Exploiting Artificial Intelligence in Volcanic Monitoring for Distributed Acoustic Sensing Analysis and GNSS-Based Source Inversion [L’Intelligenza Artificiale per il monitoraggio vulcanico: analisi di segnali DAS e modellazione della sorgente tramite inversione di dati GNSS]

Il rischio tangibile connesso alla pericolosità vulcanica ha suscitato un notevole interesse scientifico e sociale per il monitoraggio dei vulcani attivi. Negli ultimi anni, l'Intelligenza Artificiale (AI), in particolare il Machine Learning (ML), è emersa come uno strumento promettente per supportare l'acquisizione, l'elaborazione e la modellizzazione dei dati. Investighiamo dunque le applicazioni poco esplorate dal Machine Learning per l'automazione del processamento dei dati DAS e la modellizzazione dei dati geodetici ai fini del monitoraggio vulcanico. Esploriamo il deep learning per la pre-elaborazione e l'elaborazione automatica di grandi set di dati geofisici acquisiti attraverso la nuova tecnologia Distributed Acoustic Sensing (DAS) durante la crisi di Vulcano (Italia) nel 2021. Il periodo di unrest, iniziato a settembre 2021, è stato caratterizzato da un incremento di sismicità, con l’occorrenza di numerosi eventi sismici a bassa frequenza. Nel gennaio 2022, è stato interrogato da un dispositivo DAS un cavo in fibra ottica per telecomunicazioni onshore-offshore che collega l'isola di Vulcano alla Sicilia. Pertanto, implementiamo diversi approcci per la rilevazione automatica di eventi sismo-vulcanici a bassa frequenza sui dati DAS, confrontando le performance delle reti neurali convoluzionali e degli algoritmi convenzionali di rilevamento sismico. Sebbene i sistemi DAS offrano uno strumento efficace per estendere il monitoraggio sismico ad aree scarsamente strumentate, essi si rivelano sensibili al rumore antropico che spesso contamina le registrazioni, soprattutto in aree urbane. La coerenza spazio-temporale del rumore antropico, congiuntamente alla sovrapposizione della banda di frequenza con i segnali sismici, rendono inefficaci le tecniche tradizionali di denoising. Pertanto, progettiamo e testiamo varie architetture di autoencoder convoluzionali con connessioni residuali addestrati con diverse strategie per rimuovere il rumore antropico, valutando le loro prestazioni sia nel task di denoising che di ricostruzione del segnale originale. Sebbene siano state sviluppate molte reti neurali computazionalmente efficienti per il foward modelling delle sorgenti vulcaniche, tutte si avvalgono di algoritmi di ottimizzazione per risolvere il problema dell'inversione. Impieghiamo il deep learning per invertire i dati GNSS al fine di modellare sorgenti in sovrapressione. Presentiamo VulcanIA, un framework di deep learning per stimare le probabilità di sovrapressione nel dominio tridimensionale a partire da poche stazioni GNSS, sparse in superficie. Addestrato e validato su dati sintetici con rumore, il modello di AI è inoltre testato sul caso di studio dell'intrusione dell'Etna del maggio 2008. VulcanIA è stato adattato per essere integrato come parte del digital twin per il monitoraggio dell’unrest vulcanico dell’Etna. Presentiamo dunque anche la versione specializzata, allenata su simulazioni numeriche che incorporano la topografia e l’eterogeneità del mezzo. Testiamo il modello sui dati sintetici e successivamente ne valutiamo l’efficacia in relazione all'intrusione sul fianco dell'Etna avvenuta la Vigilia di Natale del 2018. I risultati delle nostre ricerche confermano le capacità e l'efficacia del Machine Learning ai fini del monitoraggio vulcanico.

Grantor dc:publisher

Università degli studi di Catania

Year dc:date

2025

Author dc:creator

• ALLEGRA, MARTINA

Contributors dc:contributor

• PALAZZO, SIMONE
• ARENA, Paolo Pietro

• Artificial Intelligence
• Deep Learning
• Distributed Acoustic Sensing
• Volcano Monitoring
• Volcanic Source Inversion
• Intelligenza Artificiale
• Monitoraggio Vulcanico

Statement dc:rights

• info:eu-repo/semantics/embargoedAccess
• license:NON PUBBLICO - Accesso privato/ristretto
• license uri:iris.PRI01

Language dc:language

eng

Handle dc:identifier

https://hdl.handle.net/20.500.11769/705010

OAI identifier oai:identifier

oai:www.iris.unict.it:20.500.11769/705010