Onderzoekers van Penn State University hebben met AI en deep learning een methode ontwikkeld om vulkanische activiteiten beter in de gaten te houden. Het systeem is in staat om ‘ruis’ in de metingen weg te filteren, zodat een beter beeld ontstaat van de vulkanische bewegingen.
RADAR-satellieten kunnen enorme hoeveelheden teledetectiegegevens verzamelen die grondbewegingen – oppervlaktevervormingen – bij vulkanen in bijna real time kunnen detecteren. Deze grondbewegingen kunnen duiden op dreigende vulkanische activiteit en onrust; wolken en andere atmosferische en instrumentele verstoringen kunnen echter zorgen voor aanzienlijke fouten in die metingen van grondbewegingen.
Vorm
“De vorm van vulkanen verandert voortdurend en veel van die verandering is te wijten aan ondergrondse magma-bewegingen in het magma-leidingsysteem “, zegt Christelle Wauthier, universitair hoofddocent geowetenschappen en Institute for Data and Computational Sciences (ICDS) facultaire fellow. “Veel van deze beweging is subtiel en kan niet met het blote oog worden opgemerkt.”
Gondveranderingen
Geowetenschappers hebben verschillende methoden gebruikt om de grondveranderingen rond vulkanen en andere gebieden van seismische activiteit te meten, maar ze hebben allemaal beperkingen, zei Jian Sun, hoofdauteur van het artikel en een postdoctoraal onderzoeker in geowetenschappen, gefinancierd door Dean’s Postdoc-Facilitated Innovation through Collaboration Award van het College of Earth and Mineral Sciences.
Problemen
Hij voegde eraan toe dat wetenschappers bijvoorbeeld grondstations, zoals GPS of kantelmeters, kunnen gebruiken om mogelijke grondbewegingen als gevolg van vulkanische activiteit te volgen. Er zijn echter enkele problemen met deze op de grond gebaseerde methoden. Ten eerste kunnen de instrumenten duur zijn en moeten ze ter plaatse worden geïnstalleerd en onderhouden.
Explosie
“Het is dus moeilijk om in de eerste plaats veel grondstations in een specifiek gebied te plaatsen, maar laten we zeggen dat er daadwerkelijk een vulkanische explosie of een aardbeving is, die waarschijnlijk veel van deze zeer dure instrumenten zou beschadigen” zei Sun. “Ten tweede geven die instrumenten je alleen grondbewegingsmetingen op specifieke locaties waar ze zijn geïnstalleerd, daarom zullen die metingen een zeer beperkte ruimtelijke dekking hebben.”
Dekking
Aan de andere kant kunnen satellieten en andere vormen van teledetectie veel belangrijke gegevens verzamelen over vulkanische activiteit voor geowetenschappers. Deze apparaten zijn ook voor het grootste deel buiten gevaar door een uitbarsting en de satellietbeelden bieden een zeer uitgebreide ruimtelijke dekking van grondbewegingen. Maar zelfs deze methode heeft zijn nadelen, aldus Sun.
Atmosfeer
“We kunnen de beweging van de grond, veroorzaakt door aardbevingen of vulkanen, volgen met behulp van RADAR-afstandssensoren, maar hoewel we toegang hebben tot veel teledetectiegegevens, moeten de RADAR-golven door de atmosfeer gaan om bij de sensor te worden geregistreerd”, zei hij. . “En het voortplantingspad zal waarschijnlijk worden beïnvloed door die atmosfeer, vooral als het klimaat tropisch is met veel waterdamp en wolkenvariaties in tijd en ruimte.”
Data
Volgens de onderzoekers, die hun bevindingen rapporteren in een recente editie van de Journal of Geophysical Research, werkt een door hen ontwikkelde diepgaande leermethode net als een legpuzzelmeester. Door stukjes data te nemen die duidelijk zijn, kan het systeem beginnen met het opvullen van gaten met ‘luidruchtige’ data, gaten die zijn ontstaan door weersinvloeden en andere instrumentele geluiden. Het kan dan een redelijk nauwkeurig beeld vormen van het land en zijn bewegingen.
Leermethode
Met behulp van deze diepgaande leermethode kunnen wetenschappers waardevolle inzichten krijgen in de beweging van de grond, met name in gebieden met actieve vulkanen of aardbevingszones en breuken, zei Sun. Het programma kan mogelijke waarschuwingssignalen opmerken, zoals plotselinge landverschuivingen die een voorteken kunnen zijn van een naderende vulkaanuitbarsting of een aardbeving. “Het is erg belangrijk voor gebieden dicht bij actieve vulkanen, of in de buurt van aardbevingen, om zo vroeg mogelijk te worden gewaarschuwd dat er iets kan gebeuren”, zei Sun.
Deep learning
Deep learning gebruikt trainingsgegevens om het systeem te leren functies te herkennen die de programmeurs willen bestuderen. In dit geval trainden de onderzoekers het systeem met synthetische gegevens die vergelijkbaar waren met gegevens over vervorming van het satellietoppervlak. De gegevens omvatten signalen van vulkanische vervorming, zowel ruimtelijk als topografisch gecorreleerde atmosferische kenmerken en fouten in de schatting van satellietbanen.
Toekomstig onderzoek zal zich volgens Wauthier richten op het verfijnen en uitbreiden van ons deep learning-algoritme. “We willen aardbevingen en breukbewegingen kunnen identificeren, evenals magmatische bronnen en verschillende ondergrondse bronnen kunnen opnemen die oppervlaktevervorming veroorzaken”, zei ze. “We zullen deze nieuwe baanbrekende methode toepassen op andere actieve vulkanen dankzij de steun van NASA.”
