Deep learning kunstig intelligens holder øje med vulkanens bevægelser

RADAR-satellitter kan indsamle enorme mængder fjernmålingsdata, der kan detektere jordbevægelser - overfladedeformationer - ved vulkaner i næsten realtid. Disse jordbevægelser kunne signalere forestående vulkansk aktivitet og uroligheder; imidlertid, skyer og andre atmosfæriske og instrumentelle forstyrrelser kan introducere betydelige fejl i disse jordbevægelsesmålinger.

Nu, Penn State-forskere har brugt kunstig intelligens (AI) til at fjerne den støj, drastisk facilitering og forbedring af næsten realtidsobservation af vulkanske bevægelser og påvisning af vulkansk aktivitet og uroligheder.

"Vulkanernes form ændrer sig konstant, og en stor del af denne ændring skyldes underjordiske magmabevægelser i magma VVS-systemet lavet af magma reservoirer og ledninger, " sagde Christelle Wauthier, lektor i geovidenskab og Institut for Data- og Beregningsvidenskab (ICDS) fakultetsstipendiat. "Meget af denne bevægelse er subtil og kan ikke opfanges med det blotte øje."

Geovidenskabsmænd har brugt flere metoder til at måle jordændringerne omkring vulkaner og andre områder med seismisk aktivitet, men alle har begrænsninger, sagde Jian Sun, hovedforfatter af papiret og en postdoc i geovidenskab, finansieret af Dean's Postdoc-Facilitated Innovation through Collaboration Award fra College of Earth and Mineral Sciences.

Han tilføjede, at for eksempel, videnskabsmænd kan bruge jordstationer, GPS eller hældningsmålere, at overvåge mulig jordbevægelse på grund af vulkansk aktivitet. Imidlertid, der er et par problemer med disse jordbaserede metoder. Først, instrumenterne kan være dyre og skal installeres og vedligeholdes på stedet.

"Så, det er svært at placere mange jordbaserede stationer i et bestemt område i første omgang, men, lad os sige, at der faktisk er en vulkansk eksplosion eller et jordskælv, det ville sandsynligvis skade mange af disse meget dyre instrumenter, " sagde Sun. "For det andet, disse instrumenter vil kun give dig jordbevægelsesmålinger på bestemte steder, hvor de er installeret, derfor vil disse målinger have en meget begrænset rumlig dækning."

På den anden side, satellitter og andre former for fjernmåling kan samle en masse vigtige data om vulkansk aktivitet for geovidenskabsfolk. Disse enheder er også for det meste, ude af skade fra et udbrud, og satellitbillederne tilbyder meget udvidet rumlig dækning af jordens bevægelse. Imidlertid, selv denne metode har sine ulemper, ifølge Sun.

"Vi kan overvåge jordens bevægelse forårsaget af jordskælv eller vulkaner ved hjælp af RADAR-fjernsensorer, men mens vi har adgang til en masse fjernmålingsdata, RADAR-bølgerne skal gå gennem atmosfæren for at blive registreret ved sensoren, " sagde han. "Og udbredelsesvejen vil sandsynligvis blive påvirket af den atmosfære, især hvis klimaet er tropisk med mange vanddampe og skyers variationer i tid og rum."

Ifølge forskerne, der rapporterer deres resultater i et nyligt nummer af Journal of Geophysical Research , en dyb læringsmetode, de udviklede, fungerer meget som en puslespilsmester. Ved at tage data, der er klare, systemet kan begynde at udfylde hullerne med "støjende" data, huller skabt af interferens fra vejr og andre instrumentelle lyde. Det kan så opbygge et nogenlunde præcist billede af jorden og dens bevægelser.

Ved at bruge denne dybe læringsmetode, videnskabsmænd kunne få værdifuld indsigt i jordens bevægelse, især i områder med aktive vulkaner eller jordskælvszoner og forkastninger, sagde Sun. Programmet kan muligvis se potentielle advarselstegn, såsom pludselige landskift, der kan være et tegn på et forestående vulkanudbrud, eller jordskælv.

"Det er virkelig vigtigt for områder tæt på aktive vulkaner, eller i nærheden af, hvor der har været jordskælv, at få så tidligt varsel som muligt om, at noget kan ske, " sagde Sun.

Dyb læring, som navnet antyder, bruger træningsdata til at lære systemet at genkende funktioner, som programmørerne ønsker at studere. I dette tilfælde, forskerne trænede systemet med syntetiske data, der lignede satellitoverfladedeformationsdata. Dataene omfattede signaler om vulkansk deformation, både rumligt og topografisk korrelerede atmosfæriske træk og fejl i estimeringen af ​​satellitbaner.

Fremtidig forskning vil fokusere på at forfine og udvide vores deep learning-algoritme, ifølge Wauthier.

"Vi ønsker at være i stand til at identificere jordskælv og forkastningsbevægelser samt magmatiske kilder og inkludere flere underjordiske kilder, der genererer overfladedeformation, " sagde hun. "Vi vil anvende denne nye banebrydende metode til andre aktive vulkaner takket være støtte fra NASA."