Inteligencia artificial ayuda a predecir las erupciones volcánicas

Los satélites proporcionan torrentes de datos sobre los volcanes activos del mundo, pero los investigadores han luchado para convertirlos en una predicción global de riesgos volcánicos.

 Eso puede cambiar pronto con algoritmos recientemente desarrollados que pueden separar automáticamente las señales de datos de riesgo volcánico, lo que aumenta la posibilidad de que dentro de un par de años los científicos puedan desarrollar un sistema global de alerta de volcanes.

Sin tales herramientas, los geocientíficos simplemente no pueden mantenerse al día con la información que emiten los satélites, dice Michael Poland, el científico a cargo del Observatorio del Volcán Yellowstone del Estudio Geológico de los Estados Unidos en Vancouver, Washington, que no participó en ninguno de los estudios. “El volumen de datos es abrumador”, dice.

Andrew Hooper, un vulcanólogo de la Universidad de Leeds en el Reino Unido que dirigió el desarrollo de un método, dice que los nuevos algoritmos deberían beneficiar a los aproximadamente 800 millones de personas que viven cerca de los volcanes.

“Alrededor de 1400 volcanes tienen potencial para estallar sobre el mar”, dice.

“Cerca de 100 son monitoreados. La gran mayoría no lo son ”.

Ambos métodos se presentaron en Washington, DC, en la reunión semestral de la American Geophysical Union (AGU).

En los últimos años, con el lanzamiento de los satélites de la Agencia Espacial Europea Sentinel 1A y Sentinel 1B, el campo de la vulcanología ha recibido frecuentes y repetidos puntos de vista sobre cómo se desplaza la tierra alrededor de los volcanes del mundo.

Los satélites Sentinel 1 utilizan una técnica llamada interferometría de radar, que compara las señales de radar enviadas y reflejadas desde la Tierra para rastrear cambios en la superficie del planeta.

El método no es nuevo, pero, excepcionalmente, los satélites Sentinel 1 vuelven a visitar cada punto del planeta una vez cada 6 días, y el equipo de Sentinel publica esas observaciones de alta resolución rápidamente.

Un grupo de investigación en el Reino Unido llamado Centro para la Observación y Modelización de Terremotos, Volcanes y Tectónicos (COMET) ya había comenzado a crear una base de datos de estas instantáneas de movimiento de tierra, llamadas interferogramas, para los volcanes del mundo.

La superposición de esta base de datos con detección automática parece natural dado el éxito que ha tenido el aprendizaje automático en otras formas de detección de patrones, dice Hooper, quien trabaja con COMET.

Los cambios en el movimiento del suelo por lo general reflejan el magma que se mueve debajo del volcán y no predicen perfectamente las erupciones.

Pero a diferencia de los puntos calientes térmicos o las columnas de ceniza, que pueden detectarse automáticamente con los satélites meteorológicos, los cambios en la tierra pueden ayudar a predecir las erupciones, no simplemente indicar su ocurrencia.

“La deformación no siempre significa erupción”, dice Hooper.

“Pero hay pocos casos en los que no tenemos una erupción sin deformación”.

Primero, los equipos tuvieron que enseñar a sus algoritmos a no confundir los cambios atmosféricos con el movimiento del suelo, algo que los interferogramas son propensos a hacer.

Para hacer eso, el equipo de Hooper optó por una técnica llamada análisis de componentes independientes, que aprende a dividir una señal en diferentes piezas: como una atmósfera estratificada o turbulencia a corto plazo, junto con cambios de terreno en la caldera o flanco de un volcán.

La técnica les permite captar movimientos del terreno nuevos o cambios en velocidad, los cuales pueden ser signos de erupción inminente.

Mientras tanto, otro equipo de COMET dirigido por Juliet Biggs, un vulcanólogo de la Universidad de Bristol en el Reino Unido, ha desarrollado un segundo algoritmo utilizando una forma cada vez más popular de inteligencia artificial llamada redes neuronales convolucionales, que utilizan capas de “neuronas” de inspiración biológica para separar las características de las imágenes en grupos cada vez más abstractos, aprendiendo a diferenciar, por ejemplo, gatos de perros.

Los investigadores primero entrenaron su red neuronal utilizando interferogramas en bruto de Envisat, el precursor de Sentinel, para el cual tenían ejemplos existentes de erupciones.

Aunque el algoritmo tuvo cierto éxito en un análisis de 30,000 interferogramas de Sentinel, todavía produjo demasiados falsos positivos.

Simplemente hubo muy pocos ejemplos para aprender, dice Fabien Albino, un vulcanólogo que trabaja con Biggs en Bristol.

“Para el aprendizaje automático, 100 no es nada. Quieren miles y miles “.

Para superar ese problema, Biggs y sus colegas crean un conjunto de datos sintéticos de erupciones simuladas por computadora, generadas para unos pocos patrones físicos conocidos.

Estos datos sintéticos redujeron la fracción de falsos positivos de alrededor del 60% al 20%, como informaron en la reunión de la AGU.

Esa tendencia solo continuará mejorando a medida que más ejemplos de Sentinel se viertan en el algoritmo, dice Albino.

“El sistema simplemente se adaptará como Google, [ingresará]  millones de gatos y perros, y luego el sistema lo sabrá. No tiene que aprender más. Es estable “.

Aunque algunos problemas técnicos continuos en la base de datos de volcanes de COMET han impedido que los equipos ejecuten sus algoritmos casi en tiempo real en todos los volcanes, Hooper ha ejecutado su técnica en lugares selectos, incluidos los picos volcánicos conocidos como Sierra Negra y Wolf en las Islas Galápagos.

Ambos estallaron el año pasado, y el programa de Hooper atrapó a ambos cuando comenzaron sus disturbios, informó en la reunión.

Los dos algoritmos son complementarios; La red neuronal, por ejemplo, no puede detectar cambios muy lentos en deformación, pero el análisis de componentes independientes sí puede.

Por lo tanto, es probable que el sistema de advertencia de COMET use ambos, dice Hooper.

Por ahora, el desafío es acelerar la rapidez con la que COMET puede llevar los datos del radar de Sentinel a su base de datos.

Aunque estos datos están disponibles en Sentinel dentro de unas pocas horas, aún se necesitan varias semanas para que se transfieran completamente.

Es un trabajo minucioso, dice Hooper. “Pensamos que estaríamos más lejos”.

“Es un primer paso impresionante”, dice.

“Podría absolutamente revolucionar la detección de estos eventos”.

Fuente: Science Mag