Mustererkennung mit Neuralen Netzen zur Klassifizierung geophysikalischer Modellstrukturen am Beispiel aeroelektromagnetischer Meßdaten

Ziel der angewandten Geophysik ist, unter Anwendung verschiedener Meßverfahren, eine möglichst realistische Modellierung der geologischen Verhältnisse. Das heißt, man versucht Modelle des physikalischen Aufbaues des Untergrundes zu entwickeln, welche dann als geologische Strukturen interpretiert werden können. Um physikalische Modelle des Untergrundes entwickeln zu können, werden im zu untersuchenden Gebiet eine Vielzahl von geophysikalischen Messungen durchgeführt. Aus den Daten, welche bei den verschiedenen Messungen erhoben werden, wobei es zunächst belanglos ist, welcher Art diese Messungen sind und um welche Meßgrößen es sich handelt, werden im Folgenden verschiedenen physikalische Parameter des Untergrundes bestimmt. Erst bei der gemeinsamen Interpretation dieser physikalischen Parameter wird ein physikalisches Modell des Untergrundes entwickelt. Diese gleichzeitige Interpretation mehrerer physikalischer Parameter ist jedoch oft sehr schwierig und erfordert Verständnis für physikalische Zusammenhänge und viel Erfahrung. Im Rahmen des beantragten Projektes ist daher die Realisierung einer automatischen Klassifizierung bestimmter, sehr häufig vorkommender physikalischer Modelle unmittelbar aus den Meßdaten unter Verwendung von Neuralen Netzen geplant. Eine derartige Erkennung bzw. Unterscheidung physikalischer Modelle würde die Durchsichtigkeit der Ergebnisse geophysikalischer Messungen wesentlich erhöhen und sie damit auch Außenstehenden leichter zugänglich machen. Als Meßdaten sollen im vorliegenden Fall die Ergebnisse von aeroelektromagnetischen Messungen herangezogen werden.