خروج بخار از قله دماوند: تحلیل زمین‌شناسی و نقش هوش مصنوعی در پایش آتشفشان

تحلیل تصاویر ماهواره‌ای با هوش مصنوعی

تصاویر حرارتی و رادیومتری ماهواره‌ای ابزاری مهم در شناسایی نشانه‌های گرمایی آتشفشانی هستند. الگوریتم‌های یادگیری عمیق (مانند شبکه‌های عصبی پیچشی) می‌توانند به صورت خودکار نقاط داغ (ناهنجاری‌های حرارتی) بر سطح آتشفشان را تشخیص دهند. برای مثال، سامانه‌ی MOUNTS با ترکیب تصاویر چندمنظوره ماهواره‌ای و تحلیل‌های یادگیری ماشین، تغییرات عمده در شکل زمین (مانند انبساط گدازه) را شناسایی کرده است (منبع شماره ۱). همچنین استفاده از پلتفرم‌های ابری مانند Google Earth Engine امکان پردازش سریع مجموعه داده‌ های ماهواره‌ ای در مقیاس جهانی را فراهم نموده و روش‌های انتقال یادگیری (Transfer Learning) به مدل‌های از پیش‌ آموزش‌ دیده شده (مانند SqueezeNet بر روی پایگاه ImageNet) این امکان را می‌دهد که با داده‌های کم حجم و خاص آتشفشان‌ ها، آموزش داده و بهینه شوند (منبع شماره ۲).

پردازش داده‌های لرزه‌ای با الگوریتم‌های هوشمند

لرزه‌ نگاری آتشفشانی و تحلیل الگو های لرزه‌ ای نقش پایه‌ ای در مانیتورینگ فوران‌ ها داشته است. در سال‌های اخیر، شبکه‌های عصبی و الگوریتم‌های یادگیری ماشین برای طبقه‌ بندی داده‌ های لرزه‌ای و پیش‌ بینی حالات آتشفشانی به کار گرفته شده اند. به عنوان مثال، کار اخیر محققان علوم زمین به نحوه استفاده از شبکه‌ های عصبی برای دسته‌بندی وضعیت هشدار آتشفشان بر مبنای پارامترهای لرزه‌ای پرداخته است؛ این روش وضعیت‌های متفاوت (آرام، پیش‌لرزه، فوران) را شناسایی کرده و احتمال وقوع فوران را تخمین می‌زند (منبع شماره ۳). نتایج این مدل‌ ها نشان می‌ دهد که می‌توان با تحلیل همزمان خصوصیات لرزه‌ای (مانند انرژی سیگنال، بسامدهای غالب) به پیش‌بینی کوتاه‌مدت فوران‌ ها دست یافت و در ابزارهای هشدار سریع استفاده کرد (منبع شماره ۴).

سامانه‌های هشدار زود هنگام فوران آتشفشان مبتنی بر هوش مصنوعی

سامانه‌ های مانیتورینگ آتشفشان روز‌ به‌ روز به سوی یکپارچه‌سازی حسگر های متنوع و تحلیل‌ های پیشرفته حرکت می‌کنند. در پروژه‌ی MOUNTS، داده‌های لرزه‌ای از شبکه‌ های بین‌المللی (GEOFON و USGS) با مشاهدات ماهواره‌ ای ترکیب شده تا تغییرات زیر سطح و بر سطح آتشفشان‌ ها کشف شوند (منبع شماره ۵). در این سامانه از شبکه‌ های عصبی استفاده شده است تا تغییر شکل‌ های بزرگ زمین را در تصاویر ماهواره‌ ای تشخیص دهد؛ برای مثال، نرم‌افزار آموزشی تصاویری شبیه‌ سازی‌ شده (سنتتیک) فراوان را برای یادگیری الگو های تغییر شکل به شبکه داده و سپس آن را برای شناسایی تغییرات واقعی آزمایش کرده‌اند (منبع شماره ۶). مدیران این پروژه معتقدند که در آینده نزدیک، مانیتورینگ خودکار و یکپارچه مبتنی بر هوش مصنوعی و منابع سنجش از دور و زمینی می‌تواند هشدارهای دقیق‌ تر و به‌موقع‌ تری برای فوران‌های آتشفشانی ارائه نماید.

حسگرها و شبکه‌های اینترنت اشیاء (IoT)

توسعه شبکه‌ های حسگری بی‌سیم (IoT) امکان پوشش گسترده‌ ای از داده های آتشفشان‌ ها را فراهم کرده است. این حسگرهای کوچک و ارزان می‌توانند پارامترهای زمین (لرزش، فشار، دما و…)، گاز های آتشفشانی و دیگر داده‌ های میدانی را در زمان واقعی جمع‌ آوری کنند. مطالعات نشان می‌دهند که شبکه‌های IoT می‌ توانند آتشفشان را با تراکم زیادی پوشش دهند و داده‌ های زنده (Real-Time) فراهم کنند(منبع شماره ۷). به همین منظور در برخی مطالعات، سیستم‌ های هشدار زود هنگام فوران آتشفشان مبتنی بر IoT توسعه یافته‌ اند؛ برای مثال در اندونزی یک سیستم IoT چندحسی طراحی شده که به بیش از صد آتشفشان فعال نظارت مداوم می نماید. این نوع شبکه‌ ها علی‌ رغم چالش‌ های فنی (محافظت از تجهیزات در برابر بلایای طبیعی و فراهمی برق) توانسته‌اند اطلاعات ارزشمندی برای تعیین نشانه‌ های پیش‌ فوران فراهم نمایند. به عنوان نمونه، در شبکه IoT نصب‌شده در آتشفشان اتنا، حتی در دوره فوران‌های شدید ۲۰۲۱ ارتباط حسگر ها حفظ شده است. در آینده، ادغام داده‌ های حسگرهای IoT با الگوریتم‌ های هوشمند (برای مثال یادگیری ماشین بر روی داده‌های چندپارامتری (هوش مصنوعی چند وجهی)) می‌تواند قابلیت پیش‌بینی و اعلان هشدار را به‌طور قابل‌ توجهی افزایش دهد.