Umělá inteligence a pozemní senzory otevírají vědcům pohled do nitra vulkánu
Pomocí husté sítě senzorů a umělé inteligence se vědcům poprvé podařilo detailně sledovat, jak se pod sopkou Vulcano pohybuje magma a jaké skryté procesy probíhají v jejím nitru.
V posledních letech došlo ve vulkanologii a geofyzice k revolučnímu posunu díky propojení špičkových metod umělé inteligence a seismického zobrazování. Názorně to ukazuje i studie z italského ostrova Vulcano u Sicílie, kde vědci využili neuronové sítě v kombinaci s tzv. nodální ambientní hlukovou tomografií k odhalení dynamiky podzemních „kanálů“ sopky.
Díky tomu získali dosud nevídaný pohled na jemné a často těžko zachytitelné procesy pod povrchem sopky, což zásadně posouvá naše chápání sopečného neklidu a varovných signálů předcházejících erupcím.
Nová éra vulkanologie
Vědci využili kombinaci husté sítě přenosných seismických senzorů a umělé inteligence, která zpracovala obrovské množství dat o jemných otřesech země. Díky tomu vytvořili detailní mapu podzemních „kanálů“ sopky a dokázali odhalit i malé, rychle probíhající změny v jejím vnitřku, které korelují s pohyby plynu a deformacemi povrchu. Nová metoda umožňuje sledovat změny během dní až týdnů, což je výrazně přesnější než tradiční metody, které zpravidla krátkodobé signály vyhlazují. Schopnost zachytit rychlé změny v hloubce má zásadní význam pro předpovídání sopečného chování a hodnocení rizika erupce v reálném čase.
Výsledky ukazují nejen dosud neznámé zásobníky taveniny a průchody tekutých plynů, ale také propojení mezi mělkým hydrotermálním systémem a hlubším magmatem. Přenosné senzory a AI tak umožnily sledovat procesy, které byly dosud skryté a těžko měřitelné.
Tento přístup může být v budoucnu použit i u dalších aktivních sopek, zlepšit modely předpovědi erupcí a pomoci lépe chránit obyvatele ohrožených oblastí. Studie zároveň ukazuje, že spolupráce mezi seizmology, datovými vědci a vulkanology je klíčová pro pochopení složitých procesů uvnitř sopky.
Budoucí výzkum může kombinovat další geofyzikální data, například GPS, měření plynů nebo termální snímky, do integrovaných modelů řízených strojovým učením. To by mohlo vytvořit komplexní a dynamické mapy sopečné aktivity, spojující povrchové signály s hlubinnými procesy a zásadně zlepšit předpovědi erupcí.
