📄 earth_science

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

Dit artikel presenteert een methodologie voor de gecombineerde inversie van actieve en passieve seismische gegevens met behulp van geoptimaliseerde passieve gebeurtenisselectie om de ondergrondse illuminatie en modelresolutie te maximaliseren zonder een bias te introduceren door een heterogene datadistributie, zoals aangetoond door een succesvolle toepassing op de BedrettoLab gesteentelaboratorium in Zwitserland.

Oorspronkelijke auteurs: Kathrin Behnen, Hansruedi Maurer, Arnaud Mercier, Marian Hertrich, Domenico Giardini

Gepubliceerd 2026-07-31

📖 7 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Kathrin Behnen, Hansruedi Maurer, Arnaud Mercier, Marian Hertrich, Domenico Giardini

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert uit te vogelen wat er in een gigantische, donkere taart zit zonder deze open te snijden. Je kunt de lagen, het fruit of de frosting niet zien, maar je kunt op de buitenkant tikken en luisteren naar het geluid dat het maakt. In de wereld van de geofysica doen wetenschappers iets dergelijks om de aardkorst te begrijpen. Ze sturen geluidsgolven (seismische golven) door de grond en meten hoe lang het duurt voordat ze terugkaatsen of erdoorheen reizen. Omdat geluid met verschillende snelheden door verschillende materialen beweegt — zoals hoe het sneller door een hard gesteente beweegt dan door een zachte klei — fungeren de reistijden als een kaart die de verborgen structuur van de planeet onthult.

Meestal krijgen wetenschappers deze gegevens op twee manieren binnen. De eerste is "actieve" seismische data, wat lijkt op een gecontroleerde trommelslag: ze veroorzaken een bekende explosie of trilling op een specifiek tijdstip en een specifieke plaats om te zien hoe de golven zich verplaatsen. De tweede is "passieve" seismische data, wat lijkt op het luisteren naar de eigen fluisteringen van de Aarde: ze wachten tot natuurlijke aardbevingen of kleine trillingen plaatsvinden. Het probleem is dat deze natuurlijke trillingen onvoorspelbaar zijn; ze komen in rommelige clusters voor, waardoor er vaak grote gaten in de kaart vallen. Als je de nette, georganiseerde trommelslagen probeert te combineren met de chaotische fluisteringen, krijg je misschien een wazig beeld waarbij de drukke gebieden te luid lijken en de stille gebieden worden genegeerd. Dit artikel pakt precies dat puzzelstuk aan: hoe je deze twee zeer verschillende soorten data combineert om de duidelijkste 3D-kaart van wat er ondergronds verborgen ligt te krijgen, zonder dat de rommelige delen het beeld verpesten.

De Grote Ondergrondse Kaart-Verwarring

Stel je voor dat je een kaart probeet te tekenen van een gigantisch, onzichtbaar grottenstelsel. Je hebt twee hulpmiddelen om je te helpen. Het eerste hulpmiddel is een team ontdekkingsreizigers met zaklampen (actieve data). Ze staan in een perfect raster en schijnen hun licht in alle richtingen. Omdat ze georganiseerd zijn, bedekt hun licht het midden van de grot prachtig, maar ze kunnen de verre, donkere hoeken niet bereiken. Het tweede hulpmiddel is een zwerm vuurvliegjes (passieve data). Deze vuurvliegjes lichten willekeurig op wanneer ze een kleine trilling voelen. Ze zijn geweldig in het verlichten van de donkere hoeken die de ontdekkingsreizigers hebben gemist, maar ze zijn chaotisch. Ze hebben de neiging om in enorme, dichte wolken in het midden van de grot te zwermen, waardoor de randen in het donker blijven liggen, en soms knipperen ze zo snel op één plek dat het lijkt alsof er een enorme brand is, terwijl het slechts een hoop insecten is.

De onderzoekers van ETH Zürich, onder leiding van Kathrin Behnen, wilden het perfecte raster van de ontdekkingsreizigers combineren met de wilde dekking van de vuurvliegjes om de beste kaart mogelijk te maken. Maar ze wisten dat als ze simpelweg alle vuurvliegjes in de mix zouden gooien, de kaart vervormd zou raken. De dichte zwermen in het midden zouden de computer doen denken dat dat gebied superbelangrijk is, terwijl de randen worden genegeerd. Het is alsof je een groepsfoto probeert te maken waarbij 90% van de mensen in het midden staat; de randen van de foto zouden er leeg en vreemd uitzien.

De Oplossing: Het "Slimme Filter"
Om dit op te lossen, bedacht het team een slim "smart filter" met behulp van een wiskundige truc genaamd QR-factorisatie. Denk hierbij aan een super-slimme uitsmijter bij een club. De uitsmijter kijkt naar de chaotische menigte vuurvliegjes (de passieve data) en vraagt: "Wie voegt hier eigenlijk iets nieuws toe aan het plaatje?"

In plaats van elke enkele vuurvlieg binnen te laten, kiest de uitsmijter precies de juiste uit. Hij selecteert de vuurvliegjes die in de donkere hoeken staan (om de gaten te vullen) en negeert degenen die gewoon op elkaar staan in het midden (wat overbodig zou zijn). Het doel was om het "Goldilocks"-aantal vuurvliegjes te vinden: genoeg om de hele grot te verlichten, maar niet zoveel dat ze het centrum overbevolken en het zicht blokkeren.

Het Experiment: De BedrettoLab
Ze testten dit idee in een echt ondergronds laboratorium genaamd de BedrettoLab in de Zwitserse Alpen. Dit lab is een tunnel die diep in een enorme granieten rotsformatie is gegraven. De wetenschappers hadden een perfecte opstelling:

De Ontdekkingsreizigers: Ze gebruikten een "sparker" (een gecontroleerde geluidsbron) en hydrofoons (onderwatermicrofoons) om 41.881 geluidsgolven door het gesteente te sturen.
De Vuurvliegjes: Ze luisterden naar 30.521 kleine, natuurlijke aardbevingen (veroorzaakt door experimenten met waterinjectie) die in het gesteente plaatsvonden.

Na het opschonen van de data hadden ze een enorme catalogus van gebeurtenissen. Maar ze wisten dat ze niet alles konden gebruiken. Daarom pasten ze hun "slimme filter" toe.

De Resultaten: Een Helderder, Groter Beeld
De resultaten waren als magie.

Drie keer zoveel zicht: Door hun geoptimaliseerde selectie te gebruiken, slaagde het team erin om een volume gesteente te verlichten dat drie keer zo groot was als wat ze alleen met de gecontroleerde ontdekkingsreizigers konden zien.
Geen meer Drukte: Wanneer ze alle passieve data probeerden te gebruiken (de hele zwerm), werd de kaart rommelig. Het midden van het gesteente zag er te "fel" en vervormd uit, wat nep bultjes en rimpelingen creëerde die er in werkelijkheid niet waren. Het was alsof de vuurvliegjes zo dicht op elkaar zaten dat ze de camera verblindden.
Het Zoete Punt: Het "slimme filter" selecteerde ongeveer 20.000 passieve datapunten (van de meer dan 250.000 beschikbare). Dit specifieke aantal was de perfecte balans. Het vulde de donkere hoeken op zonder het centrum te overbevolken. De resulterende kaart was vloeiend, accuraat en toonde de ware vorm van het gesteente.

Wat Ze Ondergronds Vonden
Met deze nieuwe, superheldere kaart konden de wetenschappers eindelijk de geheimen van het gesteente zien.

Het Breuknetwerk: Ze ontdekten dat het gesteente vol scheuren en breuken zat. Waar het gesteente gebarsten was, reisden de geluidsgolven langzamer (zoals rennen door een veld vol modder). Waar het gesteente solide was, vlogen de golven er razendsnel doorheen.
De Aardbeving-connectie: De kleine aardbevingen (de vuurvliegjes) vonden voornamelijk plaats binnen deze langzame, gebarsten zones. Dit bevestigde dat het gesteente breekt op de plekken waar het al zwak is en vol scheuren zit.
De "Vreemde" Richting: De wetenschappers merkten ook iets vreemds op. De geluidsgolven reisden niet alleen met verschillende snelheden; ze leken sneller in de ene richting te reizen en langzamer in de andere, als een weg die glad is richting het noorden maar hobbelig richting het oosten. Dit wordt anisotropie genoemd. De gegevens suggereerden dat de scheuren allemaal parallel aan elkaar stonden, als een stapel pannenkoeken, waardoor het geluid anders gedraagt afhankelijk van welke kant het op reist.

Wat Ze Uitsloten
Het artikel is zeer duidelijk over wat niet werkt.

Willekeurige Selectie Werkt Niet: Als je vuurvliegjes willekeurig kiest (zoals bij een loterij), eindig je met te veel in het midden en te weinig in de hoeken. De kaart krijgt dan dezelfde vervormingen als bij het gebruik van alle data.
Gebruik van Alle Data is Slecht: Het in de mix gooien van elk enkel datapunt geeft je geen betere kaart; het ruïneert het zelfs door de drukke gebieden te benadrukken en valse, kleinschalige artefacten te creëren.
Passieve Data Alleen Is Niet Genoeg: Je kunt niet alleen de natuurlijke aardbevingen gebruiken om een kaart te maken. Zonder de gecontroleerde "ontdekkingsreizigers" om het beeld te verankeren, wordt de kaart wazig omdat de computer in de war raakt over waar de aardbevingen daadwerkelijk plaatsvonden versus waar het gesteente vreemd is.

De Kern van het Verhaal
Dit artikel suggereert dat je om de beste kaart van de ondergrond te krijgen niet méér data nodig hebt, maar slimmere data. Door een wiskundig filter te gebruiken om de meest nuttige, niet-redundante stukjes informatie te selecteren, kunnen wetenschappers dieper en helderder in de aarde kijken. Ze bewezen dat ongeveer 10% van de beschikbare passieve data genoeg was om een model te creëren dat drie keer beter was dan de versie met alleen actieve data, zonder de rommelige vervormingen. Het is een herinnering dat soms in de wetenschap, minder ook echt meer is — als je de juiste "minder" kiest.

Technische Samenvatting: Gecombineerde inversie van actieve en passieve seismische data gebaseerd op geoptimaliseerde dataselectie

Probleemstelling
Seismische tomografie vertrouwt op de inversie van reistijden om modellen van de ondergrondse snelheid af te leiden. Hoewel actieve seismische data (gecontroleerde bronnen met bekende locaties en begintijden) robuuste beperkingen en een homogene dekking binnen onderzoeksterreinen bieden, zijn ze vaak beperkt tot toegankelijke locaties (bijv. boorgaten). Daarentegen kunnen passieve seismische data (natuurlijke of geïnduceerde gebeurtenissen) een groter volume verlichten, maar zij kampen met twee primaire uitdagingen: (1) de bronparameters (hypocentrum en begintijd) zijn onbekend en moeten simultaan met het snelheidsmodel worden geschat, wat het aantal onbekenden vergroot; en (2) passieve gebeurtenissen clusteren typisch langs breuk- of fractiezones, wat resulteert in een zeer heterogene straaldekking. Deze ongelijkmatige verdeling kan leiden tot modelbiases, overfitting in dicht bemonsterde regio's en een slechte resolutie in dun bemonsterde gebieden. Het simpelweg samenvoegen van grote passieve datasets met actieve data verergert deze problemen vaak door het introduceren van redundante stralen en het overbelasten van de inversie met data uit specifieke zones.

Methodologie
De auteurs stellen een workflow voor voor de gecombineerde inversie van actieve en passieve seismische data die expliciet de heterogeniteit van passieve seismiciteit aanpakt via een geoptimaliseerde dataselectiestrategie. De kern van de methodologie bestaat uit een vierstaps workflow:

Event Lokalisatie: Gebeurtenissen worden gelokaliseerd met behulp van een grid-zoekalgoritme gebaseerd op een initieel of bijgewerkt snelheidsmodel.
Pre-selectie (Blokselectie): Om de computationele kosten te beheersen, wordt het volume onderverdeeld in 3m kubussen. Een heuristische pre-selectie behoudt alleen de drie best geconstraineerde gebeurtenissen (gebaseerd op het aantal picks) per blok. Dit reduceert de grootte van de Jacobiaanmatrix tot een hanteerbaar niveau.
Geoptimaliseerde Dataselectie (QR-factorisatie): De auteurs maken gebruik van een rank-revealing QR-factorisatie met kolompivoting op de Jacobiaanmatrix (specifiek de getransponeerde, $J^T$ $J^{T}$ ).
- Randomized Benadering: Voor grote datasets wordt een gerandomiseerde QR-benadering gebruikt om de riemruimte van de Jacobiaan te benaderen, waardoor de computationele complexiteit wordt verminderd terwijl het vermogen om datapunten te rangschikken behouden blijft.
- Actieve Data Constraint: De informatie-inhoud van de actieve data (die altijd wordt opgenomen) wordt wiskundig verwijderd uit de passieve datamatrix vóór de pivoting. Dit zorgt ervoor dat de selectie van passieve datapunten nieuwe informatie toevoegt in plaats van redundante stralen die overlappen met de dekking van de actieve data.
- Rangschikking en Afkaping: De pivoting-volgorde levert een rangschikking van datapunten op op basis van hun incrementele bijdrage aan de inversie (incrementele informatie). Het aantal mee te nemen passieve datapunten wordt bepaald door de cumulatieve gereduceerde-Hessiaanse energie ( $I(l)$ ) te analyseren. De selectie wordt afgekap waar de energiekromme afvlakt, wat aangeeft dat extra datapunten voornamelijk bijdragen aan ruis of redundante richtingen in plaats van nieuwe modelparameters op te lossen.
Inversie: De geselecteerde subset van data wordt gebruikt in een standaard iteratief reistijd-tomografieschema (het oplossen van traagheid en event-locaties) met beh gebruik van een Eikonal forward solver en LSQR-inversie.

Belangrijkste Bijdragen

Geoptimaliseerd Dataselectie-algoritme: Het artikel introduceert een rigoureuze, op lineaire algebra gebaseerde methode (QR-factorisatie met pivoting) om een subset van passieve seismische data te selecteren die het verlichte volume maximaliseert en het voorkomen van overgewichten in dicht bemonsterde regio's vermijdt.
Kwantitatieve Datagrootte: De methodologie biedt een diagnostisch instrument (analyse van de gereduceerde-Hessiaanse energie) om het ideale aantal passieve datapunten te bepalen dat de informatie-inhoud maximaliseert zonder verminderde meeropbrengst.
Integratiestrategie: De aanpak houdt expliciet rekening met de vaste informatie die door actieve data wordt geleverd bij het selecteren van passieve data, waardoor een gebalande bijdrage van beide datasets wordt gegarandeerd zonder willekeurige weging.

Resultaten
De methodologie werd toegepast op een dataset van de BedrettoLab in de Zwitserse Alpen, waarbij 41.881 actieve picks werden gecombineerd met een gefilterde catalogus van 259.427 passieve picks.

Verlicht Volume: Het geoptimaliseerde gecombineerde model vergrootte het verlichte volume met een factor drie ten opzichte van het actieve model alleen.
Data-efficiëntie: De analyse bepaalde dat ongeveer 20.000 passieve datapunten (ongeveer 10% van de beschikbare gefilterde catalogus) voldoende waren om de maximale informatie-inhoud te vangen. Modellen met 30.000 punten vertoonden een verwaarloembare verbetering, terwijl modellen met 10.000 punten een aanzienlijk informatieverlies lieten zien.
Vergelijking met Alternatieven:
- Random Selectie: Een willekeurige selectie van hetzelfde aantal datapunten leidde tot oversampling van de centrale, dicht gebroken regio's en slaagde er niet in om anomalieën aan de randen van het volume te vangen.
- Volledige Dataset: Het gebruik van de volledige passieve dataset (259.427 punten) vergrootte het verlichte volume niet verder dan het geoptimaliseerde model, maar introduceerde numerieke artefacten en overschatte snelheid-anomalieën in de centrale regio's door extreme straaldichtheid.
Geologische Interpretatie: Het resulterende snelheidsmodel vertoonde sterke correlaties met onafhankelijke geofysische observaties. Gebieden met lage snelheid kwamen overeen met hoge breukdensiteiten en de distributie van geïnduceerde seismiciteit. Het model toonde aan dat seismiciteit voornamelijk optreedt binnen gebroken, laag-snelheidszones in plaats van bij de grenzen van intact gesteente.
Detectie van Anisotropie: Residu-analyse van de actieve data onthulde een directionele trend die consistent is met een Transversaal Isotroop (TTI) medium, waarschijnlijk veroorzaakt door het parallelle breuknetwerk. Synthetische tests suggereerden dat hoewel de isotrope inversie de anisotropie niet volledig kon herstellen, de actieve data-beperkingen wel de mogelijkheid boden om de belangrijkste snelheidsstructuren te herstellen, terwijl een passieve-only inversie waarschijnlijk zou falen door de trade-offs tussen event-locatie en snelheid/anisotropie.

Betekenis
Dit artikel toont aan dat het combineren van actieve en passieve seismische data zeer gunstig is voor het uitbreiden van het verlichte volume van seismische tomografie, mits de passieve data zorgvuldig wordt gecureerd. De voorgestelde QR-gebaseerde selectiemethode biedt een systematische manier om de complementaire sterktes van actieve data (robuuste beperkingen) en passieve data (uitgebreide dekking) in evenwicht te brengen zonder bias te introduceren door ongelijkmatige straalverdelingen. De studie concludeert dat het breuknetwerk de dominante factor is die zowel de seismische snelheid-heterogeniteiten als de anisotropie in het BedrettoLab-volume controleert. Verder benadrukt het dat hoewel passieve data de ruimtelijke reikwijdte van het model uitbreidt, actieve data essentieel blijven om het snelheidsmodel te beperken en trade-offs met event-locaties en anisotropie te mitigeren. De methodologie biedt een praktisch kader voor het maximaliseren van de informatie-inhoud terwijl computationele redundantie in complexe inversiescenario's wordt geminimaliseerd.

De Grote Ondergrondse Kaart-Verwarring

Meer zoals dit