Eine Synthese seismischer Forschung zeigt, dass künstliche Intelligenz in Kombination mit physikalischen Prinzipien die Art und Weise, wie Wissenschaftler die flachen und krustalen Strukturen der Erde abbilden, rasch verändert. Durch die Einbettung von KI in den gesamten Arbeitsablauf der Oberflächenwellenanalyse – von der automatischen Signalextraktion über die Inversion bis zur Interpretation – demonstrieren Forscher erhebliche Gewinne in Geschwindigkeit, Konsistenz und Skalierbarkeit. Gleichzeitig warnt die Studie, dass rein datengetriebene Modelle Ergebnisse liefern können, denen die physikalische Bedeutung fehlt, selbst wenn sie genau erscheinen.
Oberflächenwellenmethoden werden häufig zur Untersuchung von Untergrundstrukturen eingesetzt, da die Wellendispersion Frequenz und Tiefe natürlich verknüpft. Dennoch bleiben traditionelle Arbeitsabläufe langsam, subjektiv und rechenintensiv, da sie stark auf manuelle Interpretation und iterative Inversion angewiesen sind. Diese Herausforderungen schränken ihren Einsatz in dichten Überwachungsnetzen und zeitkritischen Ingenieuranwendungen ein. Künstliche Intelligenz hat sich als leistungsfähige Alternative etabliert, die Automatisierung und dramatische Beschleunigungen ermöglicht. Viele KI-basierte Ansätze funktionieren jedoch als Blackbox, was Bedenken hinsichtlich physikalischer Zuverlässigkeit und Generalisierbarkeit über verschiedene geologische Gegebenheiten hinweg aufwirft.
In einer am 28. November 2025 in Big Data and Earth System veröffentlichten Übersichtsarbeit untersuchen Forscher der Zhejiang University of Technology, der Zhejiang University und der Anhui University of Science and Technology, wie künstliche Intelligenz seismische Oberflächenwellenmethoden neu gestaltet. Der Artikel gibt einen Überblick über jüngste Fortschritte in automatisierter Dispersionsanalyse, Deep-Learning-basierter Inversion, physikgestützter Modellierung und erklärbarer KI. Durch den systematischen Vergleich datengetriebener Sensitivitätsmuster mit klassischer seismischer Theorie bewerten die Autoren sowohl das Potenzial als auch die aktuellen Grenzen KI-gestützter seismischer Bildgebung.
Die Übersichtsarbeit zeigt, dass KI nahezu jeden Schritt der Oberflächenwellenanalyse verändert hat. Deep-Learning-Modelle können heute automatisch Dispersionsinformationen aus komplexen seismischen Daten extrahieren, wodurch zeitaufwändiges manuelles Picking entfällt. Einmal trainiert, können neuronale Netze Dispersionsmessungen weit schneller in Scherwellengeschwindigkeitsmodelle invertieren als traditionelle Optimierungsmethoden, was großflächige Bildgebung praktikabel macht. Entscheidend ist, dass die Studie betont, dass Geschwindigkeit allein nicht ausreicht. Durch den Vergleich netzwerkbasierter Jacobi-Matrizen mit klassischen physikalischen Sensitivitätskernen zeigen die Autoren, dass einige KI-Modelle auf statistischen Korrelationen statt auf physikalisch sinnvollen Tiefen-Frequenz-Beziehungen basieren. Diese Diskrepanz kann zu irreführenden Interpretationen führen, insbesondere in schlecht eingegrenzten Tiefenbereichen.
Die Übersichtsarbeit hebt auch neu entstehende Lösungen hervor. Physikgestützte und physikinspirierte Modelle integrieren geologisches Wissen oder zugrunde liegende Gleichungen in das Netzwerkdesign, was Stabilität und Interpretierbarkeit verbessert. Eine vorgestellte Fallstudie zeigt, wie KI-gestützte Merkmalsanalyse helfen kann, unterirdische Karsthohlräume aus seismischen Geschwindigkeitsmodellen objektiver zu identifizieren als manuelle Inspektion. Zusammengenommen zeigen diese Ergebnisse, dass KI am leistungsfähigsten ist, wenn sie physikalisches Verständnis ergänzt – nicht ersetzt.
„KI hat eindeutig verändert, was in der seismischen Bildgebung rechnerisch möglich ist, aber Genauigkeit allein reicht nicht aus“, merken die Autoren an. „Ohne physikalische Konsistenz können schnelle Ergebnisse immer noch irreführend sein. Unser Vergleich zwischen datengetriebenen und physikalischen Sensitivitäten zeigt, warum Interpretierbarkeit ein Kernbestandteil KI-basierter Inversion werden muss. Physikgestütztes Lernen bietet einen praktischen Weg nach vorn, der es KI-Modellen ermöglicht, effizient zu bleiben und gleichzeitig die grundlegenden Beziehungen zu bewahren, die die Wellenausbreitung bestimmen.“
Physikgestützte KI-Oberflächenwellenmethoden könnten Anwendungen von der urbanen Gefährdungsbewertung und Infrastrukturplanung bis hin zu Grundwasserüberwachung und Umweltstudien erheblich verbessern. Schnellere, automatisierte Arbeitsabläufe ermöglichen nahezu Echtzeitanalysen aus dichten Sensornetzwerken, einschließlich neuartiger verteilter akustischer Erfassungssysteme. Gleichzeitig helfen interpretierbare KI-Modelle Praktikern, Unsicherheiten zu erkennen und Übervertrauen in automatisierte Ergebnisse zu vermeiden. Während sich standardisierte Datensätze und physikalisch informierte Architekturen weiterentwickeln, ist KI-gestützte seismische Bildgebung bereit, von experimenteller Innovation zu routinemäßiger, zuverlässiger Praxis in den Geowissenschaften und im Ingenieurwesen überzugehen.
