Donner, der bei Gewittern entsteht, gehört zu den auffälligsten physikalischen Phänomenen, die von der Allgemeinheit erlebt werden. Sein Entstehungs- und Ausbreitungsmechanismus ist jedoch nicht klar. Donner kann durch Beobachtungen von Infraschall untersucht werden, also mit akustischen Wellen. Solche Studien können ein detailliertes Verständnis der Donnererzeugungsmechanismen liefern. Infraschallstationen sind jedoch erst spärlich vorhanden. Inzwischen wurde klar, dass auch seismische Stationen zur Beobachtung von Infraschall und akustischen Wellen verwendet werden können. Es gibt viel Potenzial für die Analyse von Infraschall mit dichten seismischen Netzen im Allgemeinen und Donner im Besonderen, weil es weltweit Zehntausende von seismischen Sensoren gibt. Es gibt mehrere Möglichkeiten, wie ein akustisches Signal an einer seismischen Station aufgezeichnet werden kann - (1) direkte akustische Wellen und (2) seismisch gekoppelte akustische Wellen. Um diese Phänomene besser zu verstehen, wurde ein Experiment mit 25 Feuerwerkskörpern und fünf Raketen durchgeführt. Die Ergebnisse zeigen, dass etwas mehr als 2\% der akustischen Energie in den Boden aufgenommen wird (umgewandelt in seismische Energie). Das Verständnis, wie die Donnersignale von einer seismischen Station aufgezeichnet werden, eröffnet die Möglichkeit, Gewitter mittels seismo-akustischer Analyse zu untersuchen. Das temporäre seismologische Netzwerk AlpArray in Europa und ALDIS, ein Blitzdetektionssystem, wurden verwendet, um einen großen Datensatz mit seismischen Daten bzw. Blitzdaten zu erzeugen. Donnersignale, aufgenommen mit seismischen Stationen, wurden im Frequenzbereich von 2-49 Hz untersucht. Diese Arbeit zeigt, wie seismische Daten wertvolle Einblicke in Donner und Blitz liefern können;z. B. wurde eine Korrelation zwischen Blitzspitzenstrom und maximaler Bodenverschiebung beobachtet für positive Wolke-zu-Boden-Blitze. Die Arbeit zeigt auch, wie Donner zu einem wertvollen Werkzeug für die Untersuchung des lokalen Standorts werden kann. Aufzeichnungen des dynamischen Luftdrucks zusammen mit Bodenbewegungen an derselben Stelle ermöglicht die Identifizierung verschiedener Wellen, die sich im flachen Untergrund ausbreiten, insbesondere der seismische Ausdruck der direkten Luftwelle und die späterankommende luftgekoppelte Rayleigh-Welle. Die Eigenschaften des flachen Bodens können zuverlässig aus der direkten Luftwelle abgeleitet werden, insbesondere die beiden Lamé-Konstanten ($\lambda$ und $\mu$) und die Poisson-Zahl. Blitzeinschläge bei Gewittern treten eher zeitgleich über große Gebiete auf als Einzelentladungen. Dies erschwert die Untersuchung von einzelnen Entladungen, da an der seismischen Station häufig Donner gleichzeitig von verschiedenen Blitzentladungen aufgezeichnet wird. Quellentrennung („Source separation“) ist eine Technik, die verwendet wird, um dieses Problem zu lösen. Eine Trennung seismischer Signale mittels mit Machine Learning ist für seismische Aufzeichnungen an Einzelstationen möglich (und sogar für Einzelkomponenten). Die in dieser Arbeit verwendete Technik zur seismischen Signaltrennung basiert auf einem dual-path recurrent neural Netzwerk, das direkt auf die Daten im Zeitbereich angewendet wird. Dieser Ansatz ist in der Lage, Signal und Rauschen in seismischen Daten zu trennen, bzw. zwei verschiedene seismische Signale voneinander zu trennen. Diese Arbeit beschreibt einen skalierbaren Ansatz zur Untersuchung von Blitz und Donner mit seismischen Instrumenten.

Thunder created during lightning storms is among the most striking physical phenomena that are experienced by the general public. Its mechanism of generation and propagation, however, is not clear. Thunder can be studied by observations of infrasound and audible acoustic waves. Such studies can provide a detailed understanding of thunder generation mechanisms. However, infrasound and acoustic recording stations are still sparse at the time of the thesis. Meanwhile, it became clear that seismic stations could also be used for observing infrasound and audible acoustic waves. There is much potential for analyzing infrasound and acoustic signals with dense seismic networks in general, and thunder signals in particular, because there are tens of thousands of seismic sensors globally. There are several options for how acoustic signal might be recorded at a seismic station - (1) direct acoustic arrival and (2) seismically coupled acoustic wave. To understand those phenomena better, an experiment with 25 firecracker explosions and five rocket explosions was conducted. Results show that just over 2\% of acoustic energy is admitted into the ground (converted to seismic energy), the rest is recorded as a direct acoustic wave. Understanding how the thunder signals are recorded from a seismic station opens up the potential to investigate thunder via seismo-acoustic analysis. A temporary seismic network (AlpArray) and a lightning detection system (ALDIS) were used to get large data sets of seismic data and lightning data, respectively. Thunder signals, recorded with seismic stations in the 2-49 Hz frequency range, were investigated. This thesis demonstrates how seismic data can provide valuable insight into thunder and lightning. E.g., a correlation between lightning peak current and maximum ground displacement induced by the thunder for positive Cloud-to-Ground flashes of lightning is observed. This work also demonstrates how thunder can become a valuable tool for site characterization - recording dynamic air pressure together with ground motion at the same site allows identification of different waves propagating in the shallow underground, notably the seismic expression of the direct airwave, and the later air-coupled Rayleigh wave. Shallow ground properties, in particular the two Lam\'e constants ($\lambda$ and $\mu$) and the Poisson-ratio, can reliably be inferred from the direct airwave. In a thunderstorm, lightning strikes tend to occur simultaneously over large areas rather than as individual discharges. This makes it difficult to investigate the characteristics of individual lightning strikes since thunder produced by lightning discharges is often recorded simultaneously on a seismic station. To solve this problem, one might use a source separation technique, that allows the separation of individual components from a mixture. A separation of seismic signals is possible for single-station (and even one-component) seismic recordings with Machine Learning. The technique, used in this thesis, is based on a dual-path recurrent neural network that is applied directly to the time domain data. This method is capable of denoising seismic data, and of separating two seismic signals from one another. This thesis describes a scalable approach to study lightning and thunder with seismic instruments.