Sowohl die Magnetotellurik (MT) als auch die Radiomagnetotellurik (RMT) können für eine Vielzahl von Anwendungen eingesetzt werden, wie z. B. für die geothermische oder Lagerstättenerkundung, die Kartierung geodynamischer Strukturen oder die Untersuchung der Landschaftsentwicklung, geomorphologischer Prozesse und gefährlicher Ereignisse. Um diese elektromagnetischen (EM) Methoden in Zukunft effizient nutzen zu können, müssen wir uns zwei großen Herausforderungen stellen: (i) der Entwicklung von EM-Rauschunterdrückungswerkzeugen, da die meisten Anwendungen in einer bewohnten und industrialisierten Umgebung stattfinden, und (ii) der Verbesserung der Datenanalyse für die automatisierte Datenauswahl und -verarbeitung.

Elektromagnetisches Rauschen übersteigt oft das natürliche Signal und behindert die Anwendung der Methoden in dicht besiedelten Gebieten. Es wurden bereits viele statistische und physikalisch basierte Ansätze entwickelt, die jedoch oft auf einen maximalen Rauschpegel oder eine bestimmte Art von Rauschen beschränkt sind. Darüber hinaus sehen wir uns aufgrund des technologischen Fortschritts mit einer zunehmenden Menge an Rohdaten konfrontiert. Eine klassische oder gar manuelle Datenauswahl und -verarbeitung wird immer zeitaufwendiger und ineffizienter. Insbesondere für Überwachungszwecke wird ein automatisiertes Tool benötigt, um Instrumentenfehler und signifikante Veränderungen im Untergrund zu erkennen. All diese Herausforderungen können durch die Implementierung von Machine-Learning-Tools (ML) in den Verarbeitungsworkflow gelöst werden.

Obwohl dies bereits für andere geophysikalische Methoden, z. B. in der Seismik zur Ereigniserkennung und -klassifizierung, geschieht, ist es ein relativ neues Thema für die EM-Zeitreihendatenanalyse. Aufbauend auf unseren Erfahrungen mit der Sendererkennung in großen Zeitreihendaten werden wir uns auf die Entwicklung eines automatisierten Tools für die Datenanalyse und -verarbeitung von MT-Daten konzentrieren, das sowohl ML zur Rauschunterdrückung verwendet als auch für Überwachungszwecke eingesetzt werden kann. Dabei müssen (i) die Zuverlässigkeit von ML-Modellen, (ii) die Berechnung und Handhabung von Unsicherheiten und (iii) die Robustheit von ML berücksichtigt werden.