RADAR-satelliter kan samla in enorma mängder fjärranalysdata som kan upptäcka markrörelser – ytavbildningar – vid vulkaner i nästan realtid. Dessa markrörelser kan signalera förestående vulkanisk aktivitet och oroligheter; dock, moln och andra atmosfäriska och instrumentella störningar kan introducera betydande fel i dessa markrörelsemätningar.

Nu, Penn State-forskare har använt artificiell intelligens (AI) för att rensa upp det bruset, drastiskt underlätta och förbättra nära realtidsobservation av vulkaniska rörelser och upptäcka vulkanisk aktivitet och oroligheter.

"Vulkanernas form förändras ständigt och mycket av den förändringen beror på underjordiska magmarörelser i magma-rörsystemet gjorda av magma-reservoarer och ledningar, sa Christelle Wauthier, docent i geovetenskap och fakultetsstipendiat vid Institutet för data- och beräkningsvetenskap (ICDS). "Mycket av denna rörelse är subtil och kan inte tas upp med blotta ögat."

Geoforskare har använt flera metoder för att mäta markförändringarna runt vulkaner och andra områden med seismisk aktivitet, men alla har begränsningar, sa Jian Sun, huvudförfattare till artikeln och en postdoktor i geovetenskap, finansierat av Dean's Postdoc-Facilitated Innovation through Collaboration Award från College of Earth and Mineral Sciences.

Han tillade att, till exempel, forskare kan använda markstationer, såsom GPS eller tiltmätare, för att övervaka eventuell markrörelse på grund av vulkanisk aktivitet. Dock, det finns några problem med dessa markbaserade metoder. Först, instrumenten kan vara dyra och behöver installeras och underhållas på plats.

"Så, det är svårt att placera många markbaserade stationer i ett specifikt område i första hand, men, låt oss säga att det faktiskt är en vulkanisk explosion eller en jordbävning, som förmodligen skulle skada många av dessa mycket dyra instrument, sade Sun. För det andra, dessa instrument ger dig endast markrörelsemätningar på specifika platser där de är installerade, därför kommer dessa mätningar att ha en mycket begränsad rumslig täckning."

Å andra sidan, satelliter och andra former av fjärranalys kan samla in mycket viktig data om vulkanisk aktivitet för geoforskare. Dessa enheter är också för det mesta, ur vägen från ett utbrott och satellitbilderna erbjuder en mycket utökad rumslig täckning av markrörelser. Dock, även denna metod har sina nackdelar, enligt Sun.

"Vi kan övervaka markrörelsen orsakad av jordbävningar eller vulkaner med hjälp av RADAR fjärrsensorer, men medan vi har tillgång till mycket fjärranalysdata, RADAR-vågorna måste gå genom atmosfären för att registreras vid sensorn, " sa han. "Och spridningsvägen kommer troligen att påverkas av den atmosfären, speciellt om klimatet är tropiskt med mycket vattenånga och moln variationer i tid och rum."

Enligt forskarna, som rapporterar sina iakttagelser i ett färskt nummer av Journal of Geophysical Research , en metod för djupinlärning som de utvecklat fungerar ungefär som en pusselmästare. Genom att ta del av uppgifter som är tydliga, systemet kan börja fylla i hålen med "bullriga" data, hål som skapas av störningar av väder och andra instrumentella ljud. Den kan då bygga en någorlunda korrekt bild av marken och dess rörelser.

Genom att använda denna metod för djupinlärning, forskare kan få värdefulla insikter om markens rörelse, särskilt i områden med aktiva vulkaner eller jordbävningszoner och förkastningar, sa Sun. Programmet kan kanske upptäcka potentiella varningssignaler, som plötsliga landförskjutningar som kan vara ett tecken på ett kommande vulkanutbrott, eller jordbävning.

"Det är verkligen viktigt för områden nära aktiva vulkaner, eller nära där det har varit jordbävningar, att få så tidig varning som möjligt om att något kan hända, sa Sun.

Djup lärning, som namnet antyder, använder träningsdata för att lära systemet att känna igen funktioner som programmerarna vill studera. I detta fall, forskarna utbildade systemet med syntetiska data som liknade satellitytadeformationsdata. Uppgifterna inkluderade signaler om vulkanisk deformation, både rumsligt och topografiskt korrelerade atmosfäriska egenskaper och fel i uppskattningen av satellitbanor.

Framtida forskning kommer att fokusera på att förfina och utöka vår djupinlärningsalgoritm, enligt Wauthier.

"Vi vill kunna identifiera jordbävningar och förkastningsrörelser såväl som magmatiska källor och inkludera flera underjordiska källor som genererar ytdeformation, " sa hon. "Vi kommer att tillämpa denna nya banbrytande metod på andra aktiva vulkaner tack vare stöd från NASA."