Erdbebenüberwachung mit Deep Learning anhand einer Fallstudie zur Nachbebensequenz des Kahramanmaras-Erdbebens in der Türkei

Zusammenfassung. Die Erfassung seismischer Phasen und die Magnitudenschätzung sind grundlegende Aspekte der Erdbebenüberwachung und der Analyse seismischer Ereignisse. Eine genaue Phasenerfassung ermöglicht eine präzise Charakterisierung der Ankunft seismischer Wellen und trägt zu einem besseren Verständnis von Erdbebenereignissen bei. Ebenso liefert eine genaue Magnitudenschätzung entscheidende Informationen über die Größe eines Erdbebens und dessen potenzielle Auswirkungen. Gemeinsam verbessern diese Komponenten unsere Fähigkeit, seismische Aktivität effektiv zu überwachen. In dieser Studie untersuchen wir die Anwendung von Deep-Learning-Techniken zur Erdbebenerkennung und Magnitudenschätzung mithilfe kontinuierlicher seismischer Aufzeichnungen. Unser Ansatz führt DynaPicker ein, das dynamische Faltungsneuronale Netzwerke nutzt, um seismische Körperwellenphasen in kontinuierlichen seismischen Daten zu erkennen. Wir demonstrieren die Effektivität von DynaPicker anhand verschiedener Open-Source-seismischer Datensätze, einschließlich sowohl Fensterformat- als auch kontinuierlicher Aufzeichnungen. Wir bewerten seine Leistung bei der Identifizierung seismischer Phasen und der Bestimmung von Ankunftszeiten sowie seine Robustheit bei der Klassifizierung seismischer Phasen unter Verwendung von seismischen Daten mit niedriger Magnitude in Gegenwart von Rauschen. Darüber hinaus integrieren wir die Informationen zur Ankunftszeit der Phasen in ein zuvor veröffentlichtes Deep-Learning-Modell zur Magnitudenschätzung. Wir wenden diesen Arbeitsablauf auf kontinuierliche Aufzeichnungen von Nachbebensequenzen nach dem Erdbeben in der Türkei an. Die Ergebnisse dieser Fallstudie zeigen die Zuverlässigkeit unseres Ansatzes bei der Erdbebenerkennung, der Phasenerfassung und der Magnitudenschätzung und tragen wertvolle Erkenntnisse zur Analyse seismischer Ereignisse bei.