Maschinelles Lernen zur Lokalisierung von Magmareservoirs am Akutan-Vulkan
Key Takeaway
Maschinelles Lernen ermöglicht die genaue Lokalisierung und Analyse komplexer magmatischer Durchlauferfassungssysteme an Vulkanen, indem seismische Ereignisse während Inflationsperioden erkannt und mit GPS-Daten korreliert werden.
Summary
- Einführung: Magmareservoire werden oft vereinfacht als kugelförmige Körper dargestellt, jedoch sind vulkanische Rohrleitungssysteme komplex und auf verschiedene Tiefen verteilt.
- Akutan-Vulkan: Der Akutan-Vulkan liegt entlang der Alaska‑Aleutischen Subduktionszone. GPS‑Messungen zeigen eine Inflationsphase von 1996 bis 2018, die jedoch die genaue Lage der Magmareservoirs nicht eindeutig bestimmt.
- Datenerhebung: Kontinuierliche seismische Daten von 2002–2018 aus der Alaska Volcano Observatory (AVO)-Stationsnetzwerk auf Akutan Island wurden genutzt, um vulkano‑tectonische (VT) Erdbeben zu identifizieren.
- Methodik – Machine Learning:
- PhaseNet‑TF (deep‑learning‑Paket) trainiert mit 5 Jahren Alaskadaten zur Erkennung von P‑ und S‑Wellen‑Ankünften.
- Phasen werden mit GaMMA‑1D zu einzelnen Ereignissen zugeordnet.
- Eine weitere Relokation erfolgt mithilfe des GrowClust‑3D‑Pakets.
- Ergebnisse: Zeigt Korrelationen zwischen den VT‑seismischen Aktivitäten und den GPS‑inflationsdaten, was Einblicke in die Positionierung des magmatischen Systems liefert.
- Autorenschaft: Rebecca Merber (Lead), Andrew Birkey, Yaqi Jie, Songqiao Shawn Wei.
- Veranstaltungseinlage: Poster‑Vortrag (V33I‑0128) am 17. Dezember 2025, 14:15‑17:45 Uhr, Hall EFG (Poster Hall), NOLA CC.
Related queries
Wie genau korrelieren P- und S-Wellen mit GPS-Inflation?
Kann PhaseNet-TF auf anderen Vulkanen angewendet werden?
Welche Vorteile bietet GrowClust-3D bei der Relokation von VT-Erdbeben?
Quelle: https://agu.confex.com/agu/agu25/meetingapp.cgi/Paper/1891387