هوش مصنوعی و ماهواره‌ها چگونه به پیش‌بینی فوران‌‌های آتش‌فشانی کمک می‌کنند؟

با اینکه تقریبا ۸۰۰ میلیون نفر در فاصله‌ی ۱۰۰ کیلومتری آتشفشان‌های سراسر جهان زندگی می‌کنند، نظارت مستمر روی این بلایای طبیعی بسیار اندک است. با‌این‌حال، به‌گفته‌ی ژولیت بیگز، متخصص آتشفشان دانشگاه بریستول بریتانیا، پژوهشگران به‌لطف روش‌های نوظهور می‌توانند به‌‌طور مستمر روی این پدیده‌ها نظارت کنند.

تیم بیگز از یادگیری ماشین برای پی‌بردن به ناهنجاری‌های زمین در اطراف آتشفشان‌ها استفاده می‌کند. این تیم ۲۰‌مارس۲۰۱۸ در کنفرانس سانتا فی نیومکزیکو طرح پیشنهادی خود برای استفاده از هوش مصنوعی را ارائه داد.

بیگز و همکاران او از مشاهده‌های راداری دو ماهواره ازجمله ماهواره‌ی اروپایی سنتینل ۱ استفاده می‌کنند. اعضای تیم براساس موقعیت ماهواره‌ها در بازه‌های ۶ یا ۱۲ یا ۲۴ روزه به داده‌های مرتبط با آتشفشان‌های سراسر جهان را جمع‌آوری می‌کنند. ماهواره‌ها با عبور مجدد از یک نقطه، فاصله‌ی بین خود و زمین را اندازه‌گیری می‌کنند. با این کار، تغییرات فاصله در بازه‌ی زمانی آشکار می‌شود؛ مثلا نشست یا برآمدگی زمین براثر تغییرات ماگمای زیر آتشفشان.

باوجوداین، داده‌های مذکور نیز خالی از اشکال نیستند. بخارآب موجود در جوّ می‌تواند سیگنالی مشابه تغییرات زمین ارسال کند و پژوهشگران هنگام بررسی مشاهده‌های راداری باید این مسئله را هم در نظر بگیرند. انحراف‌های جوّی، به‌ویژه در بررسی بازه‌های زمانی نزدیک به زمان حال، مشکل‌ساز می‌شوند.

آتشفشان آگونگ در جزیره‌ی بالی، اندونزی، نوامبر۲۰۱۷

تیم بیگز در آغاز بررسی تصاویر دریافتی ماهواره‌ی سنتینل ۱ از آتشفشان آگونگ در بالی اندونزی که در نوامبر۲۰۱۷ دچار فوران شد، این مشکلات را در نظر گرفت. تقریبا دو ماه قبل از فوران این آتشفشان، صدها زلزله‌ی کوچک مناطق اطراف را لرزانده بود و تقریبا ۱۴۰,۰۰۰ نفر خانه‌های خود را ترک و به نقاط دیگر فرار کردند.

انحراف‌های جوّی در اطراف آگونگ تلاش‌های تیم برای بررسی ناهنجاری‌ زمین در اطراف آتشفشان را مختل کرده بود؛ اما بیگز و تیم او پس از تصحیح سیگنال‌های جوّی، متوجه شدند زمین در اطراف دامنه‌ی شمالی آگونگ به‌اندازه‌ی ۱۰ سانتی‌متر در جهت آتشفشان مجاور بالا آمده است.

فابین آلبینو، متخصص ژئوفیزیک دانشگاه بریستول و یکی از اعضای تیم بیگز، قصد دارد با مدل‌های آب‌وهوایی تقریبا نزدیک به زمان واقعی، راه‌‌حلی فوری برای تصحیح انحراف‌های جوّی پیدا کند.

درصورتی‌که این مدل برای پیش‌گویی اختلال‌های جوّی موفقیت‌آمیز باشد، آلبینو می‌تواند با شناسایی سیگنال‌های غیرمعمول در داده‌های رادار ماهواره‌ای، سیگنال‌های بخار آب‌وهوا را از سیگنال‌های آتشفشانی تفکیک کند. آلبینو می‌گوید این پروژه هنوز در مراحل اولیه است؛ اما درنهایت می‌تواند راهی برای ارزیابی سریع پدیده‌های اطراف آتشفشان‌هایی مثل آگونگ فراهم کند.

بیگز و همکارانش که مشغول بررسی آتشفشان‌های سراسر جهان هستند، شبکه‌ای عصبی ساختند که تقریبا ۳۰,۰۰۰ تصویر ماهواره‌ی سنتینل ۱ از ۹۰۰ آتشفشان را پردازش و ۱۰۰ تصویر را برای بررسی دقیق‌تر علامت‌گذاری کرده است. به گزارش این تیم، از میان این داده‌ها حداقل ۳۹ تصویر شکل دقیق ناهنجاری‌های زمین را نشان می‌دهند. پژوهشگران به کمک الگوریتمی داده‌ها را مرتب‌ کردند و در زمان صرفه‌جویی کردند. بدین‌ترتیب آن‌ها از زمان باقی‌مانده برای بررسی دقیق‌تر آتشفشان‌ها استفاده می‌کنند.

تیم پژوهشی در‌حال‌آموزش شبکه‌ی عصبی خود روی داده‌های ترکیبی است که از فوران‌های شبیه‌سازی‌شده به‌وجود آمده‌اند. به‌گفته‌ی پوی آنانتراسیریچایی، مهندس دانشگاه بریستول، با این کار دقت الگوریتم دوبرابر می‌شود.

گروهی با سرپرستی آندرو هوپر در دانشگاه لیدز در‌حال‌توسعه‌ی روشی دیگر برای آشکارسازی خودکار علائم بالقوه‌ی آشفتگی‌های زمین هستند. هوپر و همکاران ‌به‌جای مرتب‌سازی تصاویر رادار ماهواره‌ی سنتینل ۱ (طبق روش بیگز)، از تکنیک جست‌وجوی تغییرات در داده‌های ماهواره‌ای استفاده می‌کنند.

درصورت تغییرشکل زمین، روش هوپر می‌تواند افزایش یا کاهش سرعت یا تغییرات را ثبت کند. بدین‌ترتیب پژوهشگران می‌توانند حتی کوچک‌ترین تغییرات زمین را در بازه‌ی زمانی طولانی‌تر بررسی کنند.

دانشمندان دیگر مانند مت پریچارد، متخصص آتشفشان دانشگاه کورنل نیویورک، مشغول توسعه‌ی الگوریتم‌هایی هستند که برای تشخیص تغییرات آتشفشانی از دیگر انواع داده‌های ماهواره‌ای مانند دمای سطح یا نشر گاز و خاکستر استفاده می‌کنند.

پریچارد امیدوار است بتواند ازطریق همکاری با بیگز و دانشمندان دیگر، از روش‌های یادگیری ماشین برای طبقه‌بندی داده‌های ماهواره‌های ناسا و آکوا و ترا استفاده کند. این ماهواره‌ها در ۱۷ سال گرمای خروجی آتشفشان‌ها را اندازه‌گیری کرده‌اند؛ اما او و همکارانش هنوز در آغاز راه کار با الگوریتم‌ها هستند و مسیری طولانی در پیش دارند.