Øya Vulcano, i Eolisker konstant under gransking av forskere på grunn av sin delikat hydrotermisk system. En ny studie koordinert av INGV har vist at ved å integrere satellittbilder (som Sentinel-2 og VIIRS) med kunstig intelligens, er det mulig å identifisere temperaturvariasjoner som er usynlige for det blotte øye. Systemet bruker avanserte generative nevrale nettverk for å klassifisere tilstanden til vulkanen, og baner vei for stadig mer presis og rettidig overvåking
Vulkan: en pustende gigant
Vulcano er ikke en øy som de andre. For de som besøker det, ønsker karakteristikken dem velkommen svovelholdig lukt og spektakulære fumaroler som skiller fra Fossa krater. Men det vi ser på overflaten er bare toppen av isfjellet til et kompleks hydrotermisk system: et tett underjordisk nettverk der vann, damp og magmatiske gasser samhandler og varmer bakken. Å overvåke dette systemet er avgjørende for sikkerheten, men det er ikke lett. Bakkemålinger krever tid og konstant vedlikehold. Dette er grunnen til at National Institute of Geophysics and Volcanology (INGV), i samarbeid med universitetet i Cataniabestemte seg for å se på vulkanen fra et annet perspektiv: fra verdensrommet, ved hjelp av støtte frakunstig intelligens.
Satellitter og «semi-overvåket» kunstig intelligens
Studien, nylig publisert i tidsskriftet Fjernmålingsapplikasjoner: samfunn og miljø, ble født i prosjektet SAFARI. Den underliggende ideen er å bruke termiske data samlet inn av satellitter mellom 2016 og 2024 og «mate» den til en algoritme som er i stand til å lære av jordens termiske signaler. Francesco SpinaINGV-forsker og tilsvarende forfatter av forskningen, forklarer hva arbeidet består av:
Studien analyserte data samlet inn mellom 2016 og 2024, og kombinerte informasjon om temperatur og miljøforhold hentet fra VIIRS- og Sentinel-2-satellittene med fumaroltemperaturer registrert av INGV-overvåkingsnettverket i La Fossa-kraterområdet.
For å overvinne mangelen på data om kriser (som heldigvis er sjeldne hendelser), brukte teamet en læringsmodell kalt SGAN (Semi-Supervised Generative Adversarial Network). Dette er en klasse med nevrale nettverk som kan lære selv når de har svært få «merkede» eksempler tilgjengelig (dvs. tilfeller som allerede er klassifisert av forskere). Gaetana GanciINGV-forsker og medforfatter av studien, understreker viktigheten av denne teknologien:
Bruken av en semi-overvåket modell basert på generative nevrale nettverk (SGAN) gjorde det mulig å overvinne den begrensede tilgjengeligheten av merkede data, på grunn av sjeldenheten av krisefaser. Faktisk kan modellen lære effektivt både med en liten mengde merket data og med en stor mengde umerket data.
Takket være denne fleksibiliteten kan systemet skille mellom tre forskjellige operasjonsscenarier:
- Bakgrunn: ordinær aktivitet.
- Mindre krise: små anomalier som signaliserer en økning i varme.
- Uro: en fase med ustabilitet som indikerer en betydelig endring i det vulkanske systemet.
Hvorfor denne studien er viktig
Resultatene viser det Algoritmen er i stand til å identifisere kriseperioder korrektsom den som startet i 2021 som førte til økte varslingsnivåer på øya. Å kunne analysere variasjoner i overflatetemperatur betyr automatisk å ha et system med avansert overvåking. Vi trenger ikke lenger bare stole på den fysiske tilstedeværelsen av sensorer på bakken: kunstig intelligens den kan oppdage subtile endringer i satellittdataslik at tegn på ustabilitet kan identifiseres tidlig og garanterer større beskyttelse for øyas innbyggere og turister. I fremtiden kan denne «hybride» tilnærmingen mellom rom og AI bli en standard for overvåking av aktive vulkaner over hele verden.
