Slimme algoritmes houden gletsjers in de gaten

Met slimme algoritmes is het onderzoekers gelukt uit grote hoeveelheden data van seismometers de activiteit van specifieke gletsjers in de gaten te houden. Dit is nuttig voor de ontwikkeling van monitoring- en waarschuwingsystemen. Gletsjers kunnen namelijk wispelturig gedrag vertonen. Jarenlang stromen ze schoorvoetend bergafwaarts om plotseling te versnellen en in korte tijd grote hoeveelheden ijs en modder uit te storten met gevaar voor mensenlevens en infrastructuur. Door de wereldwijde opwarming komen dergelijke gletsjer “surges” steeds vaker voor.

Glaciale bevingen

Gletsjers zijn een bron van seismische en akoestische trillingen, die tot op grote afstand meetbaar kunnen zijn. Studies hebben laten zien dat seismische metingen nieuwe inzichten geven in gletsjerbewegingen en een rol kunnen spelen in waarschuwingssystemen. Juist door deze ontwikkeling is het aantal meetstations in de poolgebieden enorm toegenomen en is het vakgebied cryo-seismologie ontstaan: een nieuw vakgebied op het raakvlak tussen glaciologie en seismologie. Het gebruik van glasvezelkabels om trillingen te meten is hierbij een interessante ontwikkeling, omdat het metingen op moeilijk toegankelijke plekken mogelijk maakt.

Slimme algoritmes verwerken bergen meetgegevens

Nieuwe slimme algoritmes worden nu door seismologen ingezet om steeds meer nuttige informatie te halen uit de toenemende stroom seismische meetgegevens. Een van de gebruikte methodes zijn de zogenaamde ‘Convolutional Neural Networks” (CNN), waarbij de ingevoerde data in enkele stappen wordt gereduceerd tot een vorm die voor de computer eenvoudiger is te classificeren (figuur 1). Het concept is geïnspireerd op de werking van het oog. Deze algoritmes zijn buitengewoon goed in het herkennen van patronen: oorspronkelijk werd het bijvoorbeeld veel gebruikt om handschriften te herkennen. Voordat een CNN een patroon kan herkennen is het belangrijk dat het algoritme ‘getraind’ wordt met de te herkennen patronen. Daar is nu veel seismische data voor beschikbaar en maakt het automatisch detecteren van steeds kleinere bevingen mogelijk, waaronder de glaciale bevingen.

Luisteren naar een specifieke gletsjer

Onderzoekers uit Noorwegen passen sinds kort een hybride CNN methode toe op seismische data uit Spitsbergen, een eilandengroep ten noorden van Noorwegen. Uit eerder onderzoek is gebleken dat een deel van de gemeten seismiciteit op Spitsbergen is terug te voeren op de activiteit van de diverse gletsjers. Volgens de onderzoekers zijn de eerste resultaten zeer bemoedigend.  Ruim 80% van de aangeboden signalen wordt toegewezen aan de correcte gletsjer in de Kongsfjord (figuur 2) en op basis hiervan kunnen de bewegingen van deze gletsjer in realtime op afstand in de gaten worden gehouden. Mogelijk kunnen we met deze techniek in de toekomst gletsjer surges, zoals die van juli 2016 in het Aru gebergte in Tibet die aan 9 mensen het leven kostte, van tevoren aan zien komen (figuur 3). 

Detecteren van geïnduceerde bevingen

Een geïnduceerde aardbeving is een aardbeving veroorzaakt  door menselijke activiteiten zoals olie- en gaswinning of het onttrekken van grondwater. Veel van deze bevingen zijn zwak en worden niet gedetecteerd. Door toepassing van CNN’s zijn Amerikaanse onderzoekers sinds kort in staat geïnduceerde bevingen automatisch te detecteren en te lokaliseren in de staat Oklahoma (Verenigde Staten). Er worden nu tot 17x meer aardbevingen gedetecteerd dan eerder werden vastgesteld door de geologische dienst van de staat.  Bovendien is het algoritme sneller dan bestaande technieken. Het KNMI doet eveneens onderzoek naar het gebruik van machine learning technieken, zoals CNN, voor het verwerken van data van het seismische netwerk in Nederland. 

KNMI-klimaatbericht door Jelle Assink