Kunstmatige intelligentie is geschikt voor het monitoren van vulkanen

Helmholtz Center Potsdam GFZ Duits onderzoekscentrum voor geowetenschappen

voorlezen

Meer dan de helft van de actieve vulkanen op aarde wordt niet instrumenteel gemonitord. Er kunnen bijvoorbeeld uitbraken optreden die in theorie mensen in theorie zouden kunnen waarschuwen zonder een alarm te activeren. Onderzoekers van de Technische Universiteit Berlijn en het Duitse Onderzoekscentrum voor Geowetenschappen GFZ in Potsdam hebben nu het MOUNTS vulkaanmonitoringsplatform gecreëerd, dat verschillende meetgegevens samenbrengt en satellietbeelden analyseert, onder andere met behulp van 'machine learning'.

Meer dan de helft van de actieve vulkanen op aarde wordt niet instrumenteel gemonitord. Er kunnen bijvoorbeeld uitbraken optreden die in theorie mensen in theorie zouden kunnen waarschuwen zonder een alarm te activeren. In een eerste en nog vroege stap op weg naar een vulkaanwaarschuwingssysteem, werd een nieuw vulkaanmonitoringsplatform ontwikkeld in een onderzoeksproject geleid door Sébastien Valade van de Technische Universiteit van Berlijn (TU Berlijn) en het GFZ Duits onderzoekscentrum voor geowetenschappen in Potsdam geanalyseerd met behulp van "kunstmatige intelligentie". Door recente gebeurtenissen te testen, toonden Valade en zijn collega's aan dat hun MONUNTS (Monitoring Unrest from Space) -platform meerdere datasets met verschillende soorten gegevens kan combineren voor volledige vulkanische monitoring. De resultaten van het team werden gepubliceerd in het tijdschrift Remote Sensing.

Van de 1500 actieve vulkanen wereldwijd, breken er elk jaar maximaal 85 uit. Vanwege de kosten en onzekerheden van het handhaven van volumetrische instrumentatie, wordt minder dan de helft van actieve vulkanen bewaakt met op de grond gebaseerde sensoren, en nog minder worden als goed gecontroleerd beschouwd. Vulkanen die als sluimerend of uitgestorven worden beschouwd, worden meestal niet instrumenteel waargenomen. Maar ze kunnen onverwacht en massaal uitbarsten, zoals gebeurde in 2008 bij de Chaitén-vulkaan in Chili, die wakker werd na 8.000 jaar inactiviteit.

Uitbarstingen gaan vaak gepaard met voorlopersignalen

Satellieten kunnen cruciale gegevens leveren wanneer monitoring op de grond beperkt of afwezig is. Continue observaties op lange termijn vanuit de ruimte zijn de sleutel om tekenen van geologische onrust beter te herkennen. Uitbarstingen gaan vaak - hoewel niet altijd - gepaard met voorlopersignalen die enkele uren tot enkele jaren kunnen duren. Deze signalen kunnen veranderingen in seismisch gedrag, bodemvervormingen, gasemissies, stijgende temperaturen of een combinatie daarvan omvatten.

"Met uitzondering van seismiciteit, kunnen al deze fenomenen vanuit de ruimte worden gevolgd door verschillende golflengten in het elektromagnetische spectrum te gebruiken", zegt Sébastien Valade, hoofd van het MOUNTS-project. Het wordt gefinancierd door GEO.X, een onderzoeksnetwerk voor geowetenschappen opgericht in 2010 in Berlijn en Potsdam, en uitgevoerd aan de TU Berlijn en de GFZ. "In het MOUNTS-controlesysteem gebruiken we verschillende satellietsensoren om veranderingen in vulkanen te detecteren en te meten, " voegt Valade toe. "En we namen ook seismische gegevens op van GFZ's wereldwijde GEOFON-netwerk en USGS-gegevens van de United States Geological Survey."

Een deel van het project was om te testen of "kunstmatige intelligentie" (AI) met succes kan worden geïntegreerd in het gegevensanalyseproces. De AI-algoritmen zijn voornamelijk ontwikkeld door Andreas Ley van de TU Berlijn. Voor de automatische detectie van grote vervormingsgebeurtenissen gebruikte hij zogenaamde kunstmatige neurale netwerken. De onderzoekers trainden ze met computer-gegenereerde beelden die werden gemodelleerd naar echte satellietbeelden. Uit dit grote aantal synthetische voorbeelden leerde de software om grotere vervormingsgebeurtenissen te detecteren in echte, voorheen onbekende satellietgegevens. Dit gebied van data science wordt "machine learning" genoemd.

"Het was voor ons een belangrijke 'testballon' om te zien hoe we machine learning in het systeem kunnen integreren", zegt Ley. "Op dit moment lost onze vervormingsdetector slechts één taak op. Onze visie is om verschillende AI-tools voor verschillende taken te integreren. Omdat deze tools doorgaans profiteren van het leren van grote hoeveelheden gegevens, willen we dat ze continu leren van alle gegevens die het systeem wereldwijd verzamelt

MOUNTS volgt 17 vulkanen over de hele wereld

De belangrijkste uitdagingen voor S bastien Valade en zijn co-auteurs waren de behandeling van grote hoeveelheden problemen met gegevens- en softwareontwikkeling. "Maar deze problemen kunnen worden opgelost", zegt Valade. Ik geloof dat geautomatiseerde bewakingssystemen met behulp van AI en gegevens uit meerdere bronnen, zoals teledetectie en aardgebonden sensoren in de nabije toekomst, zullen helpen om mensen sneller en betrouwbaarder te waarschuwen.

De analyse die momenteel wordt geleverd door het MOUNTS-monitoringplatform maakt al een uitgebreid inzicht in verschillende processen in verschillende klimatologische en vulkanische omgevingen over de hele wereld mogelijk: de verspreiding van magma onder het oppervlak Van de verdeling van vulkanisch materiaal tijdens de uitbarsting tot de morfologische veranderingen in de getroffen gebieden en de uitstoot van gassen in de atmosfeer. De onderzoekers hebben met succes MOUNTS getest op recente evenementen, zoals de uitbraak van Krakatoa in Indonesië in 2018 of uitbraken in Hawaii en Guatemala.

Het systeem bewaakt momenteel 17 vulkanen wereldwijd, waaronder Popocat petl in Mexico en tna in Italië. De website van het platform is vrij toegankelijk op internet en zo ontworpen dat nieuwe gegevens eenvoudig kunnen worden geïntegreerd dankzij wereldwijde dekking en gratis toegang tot gegevens. (Remote Sensing; doi: 10.3390 / rs11131528)

Bron: Helmholtz Center Potsdam GFZ Duits onderzoekscentrum voor geowetenschappen

- Kay Sanders