Blog

Aug 21, 2023

Identifizierung von Angriffen in Russland

Nature (2023)Diesen Artikel zitieren 2408 Zugriffe auf 64 altmetrische Metrikdetails Seismometer werden von der Forschungsgemeinschaft im Allgemeinen zur Untersuchung lokaler oder entfernter Erdbeben verwendet, aber Seismogramme enthalten auch

Natur (2023)Diesen Artikel zitieren

2408 Zugriffe

64 Altmetrisch

Details zu den Metriken

Seismometer werden von der Forschungsgemeinschaft im Allgemeinen zur Untersuchung lokaler oder entfernter Erdbeben eingesetzt. Seismogramme enthalten jedoch auch kritische Beobachtungen regionaler1,2 und globaler Explosionen3, die zum besseren Verständnis von Konflikten und zur Identifizierung potenzieller Verstöße gegen internationales Recht genutzt werden können. Obwohl das Internationale Überwachungssystem4 seismische, Infraschall- und hydroakustische Technologien zur Überwachung nuklearer Explosionen im Rahmen des Vertrags über das umfassende Verbot von Nuklearversuchen einsetzt, erfordert die Erkennung und Lokalisierung von militärischen Angriffen geringerer Ausbeute ein Netzwerk von Sensoren, die viel näher an der Quelle liegen der Explosionen. Die Beschaffung umfassender und objektiver Daten, die zur wirksamen Überwachung einer aktiven Konfliktzone genutzt werden können, bleibt daher eine erhebliche Herausforderung. Hier zeigen wir, wie seismische Wellen, die durch Explosionen in der Nordukraine erzeugt und von einem lokalen Netzwerk von Seismometern aufgezeichnet werden, genutzt werden können, um einzelne Angriffe nahezu in Echtzeit automatisch zu identifizieren und so einen beispiellosen Blick auf eine aktive Konfliktzone zu ermöglichen. Zwischen Februar und November 2022 haben wir mehr als 1.200 Explosionen in den Provinzen Kiew, Schytomyr und Tschernihiw beobachtet und dabei genaue Ursprungszeiten, Orte und Ausmaße angegeben. Wir identifizieren eine Reihe seismoakustischer Signale, die mit verschiedenen Arten militärischer Angriffe verbunden sind, wobei der daraus resultierende Explosionskatalog die Zahl der öffentlich gemeldeten Angriffe bei weitem übersteigt. Unsere Ergebnisse zeigen, dass seismische Daten ein wirksames Instrument zur objektiven Überwachung eines anhaltenden Konflikts sein können und unschätzbare Informationen über mögliche Verstöße gegen das Völkerrecht liefern.

Obwohl Medienberichte die mit dem Krieg in der Ukraine verbundenen Verwüstungen zeigen, ist es eine große Herausforderung, sich einen umfassenden und unvoreingenommenen Überblick über die anhaltenden militärischen Angriffe zu verschaffen. Social-Media-Beiträge und traditionelle Medien können allesamt subjektiv sein und werden tatsächlich häufig zum Zweck der Fehlinformation und Propaganda manipuliert. Ein vollständigeres und objektiveres Bild, das genau zeigt, wo und wann Angriffe stattfinden, ist von entscheidender Bedeutung, um ein klares Verständnis für das Ausmaß eines Konflikts und seinen Fortschritt zu entwickeln und mögliche Verstöße gegen das Völkerrecht zu erkennen.

Satellitenbilder haben sich als wirksames Mittel zur Bereitstellung hochauflösender Bilder militärischer Angriffe in der Ukraine erwiesen. Solche Daten sind nun für die Öffentlichkeit zugänglich5 und tragen zur Unterstützung der entstehenden Open-Source-Geheimdienstgemeinschaft bei. Obwohl offene Satellitenbilder eine hohe räumliche Auflösung bieten können, sind Vorkenntnisse über den Zeitpunkt und den Ort der Bilder erforderlich. Die Bereitstellung einer umfassenden Abdeckung einer großen Region in Echtzeit übersteigt die Möglichkeiten dieser Technologie und weist daher die Unvollständigkeit auf, mit der herkömmliche Berichte zu kämpfen haben.

Doch Satellitenbilder sind nicht die einzige Quelle objektiver Konfliktdaten. Die durch eine Explosion erzeugten seismischen Wellen und Schallwellen können sich über Hunderte von Kilometern mit Geschwindigkeiten von bis zu etwa 8 km s−1 im Boden und etwa 0,34 km s−1 in der Luft ausbreiten. Diese Signale können von Seismometern und Mikrobarometern mit hohen Abtastraten (typischerweise zwischen 40 und 200 Hz) aufgezeichnet werden, was dabei helfen kann, einen Konflikt in Echtzeit zu überwachen. Akustische und seismische Entfernungsmessungsmethoden wurden bereits seit dem Ersten Weltkrieg zur Ortung von Artilleriepositionen eingesetzt und waren von grundlegender Bedeutung für die Entwicklung moderner seismischer Erkundungsmethoden6,7,8. Seitdem haben sich Methoden weiterentwickelt, die sich entweder auf die Lokalisierung von Artilleriepositionen und Einschlagbereichen mithilfe akustischer Sensoren aus experimentellen Datensätzen konzentrieren9 oder auf die Ableitung von Eigenschaften einzelner großer Explosionen1,2,10. Die Echtzeitanalyse seismischer und akustischer Signale eines aktiven militärischen Konflikts fehlt jedoch in der Literatur bislang, was teilweise auf einen Mangel an geeigneten Daten zurückzuführen ist.

Die Verfügbarkeit seismischer und Infraschalldaten ist jedoch mittlerweile am höchsten. Das International Monitoring System (IMS), ein globales Netzwerk zur Erkennung nuklearer Explosionen im Rahmen des Vertrags über das umfassende Verbot von Nuklearversuchen, verfügt mittlerweile über mehr als 200 seismische und Infraschallstationen zusammen4. Ebenso ist die Zahl der öffentlich verfügbaren Daten, die zur Überwachung und Erforschung von Erdbeben und dem Erdinneren verwendet werden, umfangreich und wächst weiter11. Diese Sensoren können zur Konfliktüberwachung eingesetzt werden, wobei die Leistungsfähigkeit eines solchen Netzwerks von der Nähe der Sensoren zur überwachten Region, der Größe der Explosionen und der Qualität der Energieübertragung abhängt.

Ungefähr 100 km nordwestlich von Kiew, Ukraine, verfügt das IMS über ein seismisches Array, das vom Ukrainischen Nationalen Datenzentrum betrieben wird und die Bezeichnung Malyn AKASG (Vertragscode: PS45) trägt. Es umfasst 23 Vertikalkomponenten-Breitbandseismometer und ein einzelnes Dreikomponenten-Breitbandseismometer mit einer Apertur von etwa 27 km, wobei zwischen den einzelnen Sensoren etwa 2 km liegen.

Das beabsichtigte Design war für die Erkennung von Atomtests in teleseismischen Entfernungen (>3.300 km) mit klassischen Array-Verarbeitungstechniken vorgesehen. Unter der Annahme, dass die eintreffenden Wellenfronten planar sind und aus Abständen stammen, die viel größer als die Array-Apertur sind, werden kohärente Signale über das Array gestapelt, um das Signal-Rausch-Verhältnis zu verbessern, während die Zeitverzögerungen zwischen den einzelnen Array-Elementen zur Schätzung verwendet werden die Richtung einer einfallenden Wellenfront12. Um das Array auf die Erkennung lokaler und regionaler seismischer Aktivitäten auszurichten, müssen wir die klassische Annahme einer ebenen Welle aufgeben und Beobachtungen einzelner Seismometer verwenden, um Ereignisse in der Nähe des Arrays genau zu lokalisieren. Aufgrund der großen räumlichen Reichweite und der hohen Sensorzahl bietet das Malyn-Array eine einzigartige Möglichkeit zur Überwachung konfliktbedingter Explosionen in den Provinzen Schytomyr, Kiew und Tschernihiw im Norden der Ukraine.

Wir haben eine kontinuierliche Überwachungslösung implementiert, die Explosionen anhand der am Malyn-Array aufgezeichneten seismischen Signale automatisch erkennen und lokalisieren kann. Die Daten werden kontinuierlich an das Internationale Datenzentrum (IDC) in Wien und von dort nach Norwegen zur automatischen Verarbeitung übermittelt, wodurch Ergebnisse nahezu in Echtzeit generiert werden. Unsere Implementierung basiert auf einer Methodik zur automatischen Erkennung und Lokalisierung mikroseismischer Aktivität13 unter Verwendung eines Migrations-/Stapelansatzes14,15,16, der auf charakteristische Funktionen des Kurzzeitdurchschnitts-zu-Langzeitdurchschnittsamplitudenverhältnisses (STA/LTA) angewendet wird, die auf die Erkennung zugeschnitten sind P-Wellen- und S-Wellen-Signale an jedem Sensor (Methoden). Obwohl wir Signale von akustischen Luft-Boden-Wellen beobachten, lassen wir diese Signale zunächst aus dem automatischen Ortungsalgorithmus aus, da sie selten beobachtet werden und ihre weniger impulsiven Signale zu einer höheren Anzahl falscher Erkennungen und einer verringerten Empfindlichkeit des Erkennungsalgorithmus führen. Für die seismischen Signale können wir jedoch hochpräzise Ereignisorte und Zeitangaben für die Region nordwestlich von Kiew erstellen und so die Entwicklung des Konflikts mit beispielloser Genauigkeit beobachten.

Obwohl Mündungsfeuer, ballistische Stoßwellen und die Aufpralldetonation alle Infraschallenergie erzeugen können9, ist es am wahrscheinlichsten, dass nur die Aufpralldetonation ausreichend seismische Energie erzeugt, die in den von uns überwachten Entfernungen beobachtet werden kann17,18. Die Infraschallwellen, die wir an den Seismometern beobachten und aus der Luft-Boden-Kopplung resultieren, bewegen sich mit viel geringeren Geschwindigkeiten als die seismischen Wellen, was sicherstellt, dass sie unseren seismischen Erkennungsalgorithmus nicht negativ beeinflussen. Wir sind daher zuversichtlich, dass es sich bei unseren Entdeckungen höchstwahrscheinlich um Einschlagexplosionen handelt.

Wir haben vom 24. Februar bis 3. November 2022 automatisch 1.282 Explosionen in einer Region von etwa 300 km × 222 km rund um das Malyn-Gebirge entdeckt und lokalisiert, einschließlich Teilen der Provinzen Schytomyr, Kiew und Tschernihiw (Abb. 1). Ein Video der erkannten Explosionen finden Sie in den Zusatzinformationen. Aufgrund der Detektionsverzerrung in der Nähe des Arrays nimmt die Vollständigkeit mit zunehmender Entfernung vom Array ab, was bedeutet, dass Explosionen mit der geringsten Stärke an Orten wie Tschernihiw, das etwa 170 km vom Array entfernt ist, nicht erkannt werden können. Um eine Basis für die Erkennung zu schaffen, haben wir auch Daten vor Kriegsbeginn, ab dem 1. Januar 2022, verarbeitet, was unseren Katalog um weitere 53 Explosionen am Tag erweitert, die mit Bergbau- und Steinbruchaktivitäten in der Region in Zusammenhang stehen (Abb. 2). Nach der Invasion beobachten wir Cluster von Aktivitäten rund um die Ballungsräume Schytomyr, Korosten, nordwestlich von Kiew, Tschernihiw und Malyn. Die auffälligste Aktivität findet nordöstlich von Malyn statt, was – obwohl es sich um eine Region mit hoher Detektionsfähigkeit handelt – auch mit einer Region intensiver Kämpfe an den Grenzen des von Russland kontrollierten Gebiets Ende Februar und März zusammenfällt. Zwischen dem 24. Februar und dem 31. März beobachten wir durchschnittlich 29 detektierte Explosionen pro Tag, mit der höchsten Aktivität am 7. März, für den 64 Explosionen identifiziert wurden. Das von Russland kontrollierte Gebiet in der Region dehnte sich bis zum 21. März aus, danach kam es angeblich zu ukrainischen Gegenoffensiven, bevor am 2. April der endgültige russische Rückzug aus der Region Kiew gemeldet wurde (Ref. 19). Das letzte schwere Bombardement beobachten wir am 31. März, wobei am 1. April lediglich zwei Explosionen festgestellt wurden. Nach dem gemeldeten Rückzug Russlands kehrt die Hintergrundaktivität mit der Wiederaufnahme einiger Bergbauaktivitäten weitgehend auf das Niveau vor der Invasion zurück. Allerdings kommt es weiterhin sporadisch zu gezielten Angriffen an strategischen Standorten. Der Verlauf von Bergbauexplosionen vor der Invasion zu intensiven militärischen Angriffen, die dem Vormarsch des russischen Militärs entsprechen, gefolgt von seltenen, aber gezielten Angriffen, kann in Abb. 3 beobachtet werden.

Entdeckungen werden nach Datum des Auftretens eingefärbt und nach Ausmaß skaliert. Funde vor Beginn der Invasion am 24. Februar sind grau dargestellt. Die Standorte einzelner seismischer Sensoren des Malyn-Arrays werden durch weiße Dreiecke angezeigt. Der Standort des Kernkraftwerks Tschernobyl ist angegeben. Maßstabsleiste, 50 km.

Die Histogrammverteilung trennt die täglichen Erkennungen während der Nacht (blau) und tagsüber (grün). Die schwarze Linie zeigt die kumulierte Anzahl der Erkennungen, während die rote Linie die kumulativen Ereignisse mit wahrnehmbaren akustischen Signalen zeigt. Die kumulierte Anzahl der gemeldeten Liveuamap-Ereignisse wird durch die orangefarbene Linie angezeigt. Der Beginn der russischen Invasion wird durch die gestrichelte rote Linie angezeigt und der gemeldete russische Rückzug aus der Region Kiew wird durch die gepunktete rote Linie dargestellt. Beschriftete Pfeile weisen auf bestimmte Beispielangriffe hin, die in Abb. 4 dargestellt sind.

Einzelne Erkennungen werden durch blaue (nachts) und grüne (tagsüber) Punkte angezeigt. Der Standort des seismischen Malyn-Arrays wird durch die weißen Dreiecke angezeigt. Jedes Panel wird auf seinen Maximalwert skaliert. a, Zeitraum vor der Invasion vom 1. Januar bis 23. Februar 2022, mit einer maximalen Ereignisdichte von 0,09 Ereignissen km−2. b, Unmittelbar nach der russischen Invasion vom 24. Februar bis 6. März 2022, mit einer maximalen Ereignisdichte von 0,11 Ereignissen km−2. c, Zeitraum intensiver Kämpfe vom 7. März bis 5. April 2022 mit einer maximalen Ereignisdichte von 0,73 Ereignissen km−2. d, Zeitraum nach dem gemeldeten russischen Abzug (2. April 2022) vom 6. April bis 3. November 2022, mit einer maximalen Ereignisdichte von 0,25 Ereignissen km−2. Die grau schattierten Bereiche in b und c kennzeichnen die von russischen Truppen besetzten Gebiete. Maßstabsbalken, 50 km.

Die meisten Explosionen im Zusammenhang mit einem militärischen Konflikt ereignen sich auf oder über dem Boden und geben den größten Teil ihrer Energie an die Atmosphäre ab. Die resultierenden akustischen Wellen stellen wichtige Einschränkungen für die Parameter der Explosionsquelle dar20. Obwohl wir uns dafür entscheiden, die akustischen Wellen in unserem automatischen Ortungsalgorithmus wegzulassen, können wir dennoch versuchen, diese Ankünfte auf der Grundlage der seismischen Erkennungen zu identifizieren. Indem wir die seismische Hülle in einem Zeitfenster stapelten, das durch Wellen, die sich mit Schallgeschwindigkeit ausbreiten, eingeschränkt wurde (Methoden), identifizierten wir klare akustische Signaturen für 29 % der seismischen Ereignisse (rote Linie in Abb. 2 und grüne Punkte in Abb. 4f). ist in der Lage, sowohl räumliche als auch zeitliche Ereignisinformationen weiter einzuschränken (Einschubkarten in Abb. 4a, e). Das Fehlen akustischer Wellen bei den meisten Ereignissen lässt sich teilweise durch die Wahl der akustischen Erkennungsschwelle, die Absorptions- und Streuprozesse, die bei hohen Frequenzen auftreten, und das Fehlen von Windwellenleitern in Bodennähe erklären, die verhindern, dass akustische Energie übertragen wird sich effizient entlang der Oberfläche ausbreiten21. Es ist auch erwähnenswert, dass nicht alle in den Wellenformdaten beobachteten Explosionen seismische Ankünfte aufweisen und einige Ereignisse nur anhand ihrer akustischen Signatur erkennbar sind. Bei solchen Ereignissen handelt es sich höchstwahrscheinlich um Explosionen in größerer Höhe, in größerer Entfernung von der Quelle (>100 km) oder mit geringerer Ausbeute. Diese Beobachtungen verdeutlichen, dass sowohl akustische als auch seismische Überwachung eine wichtige Rolle bei der Konfliktüberwachung spielen können.

a, Angriff auf den Flughafen Hostomel. b, Eine Explosion in einem Öldepot in Tschernjachiw. c, Ein Luftangriff auf Tschernihiw, die größte jemals aufgezeichnete militärische Explosion. d, Eine nicht gemeldete Explosion nordöstlich von Malyn. e, Ein Raketenangriff auf den Bahnhof Malyn. Ausgewählte Wellenformen werden in verschiedenen Entfernungsbereichen von der Quelle angezeigt. Ein Spektrogrammbeispiel pro Ereignis wird unterhalb der Wellenform der jeweiligen Station angezeigt. P-Welle (P), S-Welle (S), akustische Welle (IS) und Oberflächenwelle (Rg) sind durch Pfeile in Blau, Rot, Grün bzw. Gelb gekennzeichnet. Ereignisgrößen werden angezeigt. Eingefügte Karten in a und e (Maßstabsbalken, 1 km) zeigen den automatischen Ereignisort (roter Stern) und den manuellen Ereignisort einschließlich akustischer Ankünfte (grüner Stern) im Vergleich zum tatsächlichen Standort (gelber Kreis). Diese Orte sind in der erweiterten Datentabelle 2 aufgeführt. f, Karte mit den beispielhaften Ereignisorten als rote Kreise und der Beschriftung A–E. Grüne Kreise zeigen alle Ereignisse mit erkannten akustischen Ankünften und graue Kreise ohne beobachtbare akustische Ankünfte. Maßstabsleiste, 50 km.

Ein Teil des Werts der erkannten Explosionen liegt darin, dass sie entweder zur Validierung gemeldeter Explosionen oder zur Bereitstellung völlig neuer Informationen für nicht gemeldete Explosionen verwendet werden können. Beispielsweise veröffentlichte der Bürgermeister von Malyn (100 km nordwestlich von Kiew) am Freitag, dem 20. Mai, um 09:37 UTC eine Videobotschaft, in der es hieß, dass es einen Raketenangriff auf die Stadt gegeben habe. Später in den Medien veröffentlichte Fotos zeigten Schäden an den Bahngleisen und Berichten des russischen Verteidigungsministeriums zufolge wurde der Bahnhof gezielt angegriffen22. Fast 4 Stunden vor diesen Berichten hatten wir um 05:39:59, 05:40:11 und 05:40:23 UTC automatisch drei gleichzeitig lokalisierte Explosionen identifiziert. Obwohl unsere automatische Standortschätzung 1,4 km vom resultierenden Krater entfernt war, konnte die manuelle Analyse der Signale sie bis auf 100 m von diesem Ort aus lokalisieren (Abb. 4e und erweiterte Datentabelle 2).

Weitere Explosionsbeispiele mit unterschiedlichen Wellenformeigenschaften sind in Abb. 4 dargestellt: Der Angriff auf den Flughafen Hostomel (Abb. 4a) zeigt auch beobachtbare Infraschallankünfte, die zur Verbesserung des Ereignisorts verwendet werden können, und Beispiele in Abb. 4b–d zeigen Ereignisse ohne beobachtbare Akustik Ankünfte. Beispielspektrogramme zeigen deutliche Unterschiede zwischen verschiedenen Phaseneingängen, einschließlich der dispersiven Natur des Eintreffens der Oberflächenwelle (Rg).

Um unseren Explosionskatalog mit öffentlich gemeldeten Angriffen zu vergleichen, haben wir Konfliktdaten der Live Universal Awareness Map (Liveuamap; https://liveuamap.com/) in derselben Region gesammelt (Methoden). Diese Plattform bündelt mithilfe künstlicher Intelligenz gemeldete Ereignisse verschiedener Medien und manuell verifiziert. Wir stellen einen sehr ähnlichen Trend in der Zeitleiste der gemeldeten Ereignisse im Vergleich zum Explosionskatalog fest, mit Aktivitätsspitzen sowohl nach der ersten Invasion als auch bei spezifischen gezielten Angriffen nach dem russischen Rückzug aus der Region im April 2022 (Abb. 2). Mit Ausnahme von drei Tagen (25.–27. Februar 2022) übersteigt die Zahl der erkannten Explosionen stets die Zahl der gemeldeten Angriffe in dieser Region im aktivsten Zeitraum (Februar–März). Trotz der allgemeinen Übereinstimmung zwischen gemeldeten und seismischen Ereignissen ist anzumerken, dass sowohl hinsichtlich des Zeitpunkts als auch der Orte der gemeldeten Daten große Unsicherheiten bestehen, da diese im Allgemeinen auf anekdotischen Datenquellen basieren.

Wie alle automatischen Erkennungsalgorithmen ist auch unsere Methode nicht von Fehlerkennungen verschont. Wir haben einen festen Erkennungsschwellenwert verwendet, der relativ niedrig gehalten wurde, um die tatsächlichen Erkennungsraten zu verbessern, allerdings auf Kosten von mehr falsch positiven Ergebnissen. Zu den Falsch-Positiv-Signalen gehören große Signale von Ereignissen, die ihren Ursprung außerhalb unserer Überwachungsregion haben, wie etwa entfernte Erdbeben oder Explosionen, die eine ausreichende Kohärenz bieten, um Alias-Standorte in unserer Überwachungsregion zu generieren. Darüber hinaus können bei der Aufzeichnung mehrerer Explosionen in kurzer Folge die Signale der verschiedenen Explosionen fälschlicherweise den verschiedenen Ereignissen zugeordnet werden, was sowohl zu einer Fehlerkennung der Anzahl der Explosionen als auch zur Entstehung von Fehlortungen führt. Solche falsch-positiven Ergebnisse können teilweise durch Vorverarbeitungsschritte und eine sorgfältige Parameterauswahl abgemildert werden, unterliegen aber auch dem gleichen Kompromiss zwischen Erkennbarkeit und falsch-positiver Erkennung. Daher führten wir eine weitere manuelle Überprüfung der automatischen Ergebnisse durch, um die Anzahl falsch positiver Ergebnisse zu reduzieren.

Die Schätzung der Sprengkraft aus seismischen Daten ist ein anspruchsvolles Forschungsgebiet mit zahlreichen Ansätzen, die sowohl auf empirischen Beobachtungen als auch auf physikbasierten Modellen basieren23,24,25. Neuere Methoden, die sowohl seismische als auch akustische Beobachtungen26 kombinieren, sind vielversprechend bei der Bestimmung der Ausbeute und der Höhe von Explosionen. Da das Malyn-Array jedoch vertikale Komponentendaten für alle Standorte außer einem einzigen umfasst, sind wir in unserem Ansatz eingeschränkt. Wir konzentrieren uns auf die schnelle Bewertung der Explosionsstärke durch die automatische Berechnung seismischer Größenordnungen (Methoden). Für unterirdische Kernexplosionen an bestimmten Teststandorten sind empirische Beziehungen zwischen der Sprengkraft und der seismischen Stärke gut etabliert27,28,29, diese können jedoch schlechte Analogien für Oberflächenexplosionen sein, bei denen es erhebliche Unterschiede in der Kopplung und Energieausbreitung gibt. Zusammen mit einem Katalog landgestützter Explosionen mit bekannter Ausbeute30 schätzen wir jedoch die Ober- und Untergrenze der Ausbeute für jede Größenordnung. Wir beobachten automatisierte lokale Größen zwischen −1,25 und 2,24 (Abb. 1). Stichproben der automatisierten Magnituden mittels manueller Analyse liefern konsistente Werte innerhalb von etwa 0,3 Magnitudeneinheiten, obwohl die Schätzungen für niedrigere Magnituden in der manuellen Analyse eher bei −0,6 zu liegen scheinen, was einer Sprengstoffausbeute zwischen 0,03 und 9,00 kg TNT entspricht. Zum Vergleich: Die Sprengkraft eines OF45-152-mm-Projektils, das von russischen Haubitzen verwendet wird, beträgt 7,65 kg TNT31, was darauf hindeutet, dass die obere Schätzung realistischer ist. Die größten Ereignisse (M > 1,7) stehen im Zusammenhang mit Bergbau- und Steinbruchaktivitäten in der Nähe von Korosten (Abb. 1). Die größte Explosion, die eindeutig einem militärischen Angriff zugeordnet werden kann, hat eine Stärke von 1,7 und entspricht einem Luftangriff auf Tschernihiw am 10. März 2022 (Abb. 4c). Die Sprengkraft dieser Explosion wird auf 352 bis 3.083 kg geschätzt. Wenn man bedenkt, dass eine ballistische Iskander-Rakete eine Sprengkraft von etwa 700 kg hat (Ref. 32), ist unsere Schätzung der maximalen Sprengkraft viel zu hoch, aber die niedrigere Schätzung ist für einen solchen Luftangriff sicherlich machbar. Um Ertragsschätzungen weiter zu verbessern, leiten wir auch unabhängige Ertragsschätzungen aus akustischen Phasenamplituden ab (Methoden). Akustikbasierte Vorhersagemodelle33 führen jedoch zu noch höheren Erträgen, was die Notwendigkeit von Ertragskalibrierungsexperimenten unterstreicht.

Die Analyse seismischer Daten, die während des Russland-Ukraine-Krieges 2022 gesammelt wurden, hat den ersten bekannten Fall gezeigt, in dem seismische Daten zur Überwachung eines Konflikts nahezu in Echtzeit verwendet wurden. Die Verteilung der detektierten militärisch bedingten Explosionen entspricht gut Zonen intensiver militärischer Aktivität oder einzelner Artillerie- und Raketenangriffe. Obwohl unser Explosionskatalog nicht erschöpfend ist, weisen wir eine Vollständigkeit auf, die die Anzahl der öffentlich gemeldeten Angriffe übertrifft, und demonstrieren seinen Wert sowohl bei der Berichtsüberprüfung als auch als Originaldatenquelle. Unsere automatische Methode zur seismischen Phasenerkennung liefert genaue räumliche (<5 km Fehler) und zeitliche (<1 s Fehler) Informationen über regionale Ereignisse in der Nordukraine (<100 km vom Malyn-Array entfernt). Die automatische Erkennung und Analyse akustischer Phasen in der Nachbearbeitung ermöglicht eine weitere Verbesserung der räumlichen Genauigkeit. Die gleiche Methodik kann auf andere Arrays oder dichte Sensornetzwerke in der Nähe von Konflikten angewendet werden. Dieser einzigartige Datensatz bietet auch die Möglichkeit zur automatischen Charakterisierung von Artillerie- oder Munitionstypen, was eine bessere Untersuchung des Konflikts ermöglicht und dabei hilft, Verstöße gegen das Völkerrecht festzustellen.

Die Erkennung von Explosionen in dieser Studie (Ergänzungstabelle 1) wurde anhand von Daten durchgeführt, die an der ukrainischen primären seismischen Station des IMS gesammelt wurden, die im Rahmen der Organisation des Vertrags über das umfassende Verbot von Nuklearversuchen (CTBTO) betrieben wird. Die Station wird als Malyn AKASG mit dem Vertragscode PS45 bezeichnet. Einzelheiten zu allen 24 Sensoren in diesem seismischen Array sind in der Ergänzungstabelle 2 aufgeführt.

Die von uns zur Erkennung seismischer Ereignisse verwendete Methodik basiert auf dem QuakeMigrate-Softwarepaket13, das für die automatische Erkennung und Lokalisierung von Erdbeben mithilfe von Wellenformmigration und -stapelung entwickelt wurde. Unter Verwendung kontinuierlicher seismischer Daten, die auf dem Malyn-Seismik-Array aufgezeichnet wurden, wandeln wir die Daten an jedem Sensor (und jedem Kanal im Fall des Dreikomponentensensors AKBB) in Onset-Funktionen um, wobei wir STA/LTA verwenden, um die Identifizierung von P-Wellen oder S-Wellen zu erleichtern. seismische Wellenankünfte. Für die Erkennung von P-Wellen verwenden wir zunächst einen zweipoligen Butterworth-Bandpassfilter mit Eckfrequenzen von 6 und 16 Hz, während wir für die Erkennung von S-Wellen ein Frequenzband zwischen 6 und 14 Hz verwenden. Für beide Phasen verwenden wir ein STA-Fenster von 0,3 s und ein LTA-Fenster von 3 s. Mithilfe einer Nachschlagetabelle vorberechneter seismischer Laufzeiten migrieren und stapeln wir diese Onset-Funktionen in jedem Zeitschritt über ein Raster von Kandidatenstandorten. Bei einer Explosion, die erfolgreich im seismischen Netzwerk aufgezeichnet wurde, summieren sich die Amplituden der Onset-Funktionen kohärent (oder verschmelzen) für den Gitterpunkt, der dem Quellort entspricht, und den Zeitschritt, der dem Ursprungszeitpunkt der Explosion entspricht.

Unsere Gittersuche wird in zwei Dimensionen an der Erdoberfläche zwischen den Breitengraden 50° und 52° N und den Längengraden 28° und 32,3° E unter Verwendung eines Gitterabstands von 1 km durchgeführt. Die theoretischen P-Wellen- und S-Wellen-Laufzeiten für dieses Gitter werden mit einem Eikonal-Löser von NonLinLoc34 berechnet. Als Eingabe für den Eikonal-Löser verwenden wir ein 1D-Geschwindigkeitsmodell, das aus dem globalen 1 × 1-Grad-Krustenmodell CRUST1.0 (Ref. 35) auf einem Längengrad von 29,5° E und einem Breitengrad von 50,5° N extrahiert wurde (siehe Erweitert). Datentabelle 1).

Um Ereignisauslöser zu generieren, wenden wir einen statischen Erkennungsschwellenwert von 3,0 auf die in jedem Zeitschritt der Migration und Stapelung generierten Koaleszenzwerte an. Dieser Schwellenwert wurde bewusst niedrig gewählt, um eine hohe Erkennungsrate zu gewährleisten. Obwohl dieser Schwellenwert über dem Hintergrundrauschen liegt, generiert er auch viele Fehlalarme für Signale, die außerhalb unserer Rastersuche stammen und während der Migration in unseren Suchbereich verlagert werden. Um die Anzahl falsch-positiver Ereignisse zu reduzieren, entfernen wir alle Auslöser, deren Standorte ihren Ursprung in Weißrussland haben oder die innerhalb des Footprints des Arrays abgebildet sind, wodurch viele der falsch-positiven Ereignisse zu Aliasnamen werden.

Anschließend führen wir die Migration und das Stapeln der verbleibenden Trigger erneut durch, indem wir eine modifizierte STA/LTA-Funktion verwenden, die eine Gaußsche Funktion für die Onset-Funktionen besser annähert, was zu präziseren Ereignisorten und Ursprungszeiten führt. In dieser Phase werden auch automatische Größen berechnet. Eine abschließende manuelle Überprüfung der Ereignisse wird durchgeführt, indem sowohl die gefilterten Wellenformen mit ihren theoretischen Ankunftszeiten als auch die Migrationsbilder überprüft werden, die die Koaleszenzwerte zeigen, die auf unserem regionalen 2D-Gitter abgebildet sind. Bei dieser manuellen Überprüfung werden alle eindeutigen Fehlalarme aus dem Ereigniskatalog entfernt. Es ist zu beachten, dass bei einer höheren Erkennungsschwelle sowohl die räumliche Filterung als auch das manuelle Screening nicht erforderlich sind, die tatsächliche Erkennungsrate jedoch verringert würde. In einem nachfolgenden Abschnitt von „Methoden“ stellen wir eine Analyse der Nachweisempfindlichkeit für drei ausgewählte Tage vor.

Die Standortunsicherheit des Migrationsalgorithmus kann anhand der Migrationsbilder beurteilt werden, die für jedes Ereignis berechnet werden. Diese 2D-Bilder zeigen die Koaleszenzfunktion für ein bestimmtes Zeitfenster, die die Grundlage für den Ort und die Ursprungszeit jeder Erkennung bildet. Zunächst lohnt es sich, die theoretische Standortunsicherheit für verschiedene Standorte in unserem Zielgebiet zu berücksichtigen. Dies kann durch die Berechnung von Punktverteilungsfunktionen erreicht werden, um die Impulsantwort für die Migration anzuzeigen. Diese theoretische Reaktion wird durch die Bildgebungsfunktion, die Netzwerkgeometrie, das Geschwindigkeitsmodell, den Ereignisort und die seismischen Phasen beeinflusst, die wir zur Erzeugung unserer Bilder verwenden. Wir zeigen Punktverteilungsfunktionen für zwei Standorte mit sehr unterschiedlichen Abständen zum Array (weitere Standorte finden Sie in den Zusatzinformationen). Außerdem zeigen wir Beispiele beobachteter Explosionen an ähnlichen Orten, um den synthetischen Fall mit dem beobachteten zu vergleichen. In Extended Data Abb. 1 zeigen wir Punktverteilungsfunktionen und beobachtete Daten von Malyn, etwa 9 km von der AKBB-Referenzstation entfernt. In Extended Data Abb. 2 zeigen wir Beispiele aus Tschernihiw im Nordosten, das etwa 170 km von der AKBB-Referenzstation entfernt liegt. Um die Notwendigkeit und den Einfluss der Verwendung sowohl der P-Welle als auch der S-Welle bei der Migration zu veranschaulichen, berechnen wir Punktverteilungsfunktionen für drei Fälle: (1) wenn wir nur die P-Welle haben; (2) wenn wir nur die S-Welle haben; und (3) wenn wir sowohl die P-Welle als auch die S-Welle haben. Um die Standortunsicherheit innerhalb der Punktverteilungsfunktionen zu quantifizieren, haben wir Unsicherheitsellipsen basierend auf der Halbwertsbreite berechnet. Wir führen eine Hauptkomponentenanalyse für alle Punkte durch, die innerhalb von 50 % des Maximalwerts der Punktverteilungsfunktion liegen, um eine Unsicherheitsellipse zu generieren, die dann auf dem Bildmaximum zentriert ist. Ein solcher Ansatz hat seine Grenzen, wie die für die Tschernigow-Punktverteilungsfunktionen erzeugten Unsicherheitsellipsen zeigen (Erweiterte Daten, Abb. 1a). Für die Punktverteilungsfunktionen „Nur P-Welle“ und „Nur S-Welle“ werden die Werte innerhalb von 50 % des Maximums durch die Größe des Migrationsbereichs begrenzt, was zu einer künstlichen Reduzierung der Größe der Unsicherheitsellipse führt. Trotz dieser Einschränkung beobachten wir, dass die optimale Bildgebungsreaktion (sowohl mit P-Wellen als auch mit S-Wellen im gesamten Netzwerk) eine Standortgenauigkeit von 4,7 km (große Halbachse) für ein Ereignis in Tschernihiw und 2,9 km für ein Ereignis in Malyn liefert. bei dem der Abstand zum Array stark reduziert wird. Wir beobachten auch, dass mit nur einem einzigen Phasentyp (insbesondere nur der P-Welle) die Auflösung nicht ausreicht, um Ereignisse zu lokalisieren, insbesondere in großen Entfernungen oder im Nordwesten und Südosten des Arrays, wo die azimutale Abdeckung verringert ist. In den beobachteten Daten von Malyn (Erweiterte Daten, Abb. 1b) ist das resultierende Migrationsbild aufgrund der klaren P-Werte immer noch qualitativ hochpräzise, ​​obwohl das Rauschen jetzt zunimmt und epistemische Unsicherheiten in der Migration enthalten sind. Wellen- und S-Wellen-Einsätze in den Wellenformdaten. Für Tschernihiw zeigen wir beobachtete Daten (erweiterte Daten, Abb. 2b), die von viel schlechterer Qualität sind, mit weitaus weniger Impulssignalen und höherem Rauschen in den Wellenformdaten, was die für diesen Standort inhärente Bildauflösung weiter verschlechtert. Diese schlechtere Datenqualität ist auf die größere Entfernung vom Netzwerk, das einzelne Frequenzband, das auf alle Ereignisse im Bildgebungsbereich angewendet wird, und mögliche Pfadeffekte zurückzuführen. Obwohl wir eine hohe azimutale Unsicherheit beobachten, können wir die Entfernung dank der P-Wellen- und S-Wellen-Beobachtungen immer noch relativ gut eingrenzen.

Weitere beobachtete Beispiele aus unserem Veranstaltungskatalog zeigen wir in Extended Data Abb. 3, um den Einfluss von Standort und Datenqualität auf die Migrationsbilder zu demonstrieren. Beispielsweise zeigen wir in der erweiterten Datenabbildung 3a ein Ereignis, das typisch für die hohe Qualität ist, die wir in der Region bis zu 50 km nordöstlich des Arrays beobachten. Dadurch entsteht ein hochauflösendes Migrationsbild. Zum Vergleich zeigen wir in Extended Data Abb. 3b auch ein Ereignis mit viel geringerer Qualität von einem ähnlichen Ort. Bei allen Beispielen besteht im Allgemeinen eine gute Übereinstimmung zwischen den theoretischen Ankunftszeiten der P- und S-Wellen und den beobachteten Ankunftszeiten in den Wellenformen.

Um die Erkennungsempfindlichkeit zu demonstrieren und unsere Wahl des Auslöseschwellenwerts zu rechtfertigen, berechnen wir die True-Positive-Rate (TPR) und die False-Discovery-Rate (FDR) für drei verschiedene Tage. Der TPR ist definiert als:

Dabei ist TP die Anzahl der echten Positiven, die vom Migrationsalgorithmus erkannt und lokalisiert wurden, und P die Gesamtzahl der echten Positiven im Datensatz, d. h. die Gesamtzahl der Ereignisse, die theoretisch erkannt und lokalisiert werden könnten, einschließlich die Gesamtzahl der echten Positiven und die Gesamtzahl der falsch negativen Ergebnisse (FN), also Ereignisse, die die Migration nicht zuverlässig erkennen und lokalisieren konnte. Um geringfügige echte Positive zu verifizieren (bei denen das Signal-Rausch-Verhältnis niedrig ist) und falsch-negative Ereignisse zu identifizieren (die vom Migrationsalgorithmus nicht erkannt werden), überprüfen wir alle Wellenformdaten für jeden der drei untersuchten Tage manuell. Obwohl es Ereignisse im Datensatz gibt, bei denen im gesamten Netzwerk nur einzelne Phasen beobachtet werden, reicht dies nicht aus, um einen zuverlässigen Ereignisort bereitzustellen, wie die Punktverteilungsfunktionen in den erweiterten Datenabbildungen zeigen. 1 und 2. Solche Ereignisse werden daher als falsch positive Ergebnisse (FP) betrachtet, die vom Migrationsalgorithmus erkannt und falsch lokalisiert werden. Ebenso berücksichtigen wir bei der Schätzung der Anzahl falsch-negativer Ergebnisse durch manuelles Screening der Wellenformdaten nur Ereignisse als potenzielle falsch-negative Ergebnisse, die mithilfe eines herkömmlichen auf der Ankunftszeit basierenden Ortungsalgorithmus (HYPOSAT36) manuell ausgewählt und lokalisiert werden können. Ereignisse mit extrem niedrigem Signal-Rausch-Verhältnis oder bei denen nur die P-Welle vorhanden ist, werden nicht als falsch negativ betrachtet.

Da wir die Anzahl der echten Positiven maximieren und gleichzeitig die Anzahl der falsch positiven Ergebnisse minimieren möchten, berechnen wir auch den FDR, der definiert ist als:

Da es sich bei der Eingabe für unseren Migrationsalgorithmus um Onset-Funktionen handelt, die aus dem STA/LTA generiert werden, kommt es unter der Annahme, dass der Triggerschwellenwert ausreichend über dem Grundrauschen liegt, in einem von drei Szenarios zu Fehlalarmen. Erstens können seismische Ereignisse von außerhalb des Migrationsgebiets räumlich in die Region verschoben werden. Zweitens kann es sein, dass seismische Ereignisse im gesamten Netzwerk zu selten auftreten, um den Ort des Ereignisses zuverlässig bestimmen zu können, aber aufgrund hoher Signal-Rausch-Verhältnisse für eine Untergruppe von Phasen oder Stationen immer noch über der Auslöseschwelle liegen. Drittens treten mehrere Ereignisse an verschiedenen Orten gleichzeitig auf oder Ereignisse, die kurz hintereinander auftreten, was dazu führt, dass Einsatzfunktionen für zwei verschiedene Ereignisse als ein einziges Ereignis migriert werden. Beispielsweise können die Onset-Funktionen der P-Wellen für Ereignis 1 mit den Onset-Funktionen der S-Wellen für Ereignis 2 migriert werden, wodurch ein falsches Ereignis generiert wird.

Die drei Tage, die wir für diese Analyse ausgewählt haben, waren der 3. Februar, der 7. März und der 20. Mai 2022. Der 3. Februar wurde ausgewählt, da er einen Tag vor der Invasion darstellt, an dem nur Steinbruchexplosionen festgestellt wurden, und daher ein gutes Basismaß darstellt. Der 7. März stellt den Tag dar, an dem die meisten Explosionen festgestellt wurden, und der 20. Mai wurde ausgewählt, weil an diesem Tag der größte russische Rückzug aus der Region stattfand, es aber dennoch zu gezielten Angriffen kam, die festgestellt wurden. Darüber hinaus ist der 20. Mai ein Tag mit einer hohen Anzahl sich wiederholender Signale, die wir während unseres gesamten Untersuchungszeitraums häufig beobachten und die wesentlich zur Anzahl der erkannten falsch positiven Ergebnisse beitragen. Wir gehen davon aus, dass diese sich wiederholenden Signale von möglichen Bergbauaktivitäten in Weißrussland herrühren, werden jedoch immer wieder auf unsere Migrationsregion übertragen.

In Extended Data Abb. 4 zeigen wir die Zeitreihe der maximalen Koaleszenz aus der gesamten Migrationsregion für jeden der drei Tage, für die die Auslösung durchgeführt wird. Die sich wiederholenden Signale der vermuteten Bergbauaktivität aus Weißrussland sind am 20. Mai zwischen etwa 16:40 und 18:15 UTC und erneut von etwa 19:25 bis 21:20 UTC deutlich zu beobachten. Die diesen Ereignissen entsprechenden Koaleszenzwerte ähneln den Werten der an diesem Tag beobachteten Militärangriffe.

In den erweiterten Datenabbildungen. In den Abbildungen 5–7 zeigen wir den TPR und den FDR als Funktion der Auslöseschwelle. Die Gesamtzahl der richtig positiven und falsch positiven Ergebnisse ist in den Ergänzungstabellen 3–5 aufgeführt. Für den 3. Februar (Erweiterte Daten Abb. 5), für den wir nur drei Explosionen im Zusammenhang mit Steinbruchaktivitäten in der Region beobachten, beobachten wir einen TPR von 100 % zwischen einem Auslöseschwellenwert von 2,4 und 4,0, während der FDR von 99,4 % auf sinkt 40 % über dem gleichen Schwellenwertbereich. Obwohl der FDR im Allgemeinen mit einer höheren Auslöseschwelle abnimmt, beobachten wir auch einige Anstiege. Beispielsweise steigt der FDR zwischen den Schwellenwerten 2,9 und 3,0 von 40 % auf 62,5 %. Dies wird dadurch verursacht, dass die Koaleszenzwerte den Schwellenwert für die Dauer überschreiten. Bei niedrigeren Schwellenwerten kann die Koaleszenz innerhalb eines bestimmten Zeitintervalls den Schwellenwert überschreiten, aber nicht unter ihn absinken, was bedeutet, dass es keinen Detrigger gibt. Bei einem höheren Schwellenwert ist es innerhalb desselben Zeitraums möglich, dass die Koaleszenz mehrmals ausgelöst und wieder gelöst wird, was zu mehr Fehlalarmen führt.

Für den 7. März (Erweiterte Daten Abb. 6), für den es insgesamt 74 gültige Ereignisse gibt, beobachten wir einen Anstieg des TPR von 75,7 % bei einem Schwellenwert von 2,4 auf maximal 94,6 % bei Schwellenwerten von 2,9 und 3,0. Dieser Anstieg des TPR trotz eines höheren Schwellenwerts ist auf den Einfluss der falsch positiven Ergebnisse zurückzuführen. Beispielsweise kann es bei mehreren Explosionen aufgrund einer falschen Zuordnung der verschiedenen Phasen zwischen den Ereignissen zu Fehlalarmen kommen, die die Identifizierung der richtigen Ereignisse verhindern. Somit kann bei höheren Falsch-Positiv-Werten auch die Anzahl der Echt-Positiv-Werte sinken.

Es ist auch erwähnenswert, dass die Zahl der am 7. März beobachteten wirklich positiven Ergebnisse zwar nie 70 übersteigt, wir jedoch insgesamt 73 einzigartige Ereignisse über die verschiedenen Schwellenwerte hinweg von den möglichen 74 Ereignissen entdeckt haben. Das einzelne falsch-negative Ereignis, das nur beim Wellenform-Screening beobachtet wurde, wurde durch die Migration nicht erkannt, da für seine Erkennung ein niedrigeres Frequenzband erforderlich war.

Für den 20. Mai (Erweiterte Daten Abb. 7) ist der Einfluss der Aktivität aus Weißrussland im FDR erkennbar. Obwohl der TPR bei Schwellenwerten von 2,7 und 2,8 ein Maximum von 80 % erreicht, sinkt er bei einem Schwellenwert von 3,0 auf 3,1 von 70 % auf 53,3 %. Der FDR bleibt jedoch bis zu einem Schwellenwert von 3,5 über 90 %. Dies bedeutet, dass wir die Anzahl falsch positiver Ergebnisse in diesem Zeitraum nicht minimieren können, ohne den TPR erheblich zu beeinträchtigen.

Obwohl unser Ziel darin besteht, die Anzahl der echten Positiven zu maximieren und gleichzeitig den FDR zu minimieren, gibt es auf der Grundlage des TPR und des FDR für die drei ausgewählten Tage keinen klaren optimalen Schwellenwert. Die Ergebnisse vom 3. Februar zeigen, dass ein Schwellenwert von 4,0 den höchsten TPR (100 %) bieten und gleichzeitig den FDR (40 %) minimieren würde. Im Gegensatz dazu wäre für den 7. März, an dem wir die höchste Anzahl an Explosionen beobachten, ein niedrigerer Schwellenwert von 3,0 erforderlich, um den maximalen TPR von 94,6 % zu erreichen, was zu einem FDR von 58,1 % führt. Für den 20. Mai müssten wir den Schwellenwert weiter auf 2,8 senken, um den TPR (80 %) zu maximieren, aber dann erleben wir auf diesem Niveau einen FDR von 96,4 %.

Da viele der Fehlalarme, die sich aus den sich wiederholenden belarussischen Signalen ergeben, im Allgemeinen entweder auf Standorte im Array oder in Weißrussland übertragen werden, wählen wir einen relativ niedrigen Schwellenwert von 3,0, wie im Abschnitt „Methodik zur seismischen Erkennung“ angegeben, und wenden das oben genannte an räumliche Filterung und abschließende Qualitätskontrolle zur Entfernung falsch positiver Ergebnisse.

Die Erkennung von Infraschallphasen erfolgt nach der in diesen Methoden vorgestellten seismischen Erkennungs- und Lokalisierungsphase. Wir gehen davon aus, dass die beobachteten Infraschallankünfte der Ausbreitung von Infraschall in der unteren Troposphäre nahe der Oberfläche entsprechen, was für kurze Entfernungen von der Quelle (<100 km) gilt.

Wir suchen nach Infraschallankünften für jedes Ereignis e in Zeitfenstern, die wir durch die Ereignisentfernung zu jedem Sensor de,s (km) und die Ursprungszeit t0,e eingeschränkt haben, unter Verwendung realistischer adiabatischer Schallgeschwindigkeiten c (km s−1) zwischen cmin = 0,325 km s−1 und cmax = 0,37 km s−1, so dass wir = {mins∈sensors(de,s/cmax), maxs∈sensors(de,s/cmin)}. Um die mögliche Ereigniszeit zu berücksichtigen, nehmen wir das Produkt der an jedem Sensor aufgezeichneten Wellenformhüllkurven und eine Gaußsche Funktion \({g}_{e,s}={{{\rm{e}}}^{\{ \left(t-{\mu }_{e,s}\right)/\sigma \}}}^{2}\), wobei t(s) die Zeit ist, mit Mittelwert μe,s = t0 ,e + de,s/c(s) und Standardabweichung σ = 7,5s für jede Kandidatengeschwindigkeit c. Wir berücksichtigen zehn verschiedene Kandidatengeschwindigkeiten, die gleichmäßig im Bereich (cmin, cmax) verteilt sind, um Unsicherheiten beim Ereignisort und den Oberflächenschallgeschwindigkeiten zu berücksichtigen. Mit einer Gaußschen Funktion gefaltete Hüllkurven werden dann linear gestapelt, um das Stapelmaximum smax zu extrahieren, das zur Identifizierung von Infraschallankünften verwendet wird. Für jedes Ereignis wird nur der Eintrag mit der Kandidatengeschwindigkeit c, der den Maximalwert für smax aufweist, als potenzielle Erkennung in der Datenbank gespeichert.

Um die Erkennung von Infraschallankünften zu bestätigen, wenden wir eine Reihe statischer Erkennungsschwellen, tstack, auf das Stapelmaximum, smax, auf das Verhältnis von durchschnittlichem Maximum zu durchschnittlicher Standardabweichung über das Array tSNR und auf das Verhältnis von maximaler Standardabweichung zu Durchschnitt an Standardabweichungen im gesamten Array tstd. Schwellenwerte werden empirisch nach Stichprobenprüfung der erkannten Wellenformen ausgewählt, sodass tstack = 2,2 × 10−8, tSNR = 3,655 und tstd = 7,1. Diese Werte entsprechen konservativen Entscheidungen zur Reduzierung der Anzahl falsch positiver Ergebnisse.

Wir berechnen automatische lokale Größen mithilfe des QuakeMigrate-Softwarepakets13 während der oben beschriebenen letzten Migrations- und Stapelphase. Wir entfernen die Instrumentenreaktion von jedem Sensor und filtern die Daten, um die Reaktion eines Wood-Anderson-Seismometers zu simulieren. Um Phasenankunftszeiten festzulegen, führen wir für jedes Ereignis einen Autopicker durch, indem wir eine 1D-Gaußsche Funktion an die Onset-Funktionen anpassen, wobei die Onset-Funktion die mittlere absolute Abweichung außerhalb des Auswahlfensters um den Faktor 8 überschreitet. Wir filtern die instrumentenkorrigierten Daten mit einem 1–8-Hz-Bandpassfilter und messen Sie die maximale S-Wellen-Amplitude in einem 4-s-Fenster ab der automatischen Ankunftszeit der S-Welle. Das Rauschen wird geschätzt, indem die quadratische Mittelwertamplitude in einem 5-s-Fenster vor dem P-Wellen-Signalfenster gemessen wird. S-Wellen-Amplituden, die die Rauschamplitude um den Faktor 3 überschreiten, werden dann verwendet, um die lokale Größe mithilfe der Hutton-Boore-Dämpfungskurven37 zu berechnen, wobei der Mittelwert über alle Sensoren zur Berechnung einer endgültigen Netzwerkgröße verwendet wird.

Wir schätzen die Sprengkraft aus den automatischen Größenschätzungen unter Verwendung zweier empirisch abgeleiteter Schätzungen. Die Oberertragsschätzungen werden auf Basis der Beziehung berechnet,

wobei W die Sprengkraft in kg ist. Dies wird aus landgestützten Explosionen mit bekannter Ladungsgröße abgeleitet, die in der Ergänzungstabelle 6 aufgeführt und in Lit. zusammengestellt sind. 30.

Die niedrigeren Ertragsschätzungen basieren auf der Beziehung, die für das Atomtestgelände Nowaja Semlja von29 abgeleitet wurde.

wobei Y die Sprengkraft in Kilotonnen ist. Es ist zu beachten, dass diese Beziehung für Körperwellengrößen (mb) abgeleitet wurde, wir sie jedoch auf die für die ukrainischen Explosionen berechneten lokalen Größenordnungen (ML) angewendet haben.

Sowohl die untere als auch die obere Schätzung der Explosionsausbeute kann als mit großer Unsicherheit behaftet angesehen werden und sollte nur als Anhaltspunkt für die relative Größe der Explosionen verwendet werden.

Ein Histogramm, das die Verteilung der aus seismischen Größen abgeleiteten Ertragsschätzungen zeigt, ist in Extended Data Abb. 8 dargestellt.

Es bestehen empirische Beziehungen zwischen der Sprengkraft und den akustischen Maximalamplituden, die als Blast Operational Over Pressure Model (BOOM)33 bezeichnet werden, oder den dominanten Frequenzen, die hier als Revelle-Modell38 bezeichnet werden. Frequenzbasierte Schätzungen reagieren im Allgemeinen weniger empfindlich auf die atmosphärische Variabilität als Amplitudenschätzungen. Empirische Modelle, die auf Frequenzeingaben basieren, wurden jedoch aus historischen Fernfelddaten (>500 km von der Quelle entfernt) von überwiegend atmosphärischen Kernexplosionen erstellt, die sich hinsichtlich der Energiefreisetzung deutlich von den hier untersuchten konfliktbedingten Explosionen unterscheiden. Im Gegensatz dazu verwendeten Modelle, die auf Amplitudeneingaben basieren, Stationen in unmittelbarer Nähe (<50 km von der Quelle entfernt), was für unseren Ereignisdatensatz realistischer ist.

Da das Revelle-Modell auf stratosphärischen Erträgen in viel größeren Entfernungen von der Quelle beruht, schätzen wir ausschließlich akustisch basierte Erträge mit dem BOOM-Modell. Die empirischen Ertragsschätzungen von BOOM39 sind wie folgt aufgebaut:

wobei L = 20 × log10(p/2e − 5) (dB), mit p die Druckstörungsamplitude und B = arctan(3 × (dv/dz) × (R/ca)), mit R (km) die Quelle-Empfänger-Abstand, dv (m s−1) die maximale Differenz der Schallgeschwindigkeit und der Bodenschallgeschwindigkeit, dz (km) die Höhe, in der dv beobachtet wird und ca (m s−1) die Schallgeschwindigkeit am Boden. YBOOM benötigt die Druckamplitude als Eingabe, die aus unseren seismischen Aufzeichnungen nicht direkt verfügbar ist. Um Druckamplitudenschätzungen zu erstellen, betrachten wir die Beziehung vz = HρwP, wobei Hρw der Luft-Boden-Übertragungskoeffizient ist. Hρw für akustische Wellen, die sich entlang der Oberfläche40 bewegen, ist so, dass:

wobei (λ, μ) die Grund-Lame-Parameter sind. Da die hochfrequente Luft-Boden-Schallübertragung empfindlich auf die schlecht begrenzten obersten Bodenschichten reagieren kann, betrachten wir zwei Szenarien: (1) „Gestein“, das den in der erweiterten Datentabelle 1 dargestellten seismischen Geschwindigkeiten und der Dichte ρ = entspricht 2,85 × 103 kg m−3 und (2) „Sediment“, was einem Szenario mit viel geringeren Schergeschwindigkeiten am Boden entspricht, sodass vp, vs und ρ 2 km s−1, 0,55 km s−1 und 1,93 betragen × 103 kg m−3. Darüber hinaus verwendet das BOOM-Modell (YBOOM) Schallgeschwindigkeitsgradienten als Eingaben über dv und dz. Allerdings haben diese Eingaben nur einen Einfluss zweiter Ordnung auf die Energieübertragung im Vergleich zu seismischen Geschwindigkeitsparametern. Daher verwenden wir die folgenden willkürlichen Werte dv = 1 m s−1 und dz = 1 km. Da wir an mehreren Stationen Signale aufgezeichnet haben, erstellen wir Schätzungen \(\widetilde{Y}\) als Durchschnittswerte über alle Stationen.

Ertragsschätzungen unter Verwendung des BOOM-Modells sind in Extended Data Abb. 9 dargestellt. Wir beobachten große Diskrepanzen zwischen den beiden Arten von seismischen Geschwindigkeitsmodellen, mit einer viel größeren Energieübertragung, d. h. geringeren Erträgen im Fall von Sedimenten. Nur die Schätzungen unter Verwendung des seismischen „Sediment“-Modells stimmen qualitativ mit der Verteilung der Ertragsschätzungen überein, die auf den Magnitudenberechnungen in Abb. 8 der erweiterten Daten basieren. In den empirischen Schätzungen des BOOM-Modells, das mit einem anderen Bereich entwickelt wurde, bestehen starke Verzerrungen Quellenerträge und Quelle-Empfänger-Abstände. Dies unterstreicht den Bedarf an bodennahen Daten für die Ertragskalibrierung in zukünftigen Studien.

Zusätzlich zu den automatischen Ereigniserkennungen haben wir eine weitere Datenbank mit lokalisierten Ereignissen zum Zweck der Validierung aufgebaut (ca. 800 Ereignisse). Im Gegensatz zum automatischen Katalog wurden die P-Wellen- und S-Wellen-Ankünfte von Analysten auf allen AKASG-Stationen manuell ausgewählt, wobei ein deutlicher Beginn sichtbar war. Bei S-Wellen-Ankünften führte die Auswahl der einzelnen Dreikomponentenstation des Arrays tendenziell zu sichereren Zeitauswahlen. Bei einigen Veranstaltungen wurden auch akustische Ankünfte manuell kommissioniert.

Anschließend lokalisierten wir die Ereignisse mithilfe der Ortungssoftware HYPOSAT36. Diese Software implementiert ein iteratives Optimierungsverfahren, bei dem die Reisezeiten für Epizentrum und Quellzeit invertiert werden. Die Quelltiefe wurde auf Null gesetzt, weil wir mit Signalen gerechnet haben, die auf der Erdoberfläche erzeugt werden. Es wurde das gleiche seismische Geschwindigkeitsmodell wie für den automatischen Stapelplatz verwendet. Vor der Inversion wurde eine Unsicherheit von 1 s für die Ankünfte sowohl der P-Welle als auch der S-Welle gewählt. Ereignisse mit akustischen Ankünften wurden lokalisiert, indem eine zusätzliche akustische Phase in der Inversion berücksichtigt wurde, die sich mit konstanter Geschwindigkeit fortbewegt. Da ca nicht genau bekannt ist, betrachten wir fünf potenzielle Geschwindigkeitskandidaten, die gleichmäßig im Bereich ca = 0,33 ± 0,01 km s−1 verteilt sind. Wir wählen dann die Lösung mit der größten A-Posteriori-Wahrscheinlichkeit aus. Vor der Inversion wurde eine Unsicherheit von 5 s für akustische Ankünfte gewählt, um der Schwierigkeit Rechnung zu tragen, den Beginn zu bestimmen, wenn die Ankünfte verstreut sind und/oder eine geringe Amplitude haben. Beispiele für zwei Ereignisse mit manuell ausgewählten Ankünften, zu denen auch akustische Ankünfte gehören, sind in Abb. 4a, e dargestellt.

Wir haben alle gemeldeten Ereignisse zwischen Februar und November 2022 aus dem automatischen Ereigniskatalog extrahiert, der unter https://liveuamap.com/ verfügbar ist. Tägliche Veranstaltungskataloge können von der Website als .geojson-Dateien heruntergeladen werden, die mit der integrierten JSON-Python-Bibliothek verarbeitet werden können. Da der Ereigniskatalog Einträge enthält, die nichts mit direkter militärischer Aktivität zu tun haben, d. h. potenzielle Explosionen, haben wir den ursprünglichen Katalog mithilfe der folgenden Methode gefiltert: (1) Wir haben wiederholte Einträge entfernt, d. h. Einträge mit derselben Beschreibung, die genau denselben Ort aufweisen und Tageszeit, jedoch mit unterschiedlichen Daten über mehrere Tage hinweg; (2) Wir haben dann nur Einträge behalten, die die unten gezeigten Schlüsselwörter ksave enthielten; (3) und schließlich haben wir Einträge entfernt, die die unten gezeigten Schlüsselwörter kremove enthielten.

Liste interessanter Schlüsselwörter:

ksave = 'Übung', 'Waffenstillstandsverstöße', 'militärische Aktivität', 'Artillerie', 'beschädigt', 'verwundet', 'abgeschossen', 'Absturz', 'Streik', 'Zusammenstöße', 'gezielt', 'gezielt ', 'Projektil', 'explodiert', 'Schuss', 'Kampf', 'bombardiert', 'brennen', 'explodiert', 'Sirene', 'Flugabwurf', 'zerstören', 'getötet', 'angreifend' , 'abgeworfen', 'Ziel', 'getroffen', 'angeschlagen', 'Boom', 'Rauch', 'Explosion', 'Explosion', 'Feuer', 'Schaden', 'Treffer', 'Beschuss', „beschossen“, „Eskalation“, „verletzt“.

kremove = '@Maxar-Satellit', 'Botschaft', 'Erklärung', 'Deutscher Kanzler', 'DDoS', 'Prozession', 'Warnung', 'ein weiteres Video', 'wird nicht erfolgreich sein', 'ruft zivil auf', ' Zivil anrufen“, „nicht explodiert“, „Reparatur“, „Fahren“, „behandelt“, „Besuch“, „Jetzt in Deckung gehen!“, „sagt“, „Telegramm“, „tot aufgefunden“, „Satellitenbilder“, „ mehr Filmmaterial“, „Immer noch keine Streiks“, „Zahl der Todesopfer“, „Ukrainian FM“, „Fregatte“, „beschlagnahmt“, „Verhandlung“, „Telefonanruf“, „Minister“, „Oberbefehlshaber“, „ Selenskyj“, „Berater“, „Präsident der Ukraine“, „Evakuierung“.

Das Malyn-Array ist Teil des IMS der CTBTO. IMS-Daten stehen den Vertragsstaaten über ihre nationalen Datenzentren zur Verfügung. Der Zugriff auf alle IMS-Daten kann auf Anfrage auch über das virtuelle Data Exploitation Center (vDEC) unter https://www.ctbto.org/specials/vdec gewährt werden. Der vollständige Katalog automatisch erkannter Explosionen mit Ursprungszeit, Ort, lokaler Stärke und Schätzungen der Ausbeute ist in der Ergänzungstabelle 1 verfügbar. Wir geben im Katalog auch die Erkennung akustischer Phasen und die Schätzungen der akustischen Ausbeute an. Wellenformdaten für jedes Ereignis, die Instrumentenreaktionsdaten und der Inhalt der Zusatzinformationen sind alle öffentlich im Open Science Framework verfügbar (https://doi.org/10.17605/OSF.IO/PKAUV).

Die QuakeMigrate-Software zur Generierung des automatischen Ereigniskatalogs ist bei Zenodo erhältlich (https://doi.org/10.5281/zenodo.4442749). Die HYPOSAT-Software, mit der die beiden in Abb. 4a, e gezeigten Ereignisse manuell verschoben wurden, ist unter https://doi.org/10.2312/GFZ.NMSOP-2_Downloads verfügbar.

Carmichael, JD et al. 2019 wurden im Bundesstaat Oklahoma anhaltende, „mysteriöse“ seismoakustische Signale gemeldet. Bull. Seismol. Soc. Bin. 112, 553–574 (2021).

Artikel Google Scholar

Pilger, C. et al. Ertragsschätzung der Explosion in Beirut im Jahr 2020 unter Verwendung von Open-Access-Wellenform- und Fernerkundungsdaten. Wissenschaft. Rep. 11, 14144 (2021).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Gibbons, SJ, Pabian, F., Näsholm, SP, Kværna, T. & Mykkeltveit, S. Genaue relative Standortschätzungen für die nordkoreanischen Atomtests unter Verwendung empirischer Langsamkeitskorrekturen. Geophys. J. Int. 208, 101–117 (2017).

Artikel ADS Google Scholar

Ringdal, F., Mykkeltveit, S. & Kværna, T. NORSAR und das Atomtestverbot (NORSAR, 2022).

Baraniuk, C. Wie der Zugang zu Satellitenbildern die Sicht auf den Krieg verändert. BBC News (22. März 2022); https://www.bbc.com/news/business-60762772.

Gendzwill, D. Ortung von Kanonen anhand der Schallentfernung im Ersten Weltkrieg. Blei. Kante 26, 27–29 (2007).

Artikel Google Scholar

Keppner, G. Ludger Mintrop. Führen. Kante 10, 21–28 (1991).

Artikel Google Scholar

Costley, RD Schlachtfeldakustik im Ersten Weltkrieg: Artilleriestandort. Akustisch. Heute 16, 31–39 (2020).

Artikel Google Scholar

Dagallier, A. et al. Akustische Langstreckenlokalisierung von Artillerieschüssen mithilfe verteilter synchroner akustischer Sensoren. J. Acoust. Soc. Bin. 146, 4860–4872 (2019).

Artikel ADS PubMed Google Scholar

Aleqabi, GI, Wysession, ME & Ghalib, HAA Charakterisierung seismischer Quellen aus Militäreinsätzen in städtischem Gelände (MOUT): Beispiele aus Bagdad. Stier. Seismol. Soc. Bin. 106, 23–41 (2015).

Artikel Google Scholar

Internationales Register der Seismographenstationen (International Seismological Centre, 2023); https://doi.org/10.31905/EL3FQQ40.

Schweitzer, J. et al. in New Manual of Seismological Observatory Practice 2 (NMSOP-2) (ed. Bormann, P.) 1–80 (Deutsche GeoForschungsZentrum GFZ, 2012).

Winder, T. et al. QuakeMigrate: Ein modulares Open-Source-Python-Paket zur automatischen Erdbebenerkennung und -ortung (ESS Open Archive, 2021); https://doi.org/10.1002/essoar.10505850.1.

Kao, H. & Shan, S.-J. Der Quellenscan-Algorithmus: Kartierung der Verteilung seismischer Quellen in Zeit und Raum. Geophys. J. Int. 157, 589–594 (2004).

Artikel ADS Google Scholar

Langet, N., Maggi, A., Michelini, A. & Brenguier, F. Kontinuierliche Kurtosis-basierte Migration zur Erkennung und Lokalisierung seismischer Ereignisse, mit Anwendung auf den Vulkan Piton de la Fournaise, La Réunion. Stier. Seismol. Soc. Bin. 104, 229–246 (2014).

Artikel Google Scholar

Chambers, K., Dando, BDE, Jones, GA, Velasco, R. & Wilson, SA Moment-Tensor-Migrationsbildgebung. Geophys. Aussicht. 62, 879–896 (2014).

Artikel ADS Google Scholar

Brissaud, Q., Kværna, T., Iranpour, K., Kaschwich, T. & Dyrdal, I. Erkennung und Eigenschaften von lokalem Artillerie-Infraschall. In CTBT: Wissenschafts- und Technologiekonferenz 2021 (SnT2021) P1.1-464 (2021).

Anderson, TS Seismische Erweiterung der akustischen Überwachung von Mörserfeuer. Proz. SPIE 6736, 67360I (2007).

Artikel ADS Google Scholar

Aktualisierungen des Ukraine-Konflikts (Institute for the Study of War, 2022); https://www.understandingwar.org/backgrounder/ukraine-conflict-updates.

Ottemöller, L. & Evers, LG Seismoakustische Analyse der Explosion des Buncefield-Öldepots im Vereinigten Königreich, 11. Dezember 2005. Geophys. J. Int. 172, 1123–1134 (2008).

Artikel ADS Google Scholar

Averbuch, G., Ronac-Giannone, M., Arrowsmith, S. & Anderson, J. Hinweise auf kurze zeitliche atmosphärische Schwankungen, die durch Infraschallsignale beobachtet werden: 1. Die Troposphäre. Erde-Weltraum-Wissenschaft. 9, e2021EA002036 (2022).

Artikel ADS Google Scholar

Adler, N. Einblicke in die Ermittlungen zu Kriegsverbrechen in der Ukraine. Al Jazeera (21. Juni 2022); https://www.aljazeera.com/features/2022/6/21/inside-ukraine-war-crimes-investigations.

Koper, KD, Wallace, TC, Reinke, RE & Leverette, JA Empirische Skalierungsgesetze für LKW-Bombenexplosionen basierend auf seismischen und akustischen Daten. Stier. Seismol. Soc. Bin. 92, 527–542 (2002).

Artikel Google Scholar

Pasyanos, ME, Walter, WR & Mayeda, KM Ausnutzung regionaler Amplitudenhüllen: eine Fallstudie für Erdbeben und Explosionen auf der koreanischen Halbinsel. Stier. Seismol. Soc. Bin. 102, 1938–1948 (2012).

Artikel Google Scholar

Ford, SR et al. Aufteilung der seismoakustischen Energie und Schätzung der Ausbeute und der Explosionshöhe/Verschüttungstiefe für oberflächennahe Explosionen. Stier. Seismol. Soc. Bin. 104, 608–623 (2014).

Artikel Google Scholar

Kim, K. & Pasyanos, ME Seismoakustische Explosionsausbeute und Tiefenschätzung: Erkenntnisse aus dem Large Surface Explosion Coupling Experiment. Stier. Seismol. Soc. Bin. https://doi.org/10.1785/0120220214 (2023).

Ringdal, F., Marshall, PD & Alewine, RW Bestimmung der seismischen Ausbeute sowjetischer unterirdischer Atomexplosionen am Testgelände am Shagan River. Geophys. J. Int. 109, 65–77 (1992).

Artikel ADS Google Scholar

Murphy, JR in Monitoring a Comprehensive Test Ban Treaty (Hrsg. Husebye, ES & Dainty, AM) 225–245 (Springer, 1996).

Bowers, D., Marshall, PD & Douglas, A. Der Grad der Abschreckung, den die Daten des SPITS-Seismometer-Arrays bei möglichen Verstößen gegen das umfassende Testverbot in der Region Nowaja Semlja bieten. Geophys. J. Int. 146, 425–438 (2001).

Artikel ADS Google Scholar

Booth, DC Die Beziehung zwischen der seismischen lokalen Magnitude ML und dem Ladungsgewicht für Explosionen im Vereinigten Königreich. NERC Open Research Archive https://nora.nerc.ac.uk/id/eprint/8570 (2009).

Evans, R. & Seddon, B. Explosive Ordnance Guide for Ukraine: Second Edition (GICHD, 2022); https://www.gichd.org/fileadmin/uploads/gichd/Publications/GICHD_Ukraine_Guide_2022_Second_Edition_web.pdf.

Hardy, J. Welche Sprengwaffen nutzen die Russen in der Ukraine? Aktion gegen bewaffnete Gewalt (14. März 2022); https://aoav.org.uk/2022/russias-arsenal-of-explosive-weapons-in-ukraine/.

Douglas, CD Blast Operational Over Pressure Model (BOOM): An Airblast Prediction Method Technical Report AFWL-TR-85-150 (Defense Technical Information Center, 1987).

Lomax, A., Michelini, A. & Curtis, A. in Encyclopedia of Complexity and Systems Science (Hrsg. Meyers, R.) 1–33 (Springer, 2009).

Laske, G., Masters, G., Ma, Z. & Pasyanos, M. Update zu CRUST1.0 – einem 1-Grad-Globalmodell der Erdkruste. In EGU General Assembly Conference Abstracts EGU2013–2658 (EGU, 2013).

Schweitzer, J. HYPOSAT – eine erweiterte Routine zur Lokalisierung seismischer Ereignisse. Reine Appl. Geophys. 158, 277–289 (2001).

Artikel ADS Google Scholar

Hutton, LK & Boore, DM Die ML-Skala in Südkalifornien. Stier. Seismol. Soc. Bin. 77, 2074–2094 (1987).

Artikel Google Scholar

Revelle, DO Historische Erfassung atmosphärischer Einschläge großer Boliden mithilfe akustischer Schwerkraftwellen. Ann. NY Acad. Wissenschaft. 822, 284–302 (1997).

Artikel ADS Google Scholar

Golden, P. Negraru, P. & Howard, J. Infrasound Studies for Yield Estimation of the Explosions Technical Report AFRL-RV-PS-TR-2012-0084 (Defense Technical Information Center, 2012).

Ichihara, M., Takeo, M., Yokoo, A., Oikawa, J. & Ohminato, T. Überwachung der vulkanischen Aktivität mithilfe von Korrelationsmustern zwischen Infraschall und Bodenbewegung. Geophys. Res. Lette. 39, L04304 (2012).

Artikel ADS Google Scholar

Referenzen herunterladen

Wir danken den Mitarbeitern des Hauptzentrums für Sonderüberwachung in der Ukraine für den kontinuierlichen Betrieb der seismischen Anlage Malyn während des gesamten Krieges. Diese Arbeit wurde durch Mittel der norwegischen Behörden unterstützt. Bei NORSAR leistete V. Oye unschätzbare Unterstützung und gab Feedback, das zu bemerkenswerten Verbesserungen dieser Arbeit führte. Wir möchten auch den Kollegen von NORSAR danken, die schnell einen kontinuierlichen Datenzugriff eingerichtet haben, der die Überwachung der Ukraine nahezu in Echtzeit ermöglichte. Die hier geäußerten Ansichten sind die der Autoren und spiegeln nicht unbedingt die Ansichten der CTBTO-Vorbereitungskommission oder die Ansichten der norwegischen Regierung wider.

NORSAR, Kjeller, Norwegen

Ben DE Dando, Bettina P. Goertz-Allmann, Quentin Brissaud, Andreas Kohler, Johannes Schweitzer & Tormod Kværna

Die Arktische Universität Norwegens – UiT, Tromsø, Norwegen

Andreas Köhler

Universität Oslo, Oslo, Norwegen

Johannes Schweitzer

Hauptzentrum für Sonderüberwachung, Nationales Kontroll- und Testzentrum für Raumfahrteinrichtungen, Staatliche Raumfahrtbehörde der Ukraine, Gorodok, Ukraine

Alexander Liashchuk

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

BDED konzipierte und leitete die Forschung unter Einbeziehung aller Autoren. BDED hat die Stapel-/Migrationsmethode angepasst und implementiert und den seismischen Datensatz verarbeitet, mit Unterstützung der Qualitätskontrolle durch BPG-ABPG-A. und AK identifizierte und handverlesene seismische Ankünfte manuell, die als Leitfaden für die anfängliche Parametrisierung der Stapel-/Migrationsmethode dienten. QB führte die Erkennung und Analyse des akustischen Signals durch. QB und BDED extrahierten und verarbeiteten Berichte aus Liveuamap zur Validierung. BDED, QB und BPG-A. verfasste das erste Manuskript. BPG-A. erstellte die Abbildungen im Haupttext und BDED erstellte die erweiterten Datenabbildungen. AL war für die Datenerfassung vom Malyn-Array verantwortlich. Alle Autoren nahmen an Diskussionen und Datenanalysen teil, trugen zum Manuskript bei, trugen zu Methoden bei, führten eine vollständige interaktive Überprüfung des Originalmanuskripts durch und genehmigten die eingereichte Version.

Korrespondenz mit Ben DE Dando.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Nature dankt den anonymen Gutachtern für ihren Beitrag zum Peer-Review dieser Arbeit. Peer-Reviewer-Berichte sind verfügbar.

Anmerkung des Herausgebers Springer Nature bleibt hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten neutral.

a, Der synthetische Fall, einschließlich der Migrationsbilder (oder Punktspreizfunktionen) nur für P-Welle (oben links), nur S-Welle (oben rechts) und P-Welle und S-Welle (unten rechts), einschließlich der abgeleiteten Standort (markiert durch die gestrichelten Linien) und eine Unsicherheitsellipse basierend auf dem 50. Perzentil der Punktverteilungsfunktionen. Die zur Erzeugung des Migrationsbilds verwendeten synthetischen Wellenformen werden unten links angezeigt. b, Ein beobachtetes Beispiel aus unserem Katalog, das die Wellenformen mit den theoretischen Ankünften (links) und das Migrationsbild mit dem zugehörigen Standort (oben rechts) zeigt. Für jeden Fall zeigen wir die Zeitreihe der Koaleszenzfunktion, die zur Ableitung der Ursprungszeit verwendet wurde.

a, Der synthetische Fall, einschließlich der Migrationsbilder (oder Punktspreizfunktionen) nur für P-Welle (oben links), nur S-Welle (oben rechts) und P-Welle und S-Welle (unten rechts), einschließlich der abgeleiteten Standort (markiert durch die gestrichelten Linien) und eine Unsicherheitsellipse basierend auf dem 50. Perzentil der Punktverteilungsfunktionen. Die zur Erzeugung des Migrationsbilds verwendeten synthetischen Wellenformen werden unten links angezeigt. b, Ein beobachtetes Beispiel aus unserem Katalog, das die Wellenformen mit den theoretischen Ankünften (links) und das Migrationsbild mit dem zugehörigen Standort (oben rechts) zeigt. Für jeden Fall zeigen wir die Zeitreihe der Koaleszenzfunktion, die zur Ableitung der Ursprungszeit verwendet wurde.

a–f, Jedes Panel zeigt: die beobachteten Wellenformen, einschließlich der theoretischen Ankunftszeiten der P-Welle und S-Welle über das Array (links), das Migrationsbild (Koaleszenzfunktion), einschließlich der abgeleiteten Position (oben rechts), und die Zeitreihe für die Koaleszenzfunktion, aus der die Ereignisursprungszeit abgeleitet wird (unten rechts). Die Tafeln a und b zeigen zwei Beispiele von einem ähnlichen Ort mit unterschiedlicher Datenqualität.

Jede Unterfigur zeigt den maximalen Koaleszenzwert über das gesamte Migrationsgebiet für jede Zeitprobe im Laufe des Tages. a, 3. Februar 2022. b, 7. März 2022. c, 20. Mai 2022.

An diesem Tag wurden insgesamt drei wahre Ereignisse beobachtet. Die Gesamtzahl der richtig positiven und falsch positiven Ergebnisse finden Sie in den Zusatzinformationen.

Insgesamt wurden an diesem Tag 74 wahre Ereignisse beobachtet. Die Gesamtzahl der richtig positiven und falsch positiven Ergebnisse finden Sie in den Zusatzinformationen.

An diesem Tag wurden insgesamt 15 wahre Ereignisse beobachtet. Die Gesamtzahl der richtig positiven und falsch positiven Ergebnisse finden Sie in den Zusatzinformationen.

Die oberen Ertragsschätzungen (Pfirsich) basieren auf einer Beziehung, die aus einem Katalog landgestützter Explosionen30 abgeleitet wurde. Die niedrigeren Ertragsschätzungen (blau) basieren auf der Beziehung, die für das Atomtestgelände Nowaja Semlja abgeleitet wurde22.

Das Gesteinsmodell (Pfirsich) verwendet die gleichen seismischen Geschwindigkeiten wie für den Ereignisort (Erweiterte Datentabelle 1), während das Sedimentmodell (blau) viel niedrigeren Schergeschwindigkeiten entspricht (Methoden).

Sammlung von Punktverteilungsfunktionen. Punktverteilungsfunktionen, die die theoretische Standortunsicherheit für fünf verschiedene Standorte zeigen. Für jeden Standort zeigen wir drei Ergebnisse: wenn nur die P-Welle vorhanden ist, wenn nur die S-Welle vorhanden ist und wenn sowohl die P-Welle als auch die S-Welle vorhanden sind.

Automatisierter Veranstaltungskatalog. Katalog der Ereignisse, die beim automatischen Stacking/Migration zwischen dem 1. Januar 2022 und dem 3. November 2022 erkannt wurden.

Sensorkoordinaten des seismischen Arrays Malyn AKASG (PS45). Bei allen Sensoren handelt es sich um Güralp CMG-3ESPV-Seismometer mit vertikalen Komponenten, mit Ausnahme von AKBB, bei dem es sich um einen Güralp CMG-3T-Sensor mit drei Komponenten handelt. Die Abtastrate beträgt bei allen Sensoren 40 Hz.

Erkennungsempfindlichkeitsanalyse für den 3. Februar 2022. Gesamtzahl der echten positiven und falsch positiven Ergebnisse sowie die daraus resultierende TPR und FDR für verschiedene Auslöseschwellen für den 3. Februar 2022. An diesem Datum wurden insgesamt drei echte Ereignisse beobachtet.

Erkennungsempfindlichkeitsanalyse für den 7. März 2022. Gesamtzahl der echten positiven und falsch positiven Ergebnisse sowie die resultierende TPR und FDR für verschiedene Auslöseschwellen für den 7. März 2022. An diesem Datum wurden insgesamt 74 echte Ereignisse beobachtet.

Erkennungsempfindlichkeitsanalyse für den 20. Mai 2022. Gesamtzahl der echten positiven und falsch positiven Ergebnisse sowie die daraus resultierende TPR und FDR für verschiedene Auslöseschwellen für den 20. Mai 2022. An diesem Datum wurden insgesamt 15 echte Ereignisse beobachtet.

Landgestützte Explosionen zur Ertragsschätzung. Eine Liste landgestützter Explosionen aus Lit. 30. Dies wurde verwendet, um die oberen Ertragsschätzungen aus der seismischen Stärke abzuschätzen.

Animierte Karte von Explosionen. Animation, die die Orte der erkannten Explosionen für jeden Tag zeigt, zusammen mit der Zeitleiste der kumulierten Explosionen basierend auf dem automatischen Ereigniskatalog.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative-Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Dando, BDE, Goertz-Allmann, BP, Brissaud, Q. et al. Identifizierung von Angriffen im Russland-Ukraine-Konflikt mithilfe seismischer Array-Daten. Natur (2023). https://doi.org/10.1038/s41586-023-06416-7

Zitat herunterladen

Eingegangen: 21. Februar 2023

Angenommen: 07. Juli 2023

Veröffentlicht: 30. August 2023

DOI: https://doi.org/10.1038/s41586-023-06416-7

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.