während des Trainings diejenigen Datensätze bestimmt, bei denen eine detaillierte Annotation erforderlich ist. Für die Aufgabe, zwischen verschiedenen seismischen Ereignissen zu unterscheiden, wird das Projekt auf den jüngsten Entwicklungen für Deep Learning, angewandt auf inverse Probleme, aufbauen (Arridge et al. 2019). Mit diesem Ansatz wird der Doktorand einen schnellen und effizienten Algorithmus entwickeln, um den Lebenszeit-Datensatz des geophysikalischen Neumayer-Observatoriums neu zu analysieren und auf dem Echtzeit-Datenstrom zu operieren. Der daraus resultierende konsistente Katalog von kryogenen Ereignissen ermöglicht dann die Überwachung von Veränderungen im Spannungszustand des Küstenschelfeises über die Zeit.
Zielsetzungen in diesem Projekt sind: (1) Entwicklung eines Algorithmus zur automatischen Erkennung und Unterscheidung von Eisbeben, (2) Anwendung auf das seismologische Archiv von Neumayer, (3) Statistische Analyse der zeitlichen Variationen im Auftreten von Eisbeben.
Mehr Informationen unter: https://www.mardata.de/
