Wenn ein schweres Erdbeben auftritt, können Seismometer in der Nähe Anwohner und Rettungsdienste schnell warnen, dass potenziell gefährliche Erschütterungen oder Tsunamis auf sie zukommen könnten. Lokale Seismometermessungen reichen jedoch nicht aus, um in Echtzeit zu bestimmen, wie groß die größten Erdbeben sind.
Wissenschaftler haben hochpräzise Messungen der Bodenverschiebung von globalen Navigationssatellitensystemen (GNSS) wie GPS genutzt, um Seismometerbeobachtungen zu ergänzen. GNSS-Daten können zwischen den größten Erdbeben unterscheiden, sind jedoch verrauschter als Daten von herkömmlichen Seismometern, was ihren Beitrag zu Naturgefahrenanwendungen begrenzt hat.
Um die verrauschten Daten anzugehen, trafen Dittmann und Kollegen zwei experimentelle Entscheidungen, die auf früherer GNSS-Seismologieforschung und der Entwicklung des maschinellen Lernens basierten: Sie nahmen eine alternative Methode zur Verarbeitung geodätischer Messungen an und trainierten ein maschinelles Lernmodell, um GNSS-Sensordaten zur Erkennung von Erdbeben zu verwenden . Das Team trainierte, validierte und testete das Modell unter Verwendung von Daten aus dem Archiv der Geodetic Facility for the Advancement of Geoscience der National Science Foundation von 77 Erdbeben mit einer Stärke von mehr als 4,5, die über einen Zeitraum von 20 Jahren aufgetreten sind.
Im Vergleich zu bestehenden GNSS-Erdbebenerkennungsmethoden erkannte das neue Modell mehr echte seismische Signale und löste weniger Fehlalarme aus. Darüber hinaus stützt sich das neue Modell im Gegensatz zu früheren Verfahren auf eine rechnerisch leichte Verarbeitung und nicht auf zusätzliche Korrekturen, um falsche Signale zu berücksichtigen.
Die Forscher schlagen vor, dass das neue Modell breit angewendet werden könnte, um die Rolle von GNSS-Sensoren bei der Erdbebenerkennung zu verbessern. Sie skizzieren auch Möglichkeiten für zukünftige Verfeinerungen, wie z. B. die Anwendung umfangreicherer Datensätze zum Trainieren und Validieren des Modells.
Die Studie erscheint im Journal of Geophysical Research: Feste Erde.
Mehr Informationen:
T. Dittmann et al, Supervised Machine Learning of High Rate GNSS Velocities for Earthquake Strong Motion Signals, Journal of Geophysical Research: Feste Erde (2022). DOI: 10.1029/2022JB024854
Diese Geschichte wurde mit freundlicher Genehmigung von Eos, gehostet von der American Geophysical Union, neu veröffentlicht. Lesen Sie die Originalgeschichte hier.