RADAR-satellieten kunnen enorme hoeveelheden teledetectiegegevens verzamelen die grondbewegingen - oppervlaktevervormingen - bij vulkanen in bijna realtime kunnen detecteren. Deze grondbewegingen kunnen duiden op dreigende vulkanische activiteit en onrust; echter, wolken en andere atmosferische en instrumentele storingen kunnen significante fouten in die grondbewegingsmetingen introduceren.

Nutsvoorzieningen, Penn State-onderzoekers hebben kunstmatige intelligentie (AI) gebruikt om dat geluid op te ruimen, het drastisch vergemakkelijken en verbeteren van bijna realtime observatie van vulkanische bewegingen en de detectie van vulkanische activiteit en onrust.

"De vorm van vulkanen verandert voortdurend en veel van die verandering is te wijten aan ondergrondse magmabewegingen in het magma-leidingsysteem gemaakt van magmareservoirs en leidingen, " zei Christelle Wauthier, universitair hoofddocent geowetenschappen en faculteitsgenoot van het Institute for Data and Computational Sciences (ICDS). "Veel van deze beweging is subtiel en kan niet met het blote oog worden opgepikt."

Geowetenschappers hebben verschillende methoden gebruikt om de grondveranderingen rond vulkanen en andere gebieden met seismische activiteit te meten, maar ze hebben allemaal beperkingen, zei Jian Sun, hoofdauteur van het artikel en een postdoctoraal wetenschapper in geowetenschappen, gefinancierd door Dean's Postdoc-Facilitated Innovation through Collaboration Award van het College of Earth and Mineral Sciences.

Hij voegde eraan toe dat bijvoorbeeld, wetenschappers kunnen grondstations gebruiken, zoals GPS of tiltmeters, om mogelijke grondbewegingen als gevolg van vulkanische activiteit te volgen. Echter, er zijn een paar problemen met deze grondgebaseerde methoden. Eerst, de instrumenten kunnen duur zijn en moeten ter plaatse worden geïnstalleerd en onderhouden.

"Dus, het is moeilijk om in de eerste plaats veel grondstations in een specifiek gebied te plaatsen, maar, laten we zeggen dat er een vulkaanuitbarsting of een aardbeving is, dat zou waarschijnlijk veel van deze zeer dure instrumenten beschadigen, "zei Sun. "Ten tweede, die instrumenten geven u alleen grondbewegingsmetingen op specifieke locaties waar ze zijn geïnstalleerd, daarom zullen die metingen een zeer beperkte ruimtelijke dekking hebben."

Anderzijds, satellieten en andere vormen van teledetectie kunnen voor geowetenschappers veel belangrijke gegevens over vulkanische activiteit verzamelen. Deze apparaten zijn ook voor het grootste gedeelte, uit de buurt van een uitbarsting en de satellietbeelden bieden een zeer uitgebreide ruimtelijke dekking van grondbewegingen. Echter, zelfs deze methode heeft zijn nadelen, volgens zon.

"We kunnen de beweging van de grond volgen die wordt veroorzaakt door aardbevingen of vulkanen met behulp van RADAR-afstandssensoren, maar hoewel we toegang hebben tot veel remote sensing-gegevens, de RADAR-golven moeten door de atmosfeer gaan om opgenomen te worden bij de sensor, " zei hij. "En het voortplantingspad zal waarschijnlijk worden beïnvloed door die atmosfeer, vooral als het klimaat tropisch is met veel waterdamp en wolken, variaties in tijd en ruimte."

Volgens de onderzoekers is die hun bevindingen rapporteren in een recent nummer van de Tijdschrift voor Geofysisch Onderzoek , een diepgaande leermethode die ze hebben ontwikkeld, werkt net als een puzzelmeester. Door stukjes gegevens te nemen die duidelijk zijn, het systeem kan beginnen met het opvullen van de gaten met "lawaaierige" gegevens, gaten gecreëerd door de interferentie van het weer en andere instrumentale geluiden. Het kan dan een redelijk nauwkeurig beeld opbouwen van het land en zijn bewegingen.

Met behulp van deze diepgaande leermethode, wetenschappers zouden waardevolle inzichten kunnen krijgen in de beweging van de grond, vooral in gebieden met actieve vulkanen of aardbevingsgebieden en breuken, zei zon. Het programma kan mogelijke waarschuwingssignalen herkennen, zoals plotselinge landverschuivingen die een voorbode kunnen zijn van een naderende vulkaanuitbarsting, of aardbeving.

"Het is erg belangrijk voor gebieden in de buurt van actieve vulkanen, of in de buurt van waar aardbevingen zijn geweest, om zo vroeg mogelijk te worden gewaarschuwd dat er iets zou kunnen gebeuren, " zei Zon.

Diep leren, zoals de naam doet vermoeden, gebruikt trainingsgegevens om het systeem te leren functies te herkennen die de programmeurs willen bestuderen. In dit geval, de onderzoekers trainden het systeem met synthetische gegevens die vergelijkbaar waren met de vervormingsgegevens 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 richten op het verfijnen en uitbreiden van ons deep learning-algoritme, volgens Wauthier.

"We willen aardbevingen en breukbewegingen kunnen identificeren, evenals magmatische bronnen en verschillende ondergrondse bronnen opnemen die oppervlaktevervorming veroorzaken, "zei ze. "We zullen deze nieuwe baanbrekende methode toepassen op andere actieve vulkanen dankzij de steun van NASA."