• earthquakes
• General Relativity
• geophysical signals
• GINGER
• giroscopi laser ad anello
• GNSS
• maree
• neural networks
• Relatività Generale
• reti neurali
• ring laser gyroscopes
• segnali geofisici
• terremoti
• tidals

Questa ricerca esplora l’integrazione tra interferometria laser rotazionale e geodesia satellitare per il miglioramento dell’accuratezza nella stima della velocità angolare terrestre e nella rilevazione di eventi geofisici. Vengono presentati due metodologie che combinano due framework indipendenti per il confronto tra il segnale rotazionale registrato dal giroscopio laser ad anello GINGERINO e segnali rotazionali derivati da una costellazione di stazioni GNSS distribuite.
Nel primo approccio, i vettori di velocità angolare sono ricostruiti per ciascuna stazione GNSS in un sistema di coordinate planari centrato in GINGERINO. Tale stima richiede una formulazione geodetica precisa, includente distanze geodetiche e angoli relativi. Una media pesata permette la sintesi del campo rotazionale globale. Il secondo approccio è basato sull’estrazione della componente z del rotore del campo di velocità, ottenuto dai dati GNSS. Il tensore del gradiente di spostamento è decomposto in parte simmetrica (strain) e antisimmetrica (rotazione), con quest’ultima che fornisce il valore desiderato. La stima si fonda sulla risoluzione di un problema ai minimi quadrati pesati che considera la struttura completa di covarianza degli errori di misura GNSS.
Il confronto con i dati GINGERINO mostra che i segnali rotazionali ricostruiti dai dati GNSS sono compatibili in ampiezza e contenuto spettrale solo dopo la correzione delle maree nel segnale interferometrico. Questo risultato evidenzia la necessità di rimuovere accuratamente i contributi geofisici noti per svelare strutture coerenti residue, localizzate nell’intervallo 20–60 giorni, non attribuibili a sorgenti conosciute. Test con iniezione di segnali sintetici mostrano che il sistema è sensibile ad ampiezze rotazionali fino a 10⁻¹³ rad/s, validando la sua applicabilità nella risoluzione di perturbazioni geofisiche estremamente deboli.
La seconda parte del lavoro è incentrata sull’implementazione di architetture deep learning per l’analisi in tempo reale del segnale interferometrico. Sono state sviluppate due reti neurali indipendenti. La prima ricostruisce la frequenza istantanea del segnale di battimento con latenza di 10 ms, superando in prestazioni i metodi classici basati sulla Fast Fourier Transform. È stata adottata un’architettura CNN ibrida con connessioni e stadi di output intermedi per la ricostruzione di sinusoidi pulite, migliorando la separazione delle caratteristiche e la regolarizzazione.
Il training è stato condotto su un dataset sintetico composto da sequenze sinusoidali di 50 punti campionate a 5 kHz, con variazioni casuali di frequenza, fase e ampiezza. Livelli di rumore gaussiano sono stati calibrati per riprodurre fedelmente la densità spettrale dei dati reali. La diversità del dataset è stata aumentata tramite campionamento casuale e aggiornamento dinamico del training ogni N epoche.
La seconda rete è dedicata alla classificazione binaria di eventi sismici. È stata impiegata una rete CNN-LSTM con meccanismo di attenzione, in grado di catturare caratteristiche spaziali, dinamiche temporali e di focalizzazione selettiva. Il dataset includeva 94 eventi sismici, ciascuno segmentato in finestre mobili da 10 minuti. Le metriche di valutazione (accuratezza, precisione, recall e AUC) sono state integrate nella funzione di costo per guidare l’ottimizzazione. La rete ha raggiunto il 100% di accuratezza sui dati di test. Studi futuri mireranno a estendere il dataset ad eventi più eterogenei.
Questo lavoro dimostra la fattibilità di pipeline automatiche e a bassa latenza per l’estrazione del segnale rotazionale e il riconoscimento di eventi sismici a partire da dati RLG. L’integrazione di strumenti metrologici avanzati con tecniche di intelligenza artificiale rappresenta un passo significativo verso sistemi di monitoraggio autonomi per la geofisica e la fisica fondamentale.

This research explores the integration between rotational laser interferometry and satellite geodesy for improving accuracy in the estimation of the Earth's angular velocity and in the detection of geophysical events. Two methodologies are presented that combine two independent frameworks for the comparison between the rotational signal recorded by the GINGERINO ring laser gyroscope and rotational signals derived from a constellation of distributed GNSS stations.
In the first approach, the angular velocity vectors are reconstructed for each GNSS station in a planar coordinate system centered in GINGERINO. This estimate requires a precise geodetic formulation, including geodetic distances and relative angles. A weighted average allows the synthesis of the global rotational field. The second approach is based on the extraction of the z component of the velocities field curl, obtained from GNSS data. The tensor of the displacement gradient is decomposed into the symmetrical (strain) and antisymmetric (rotation) part, with the latter providing the desired value. The estimate is based on the resolution of a problem at the weighted least squares that considers the complete covariance structure of GNSS measurement errors.

The comparison with GINGERINO data shows that the rotational signals reconstructed from GNSS data are compatible in amplitude and spectral content only after the correction of the tides in the interferometric signal. This result highlights the need to accurately remove known geophysical contributions to uncover residual coherent structures, localized in the range of 20–60 days, not attributable to known sources. Tests with synthetic signal injection show that the system is sensitive to rotational amplitudes up to 10−¹³ rad/s, validating its applicability in the resolution of extremely weak geophysical disturbances.
The second part of the work focusses on the implementation of deep learning architectures for the real-time analysis of the interferometric signal. Two independent neural networks have been developed. The first reconstructs the instantaneous frequency of the beat signal with a latency of 10 ms, surpassing in performance the classic methods based on Fast Fourier Transform. A hybrid CNN architecture with intermediate connections and output stages was adopted for the reconstruction of clean sinusoids, improving feature separation and regularization.
The training was conducted on a synthetic dataset composed of sinusoidal sequences of 50 points sampled at 5 kHz, with random variations in frequency, phase and amplitude. Gaussian noise levels have been calibrated to faithfully reproduce the spectral density of the actual data. The diversity of the dataset was increased through random sampling and dynamic updating of the training every N epochs.
The second network is dedicated to the binary classification of seismic events. A CNN-LSTM network with an attention mechanism was used, capable of capturing spatial characteristics, time dynamics and selective focussing. The dataset included 94 seismic events, each segmented into 10-minute moveable windows. Evaluation metrics (accuracy, precision, recall, and AUC) have been integrated into the cost function to drive optimization. The network has achieved 100% accuracy on the test data. Future studies will aim to extend the dataset to more heterogeneous events.
This work demonstrates the feasibility of automatic, low-latency pipelines for rotational signal extraction and seismic event recognition from RLG data. The integration of advanced metrological tools with artificial intelligence techniques represents a significant step towards autonomous monitoring systems for geophysics and fundamental physics.