){kind=logo}
KI-gestützte GNSS-basierte Analyse ionosphärischer TEC-Störungen zur Detektion präseismischer Anomalien und geodätischer Georisiken
Diese Studie stellt ein KI-gestütztes geodätisches Framework zur Detektion präseismischer ionosphärischer Störungen basierend auf GNSS-abgeleitetem Total Electron Content (TEC) vor. Der Ansatz integriert Multi-Source-Daten, einschließlich GNSS-Beobachtungen (RINEX), globaler Ionosphärenkarten (IONEX), seismischer Kataloge sowie Weltraumwetterindizes (z. B. Kp, Dst, F10.7).
Eine robuste Datenverarbeitungskette wird implementiert, die TEC-Extraktion, Rauschfilterung, Trendbereinigung sowie fortgeschrittenes Feature Engineering (z. B. ROTI, S4, TEC-Gradienten) umfasst. Zur Analyse werden Machine-Learning-Methoden wie Isolation Forest, One-Class SVM, Autoencoder sowie Deep-Learning-Zeitreihenmodelle (LSTM, CNN-LSTM) eingesetzt, um subtile Anomalien in komplexen und nicht-stationären Datensätzen zu erkennen.
Ergebnisse aus Fallstudien in seismisch aktiven Regionen zeigen, dass signifikante TEC-Anomalien bereits 2–5 Tage vor Erdbebenereignissen detektiert werden können. Zur Reduktion von Fehlalarmen werden Weltraumwetterparameter explizit berücksichtigt, um zwischen seismisch bedingten und solarterrestrischen Effekten zu unterscheiden.
Das vorgestellte System verdeutlicht das Potenzial KI-gestützter GNSS-Analysen für das Georisikomanagement und trägt zur Weiterentwicklung zukünftiger Frühwarnsysteme im Kontext der Beobachtung des Erdsystems bei.
