Combined Inversion of Active and Passive Seismic Data Based on Optimized Data Selection

Stellen Sie sich vor, Sie versuchen herauszufinden, was in einem riesigen, dunklen Kuchen steckt, ohne ihn aufzuschneiden. Sie können die Schichten, das Obst oder die Glasur nicht sehen, aber Sie können gegen die Außenseite klopfen und auf das Geräusch hören, das es macht. In der Welt der Geophysik machen Wissenschaftler etwas Ähnliches, um die Erdkruste zu verstehen. Sie senden Schallwellen (seismische Wellen) durch den Boden und messen die Zeit, die sie benötigen, um zurückzuprallen oder hindurchzuwandern. Da Schall durch verschiedene Materialien unterschiedlich schnell wandert – so wie er schneller durch einen harten Fels als durch weichen Ton wandert – dienen die Laufzeiten als eine Art Karte, die die verborgene Struktur des Planeten offenbart.

Normalt erhalten Wissenschaftler diese Daten auf zwei Arten. Die erste ist der „aktive“ seismische Datensatz, der einem kontrollierten Trommelwirbel gleicht: Sie lösen zu einem bestimmten Zeitpunkt und an einem bestimmten Ort eine bekannte Explosion oder Vibration aus, um zu sehen, wie die Wellen wandern. Der zweite ist der „passive“ seismische Datensatz, der dem Lauschen auf das eigene Flüstern der Erde gleicht: Sie warten darauf, dass natürliche Erdbeben oder winzige Erschütterungen auftreten. Das Problem dabei ist, dass diese natürlichen Erschütterungen unvorhersehbar sind; sie treten in chaotischen Clustern auf und hinterlassen oft große Lücken in der Karte. Wenn man versucht, die sauberen, organisierten Trommelschläge mit dem chaotischen Flüstern zu kombinieren, erhält man am Ende vielleicht ein verschwommenes Bild, in dem die überfüllten Bereiche zu laut erscheinen und die ruhigen Bereiche ignoriert werden. Dieses Paper befasst sich genau mit diesem Rätsel: Wie man diese zwei sehr unterschiedlichen Arten von Daten kombiniert, um die klarste mögliche 3D-Karte des Untergrunds zu erhalten, ohne dass die chaotischen Teile das Gesamtbild ruinieren.

---

Das große Durcheinander der Untergrund-Landkarte

Stellen Sie sich vor, Sie versuchen, die Karte eines riesigen, unsichtbaren Höhlensystems zu zeichnen. Sie haben zwei Werkzeuge, die Ihnen helfen sollen. Das erste Werkzeug ist ein Team von Entdeckern mit Taschenlampen (aktive Daten). Sie stehen in einem perfekten Gitter und leuchten in alle Richtungen. Weil sie organisiert sind, deckt ihr Licht das Zentrum der Höhle wunderbar ab, aber sie erreichen die fernen, dunklen Ecken nicht. Das zweite Werkzeug ist ein Schwarm von Glühwürmchen (passive Daten). Diese Glühwürmchen leuchten zufällig auf, wann immer sie eine winzige Vibration spüren. Sie sind großartig darin, die dunklen Ecken auszuleuchten, die die Entdecker übersehen haben, aber sie sind chaotisch. Sie neigen dazu, in riesigen, dichten Wolken in der Mitte der Höhle zu schwärmen, während die Ränder im Dunkeln bleiben, und manchmal blinken sie so schnell an einem Ort, dass es aussieht, als gäbe es dort ein riesiges Feuer, obwohl es nur ein Haufen Käfer sind.

Die Forscher der ETH Zürich, unter der Leitung von Kathrin Behnen, wollten das perfekte Gitter der Entdecker mit der wilden Abdeckung der Glühwürmchen kombinieren, um die bestmögliche Karte zu erstellen. Aber sie wussten, dass die Karte verzerrt würde, wenn sie einfach alle Glühwürmchen in den Mix werfen würden. Die dichten Schwärme in der Mitte würden den Computer glauben lassen, dass dieser Bereich super wichtig sei, während die Ränder ignoriert würden. Es ist, als würde man versuchen, ein Gruppenfoto zu machen, bei dem 90 % der Leute in der Mitte stehen; die Ränder des Fotos würden leer und seltsam aussehen.

Die Lösung: Der „smarte Filter“
Um dies zu beheben, erfand das Team einen cleveren „smarten Filter“ unter Verwendung eines mathematischen Tricks namens QR-Faktorisierung. Denken Sie an dies als einen superintelligenten Türsteher in einem Club. Der Türsteher betrachtet die chaotische Menge an Glühwürmchen (die passiven Daten) und fragt: „Wer hier fügt dem Bild tatsächlich etwas Neues hinzu?“

Anstatt jedes einzelne Glühwertchen hereinzulassen, wählt der Türsteher genau die richtigen aus. Er wählt Glühwürmchen, die in den dunklen Ecken stehen (um die Lücken zu füllen), und ignoriert diejenigen, die einfach übereinanderstehen in der Mitte (die redundant wären). Das Ziel war es, die „Goldlöckchen-Anzahl“ an Glühwürmchen zu finden: genug, um die ganze Höhle auszuleuchten, aber nicht so viele, dass sie die Mitte verstopfen und die Sicht versperren.

Das Experiment: Das BedrettoLab
Sie testeten diese Idee in einem realen unterirdischen Labor namens BedrettoLab in den Schweizer Alpen. Dieses Labor ist ein Tunnel, der tief in eine riesige Granitformation gegraben wurde. Die Wissenschaftler hatten einen perfekten Aufbau:

• Die Entdecker: Sie verwendeten einen „Sparker“ (eine kontrollierte Schallquelle) und Hydrophone (Unterwassermikrofone), um 41.881 Schallwellen durch den Fels zu senden.
• Die Glühwürmchen: Sie hörten auf 30.521 winzige, natürliche Erdbeben (induziert durch Wasserinjektionsexperimente), die innerhalb des Gesteins auftraten.

Nach der Bereinigung der Daten verfügten sie über einen massiven Katalog von Ereignissen. Aber sie wussten, dass sie nicht alle nutzen konnten. Also wandten sie ihren „smarten Filter“ an.

Die Ergebnisse: Ein klareres, größeres Bild
Die Ergebnisse waren wie Magie.

1. Dreimal so viel Sicht: Durch die Verwendung ihrer optimierten Auswahl gelang es dem Team, ein Gesteinsvolumen zu beleuchten, das dreimal größer war als das, was sie mit den kontrollierten Entdeckern allein sehen könnten.
2. Keine mehr Überfüllung: Als sie versuchten, alle passiven Daten zu verwenden (den ganzen Schwarm), wurde die Karte unordentlich. Das Zentrum des Gesteins wirkte zu „hell“ und verzerrt, was künstliche kleine Beulen und Wellen erzeugte, die gar nicht wirklich da waren. Es war, als wären die Glühwürmchen so dicht, dass sie die Kamera blendeten.
3. Der ideale Punkt: Der „smarte Filter“ wählte etwa 20.000 passive Datenpunkte aus (von über 250.000 verfügbaren). Diese spezifische Anzahl war die perfekte Balance. Sie füllte die dunklen Ecken auf, ohne die Mitte zu überfüllen. Die resultierende Karte war glatt, genau und zeigte die wahre Form des Gesteins.

Was sie unter der Erde fanden
Mit dieser neuen, superklaren Karte konnten die Wissenschaftler endlich die Geheimnisse des Gesteins sehen.

• Das Bruchnetzwerk: Sie fanden heraus, dass das Gestein voller Risse und Klüfte war. Wo das Gestein rissig war, bewegten sich die Schallwellen langsamer (wie beim Laufen durch ein Feld aus Schlamm). Wo das Gestein solide war, sausten die Wellen schnell hindurch.
• Die Erdbeben-Verbindung: Die winzigen Erdbeben (die Glühwürmchen) ereigneten sich hauptsächlich direkt innerhalb dieser langsamen, rissigen Zonen. Dies bestätigte, dass das Gestein dort bricht, wo es bereits schwach und voller Risse ist.
• Die „seltsame“ Richtung: Die Wissenschaftler bemerkten auch etwas Seltsames. Die Schallwellen bewegten sich nicht nur mit unterschiedlichen Geschwindigkeiten; sie schienen in einer Richtung schneller und in einer anderen langsamer zu reisen, wie eine Straße, die in Richtung Norden glatt ist, aber in Richtung Osten holprig. Dies nennt man Anisotropie. Die Daten deuteten darauf hin, dass die Risse alle parallel ausgerichtet waren, wie ein Stapel Pfannkuchen, was dazu führte, dass der Schall je nach Richtung unterschiedlich reagierte.

Was sie ausschlossen
Das Paper ist sehr deutlich darüber, was nicht funktioniert.

• Zufällige Auswahl funktioniert nicht: Wenn man einfach Glühwürmchen nach dem Zufallsprinzip auswählt (wie bei einer Lotterie), landet man mit zu vielen in der Mitte und zu wenigen in den Ecken. Die Karte weist dann dieselben Verzerrungen auf wie bei der Verwendung aller Daten.
• Alle Daten zu verwenden ist schlecht: Das Hinzufügen jedes einzelnen Datenpunktes liefert kein besseres Bild; es ruiniert es tatsächlich, indem es die überfüllten Bereiche überbetont und künstliche, kleinskalige Artefakte erzeugt.
• Passive Daten allein reichen nicht aus: Man kann nicht nur die natürlichen Erdbeben nutzen, um eine Karte zu erstellen. Ohne die kontrollierten „Entdecker“, die das Bild verankern, wird die Karte verschwommen, weil der Computer verwirrt ist, wo die Erdbeben tatsächlich stattfanden im Vergleich dazu, wo das Gestein „merkwürdig“ ist.

Das Fazit
Dieses Paper legt nahe, dass man für die beste Karte des Untergrunds nicht mehr Daten braucht, sondern intelligentere Daten. Indem man einen mathematischen Filter verwendet, um die nützlichsten, nicht redundanten Informationsteile auszuwählen, können Wissenschaftler tiefer und klarer in die Erde blicken. Sie haben bewiesen, dass etwa 10 % der verfügbaren passiven Daten ausreichten, um ein Modell zu erstellen, das dreimal besser als die aktive Version war, ohne die chaotischen Verzerrungen. Es ist eine Erinnerung daran, dass manchmal in der Wissenschaft weniger tatsächlich mehr ist – wenn man das richtige „Weniger“ auswählt.