Die Abschätzung der seismischen Gefährdung, die Nutzung des Untergrunds für die Extraktion von Bodenschätzen, für die Erzeugung und Speicherung geothermischer Energie sowie das Verständnis geodynamischer Prozesse erfordern die Kenntnis und Interpretation der Struktur des Untergrunds. Die seismische Tomographie ist eine Technik, bei der seismische Wellen entweder direkt oder in Kombination mit abgeleiteten Messungen (z. B. Oberflächenwellendispersion, Laufzeiten) zur Charakterisierung des Erdinneren verwendet werden.  Wir konzentrieren uns auf Methoden, die auf sekundären Messgrößen und vereinfachter Physik beruhen, da sie mit einer großen Anzahl von Beobachtungen umgehen können und direkte Suchmethoden durchführbar sind. Eine Herausforderung besteht darin, dass die zugrunde liegende Verteilung der Datenunsicherheit kaum bekannt ist und als Teil des Analyseprozesses geschätzt werden muss. Sowohl die Verteilung des Datenfehlers als auch die Variabilität des gesuchten Signals weichen von einer Gaussverteilung ab und haben häufiger größere Abweichungen als bei einer Gaußverteilung, sogenannte long tails. Wir werden Verfahren entwickeln und testen, um Ausreißer von Extremwerten zu unterscheiden, die aus strukturellen Schwankungen resultieren. Zusätzliche Unsicherheiten, die sich aus der Vereinfachung der Physik der Wellenausbreitung ergeben, können oft stochastisch erfasst werden. In der Analysephase werden die zusätzlichen physikalischen Erkenntnisse häufig genutzt, um die Erkundung des a posteriori Wahrscheinlichkeitsraums zu steuern. In diesem Projekt werden wir die Auswirkungen dieser zusätzlichen Beschränkungen auf die Unsicherheitsbestimmung bewerten. Schließlich werden die dreidimensionalen (3D) Modelle, die aus den seismologischen Abbildungsverfahren resultieren, von Geologen interpretiert (visuelle Interpretation) oder in numerische geodynamische Modelle einfließen (quantitative Interpretation). In beiden Fällen ist es entscheidend, Unsicherheiten angemessen zu kommunizieren, um Fehlinterpretationen zu vermeiden, während gleichzeitig die Darstellung komplexer gemeinsamer Wahrscheinlichkeitsdichtefunktionen überschaubar bleiben muss.

In der ersten Phase konzentrieren wir uns auf die Quantifizierung von Unsicherheiten in der radialen Anisotropie auf der Grundlage der transdimensionalen hierarchischen Bayes'schen Methode.   Der hierarchische transdimensionale Bayes'sche Ansatz ist in der Lage, Unsicherheitsschätzungen zu liefern, die die Nichtlinearität des Vorwärtsproblems vollständig berücksichtigen. Im Bayes'schen Kontext werden der Mittelwert und die Varianz des Ensembles, das einen großen Satz von Modellen enthält, als Referenzlösung bzw. als Maß für den Modellfehler interpretiert. Im Anschluss haben wir die Methode auf ein temporäres Breitband-Array angewandt, das ganz Sri Lanka abdeckt.

In der zweiten Phase entwickeln wir eine direkte 3-D-Inversion, die auf einer 3-D-Voronoi-Tesselierung unter Nutzung eines transdimensionalen  'reversible jump Markov Chain Monte Carlo Verfahrens.

Traditionell erfolgt die gemeinsame Inversion erfolgt in der Regel in zwei Schritten: Zunächst werden 2-D-Oberflächenwellen-Phasen- (oder Gruppen-) Geschwindigkeitskarten invertiert und dann 1-D-Oberflächenwellen und RFs gemeinsam invertiert, um eine 3-D-Raumgeschwindigkeitsstruktur zu erstellen. Dabei bleiben jedoch die wertvollen Informationen der lateralen räumlichen Variationen in den Geschwindigkeitskarten und der einfallenden Diskontinuitäten in den RFs möglicherweise nicht erhalten, was zu einer verzerrten Schätzung der 3-D-Geschwindigkeitsstruktur führen kann. Die benachbarten Zellen im endgültigen 3-D-Modell enthalten daher in der Regel nur wenig von den Informationen der lateralen räumlichen 2-D-Korrelation in den Phasen- und Gruppengeschwindigkeitskarten. Um die oben genannten Probleme zu verbessern, invertieren wir die 3-D-Raumstruktur direkt aus frequenzabhängigen Oberflächenwellenphasen oder -gruppen Laufzeitmessungen und Receiverfunktionen.

Lautzeit

• 2020 - 2024

Projektverantwortlich

• F. Tilmann GFZ)
• T. Ryberg (GFZ)

Projektmitarbeiter

• Kuan-Yu Ke (GFZ)

Zuwendungsgeber

• Gefördert durch die Helmholtz-Gemeinschaft als Pilotprojekt im Bereich der Informations- und Datenwissenschaften

Kooperationen/Partner

• Karlsruhe Institute of Technology (KIT) -Koordinator
• Universität Bielefeld (Uni BI) - Koordinator
• Alfred-Wegener-Institut (AWI)
• Forschungszentrum Jülich (FZJ)
• Helmholtz Institute for Functional Marine Biodiversity (HIFMB)
• Carl von Ossietzky Universität Oldenburg (Uni OL)
• Helmholtz Zentrum München (HMGU)
• Helmholtz-Zentrum Geesthacht (HZG)
• Helmholtz-Zentrum für Umweltforschung (UFZ)

Projektwebseite

• Helmholtz-UQ
• Lexikon Helmholtz-UQ

Zuordnung (POF/MESI/GIPP)

• Topic 3 - Ruhelose Erde

Publikation

• Tilmann, F., Sadeghisorkhani, H., Mauerberger, A. (2020): Another look at the treatment of data uncertainty in Markov chain Monte Carlo inversion and other probabilistic methods. - Geophysical Journal International, 222, 1, 388-405. https://doi.org/10.1093/gji/ggaa168