Dr. Luciano Zuccarello groeide op in de schaduw van de Etna, een actieve vulkaan op het Italiaanse eiland Sicilië. Boerderijen en boomgaarden omringen de lagere hellingen van de vulkaan, waar de vruchtbare grond ideaal is voor landbouw. Maar de vulkaan doemt op in het leven van de lokale bevolking omdat het ook een van de meest actieve vulkanen ter wereld is.

Wereldwijd leven meer dan 29 miljoen mensen binnen een straal van 10 km van een vulkaan, en het gedrag van vulkanen begrijpen - en kunnen voorspellen wanneer ze zullen uitbarsten of as in de lucht spuwen - is van vitaal belang voor het waarborgen van het welzijn van mensen.

Echter, het voorspellen van vulkaangedrag is moeilijk, vooral als ze slapend zijn geweest, en het monitoren ervan kan een uitdaging zijn, omdat het nemen van monsters of het inzetten van apparatuur fysieke gevaren met zich meebrengt. En hoewel theoretische modellen kunnen benaderen hoe een bepaalde vulkaan zich gedraagt ​​gezien zijn locatie, geologische samenstelling en het gedrag van het magma van de aarde eronder (onder andere), er zijn nog steeds veel onbekende variabelen - en elke vulkaan is uniek.

Nu een onderzoeker aan de Universiteit van Granada in Spanje, Dr. Zuccarello streeft ernaar vulkanische activiteiten automatisch te analyseren om vroegtijdige waarschuwingsmodellen te ontwikkelen die het leven kunnen redden van mensen die in de buurt van vulkanen wonen.

In het laatste decennium, methoden voor het verzamelen van gegevens zijn aanzienlijk verbeterd, met nieuwe en gevoeligere apparatuur, en onderzoekers hebben nu toegang tot een ongekende stortvloed aan gegevens. Bijvoorbeeld, ze hebben toegang tot realtime informatie over hoe de aarde schudt in de buurt van de vulkaan (seismische activiteit), de voortplanting van geluidsgolven van diep in de aarde, en de chemicaliën die in de vulkaan aanwezig zijn en hoe ze veranderen.

Vulkaanobservatoria moeten in korte tijd grote hoeveelheden gegevens analyseren. "Er is behoefte aan snellere en foutloze technieken om dergelijke gegevens te verzamelen, ' zei Dr. Zuccarello.

Zijn VOLCANOWAVES-project, waaronder onderzoekers gevestigd in Spanje, het Verenigd Koninkrijk, Italië, Mexico, en Argentinië, gebruikt machine learning om patronen in de seismische activiteit rond een vulkaan te identificeren in een poging te voorspellen wanneer, of het zal uitbarsten. Vooral, Dr. Zuccarello kijkt naar de laagfrequente gebeurtenissen, zoals vulkanische trillingen, die meestal verband houden met de beweging van magma in het sanitair van een vulkaan.

Spraakherkenning

In het laatste decennium, de toepassing van machine learning op patroonidentificatie is een integraal onderdeel van spraakherkenning, maar onderzoekers gebruiken het nu om het gedrag van vulkanen te voorspellen. "Hoewel deze velden aanzienlijk verschillen qua context en bron, het doel van de analyse is hetzelfde:de studie van hun harmonischen in de loop van de tijd op zoek naar patronen, ' zei Dr. Zuccarello.

De belangrijkste output van het project zal een reeks algoritmen zijn - die klaar moeten zijn wanneer het project later dit jaar afloopt - en hij hoopt dat ze op grote schaal in de wetenschappelijke gemeenschap zullen worden gebruikt om vulkanen van dag tot dag te volgen.

"Spraak- en seismische signalen delen belangrijke eigenschappen, " zei Dr. Guillermo Cortés, een specialist in signaalverwerking en machine learning aan de Universiteit van Udine in Italië. Hij leidde een project genaamd VULCAN.ears, die ook spraakherkenningstechnologie gebruikte om te begrijpen wat vulkanen zeggen.

Dr. Cortés en collega's ontwikkelden een realtime vulkaanmonitoringsysteem, die automatisch vulkanische 'gebeurtenissen' detecteert en labelt in de datastromen afkomstig van meetstations die seismische signalen detecteren. Dit systeem maakt vervolgens catalogi van activiteiten om gedragspatronen te vinden.

Dr. Roberto Carniel, een geofysicus aan de Universiteit van Udine en de wetenschappelijke supervisor van het project, zegt:"De komst van machine learning en toegepaste deep learning-technieken onthult nieuwe oplossingen voor oude problemen. (Nu) is het gemakkelijker om resultaten van verschillende monitoringgebieden te combineren met de studie van seismische signalen, infrasonische signalen, magnetische signalen, geochemische analyse van gassen en vloeistoffen, vervorming, thermische en videocamera's, om meer robuuste en betrouwbare voorspellingen te produceren."

Met 29 miljoen mensen over de hele wereld die binnen 10 km van een vulkaan wonen, voorspellen wanneer ze zullen uitbarsten is van vitaal belang voor het waarborgen van het welzijn van mensen. Afbeeldingscredits:Pexels/pixabay, gelicentieerd onder CC0

Het team ontwikkelde een vulkanisch seismisch herkenningssysteem op basis van gesuperviseerde machine learning, waarin ze gegevens analyseerden die al door andere experts waren gelabeld, de software leren om vulkaangebeurtenissen zoals vulkanische trillingen te identificeren, asval, of explosies in de vulkaan. Deze aanpak is vergelijkbaar met het vinden van woorden in een gesprek, het labelen van hun woordsoorten en het vinden van de taalpatronen die uniek zijn voor elke vulkaan.

Dit is een breuk met de klassieke methoden voor het maken van catalogi van vulkaangedrag, Dr. Cortés zegt. Deze methoden omvatten de automatische detectie van gebeurtenissen en handmatige classificatie door experts. "Meestal voeren ze deze taak dagelijks uit, die te traag zou kunnen zijn in een situatie waarbij een populatie betrokken is die gevaar loopt door een onverwachte uitbarsting, " hij zei.

Tijd kan van essentieel belang zijn als het om vulkanen gaat, vooral in het geval van asval, instortingen en aardverschuivingen, hij zegt. In die gevallen, 'de detectie en classificatie in real-time operatie is van cruciaal belang' om de besluitvormingstijd te verkorten als nabijgelegen gemeenschappen moeten worden geëvacueerd.

Het uiteindelijke doel van Dr. Cortés was om een ​​systeem te ontwikkelen dat universeel en vulkaanonafhankelijk is en dat gemakkelijk kan worden ingebed in elk vulkaanobservatorium. Om dit te bouwen, de onderzoekers hebben een universele database gemaakt van tientallen vulkanen over de hele wereld en hebben hun machine learning-technieken gebruikt om universele modellen te bouwen. Een voorlopige versie hiervan is online beschikbaar.

Echter, voor Dr. Carniel, wat nu belangrijk is, is dat vulkanische observatoria over de hele wereld het werk voortzetten. "Ze zijn de echte sleutel tot het bevorderen van het vulkaanonafhankelijke idee, het installeren van het vulkanische seismische herkenningssysteem in hun eigen observatoria, bronnen delen, en het geven van waardevolle feedback, " hij zei.

Deze observatoria zijn, ten slotte, de frontlinie van de inspanningen van landen om hun burgers te beschermen tegen de vulkanen binnen hun grenzen - en wetenschappers moeten het gefluister van vulkanen kunnen horen om te voorspellen wanneer ze gaan schreeuwen.