Verborgene Muster in vulkanischer Seismizität: Deep-Learning-Erkenntnisse aus der Aktivität des Monte Etna 2020–2021

Dem unruhigen Vulkan zuhören

Der Monte Etna auf Sizilien gehört zu den aktivsten Vulkanen der Welt, und seine Ausbrüche können nahegelegene Orte, Flughäfen und kritische Infrastruktur bedrohen. Vulkanobservatorien beobachten Etna bereits mit einer Vielzahl von Instrumenten, doch die schiere Datenmenge macht es für Menschen allein schwierig, alle Warnsignale rechtzeitig zu erkennen. Diese Studie zeigt, wie moderne künstliche Intelligenz durch ein Jahr von Etnas seismischem „Herzschlag“ filtern kann, um verborgene Muster aufzudecken, die verraten, wann der Vulkan ruhig ist, wann er sich auflädt und wann er sich auf einen Ausbruch vorbereitet.

Warum vulkanische „Soundtracks“ wichtig sind

Vulkane erzeugen ständig Schwingungen, die sich als seismische Wellen durch den Boden ausbreiten. Manche sind scharf und erdbebenähnlich, andere eher ein kontinuierliches Summen, das als vulkanisches Tremor bezeichnet wird, oder spezielle Töne, bekannt als Langperiodenereignisse. Auf Etna werden diese Signale rund um die Uhr von einem dichten Netzwerk an Seismometern aufgezeichnet. Traditionell untersuchen Fachleute Stärke und Frequenz dieser Erschütterungen sowie Gasemissionen, Bodenhebung und visuelle Beobachtungen, um einzuschätzen, ob der Vulkan sicher ist oder sich einem gefährlichen Ausbruch nähert. Die Aktivität Etnas von Ende 2020 bis Ende 2021 war jedoch besonders intensiv und produzierte zwei lange Abfolgen spektakulärer Lavafontänen sowie eine Datenflut, die in Echtzeit schwer zu interpretieren ist.

Computern beibringen, verborgene Muster zu erkennen

Die Forscher verwendeten einen unüberwachten Deep-Learning-Ansatz, das heißt, der Computer wurde nicht im Voraus darüber informiert, welche Tage eruptiv oder ruhig waren. Stattdessen fütterten sie ihn mit täglichen Spektrogrammen — farbigen Bildern, die zeigen, wie sich die Stärke seismischer Schwingungen mit der Zeit und der Frequenz verändert — von zwei Gipfelstationen auf Etna. Ein Typ neuronales Netz, ein Autoencoder, lernte zunächst, das komplexe seismische „Bild“ jedes Tages in eine kleine Anzahl von Schlüsselfeatures zu komprimieren und es dann wieder zu rekonstruieren, sodass wichtige Informationen erhalten blieben. Eine Clustering-Methode gruppierte anschließend Tage mit ähnlichen seismischen Fingerabdrücken in vier unterscheidbare Cluster. Das Team überprüfte diese Gruppen anhand unabhängiger Hinweise: wann Lavafontänen berichtet wurden, wie stark der Tremor war, wie viele Langperiodenereignisse auftraten und wie viele kleine Erdbeben unter dem Vulkan registriert wurden.

Vier Gesichter der Etna-Aktivität

Die vier Cluster des Computers ordneten sich sauber bedeutungsvollen vulkanischen Verhaltensweisen zu. Eine Gruppe entsprach relativ ruhigen oder gemischten Tagen, an denen nur Hintergrundtremor und gelegentliche schwache Explosionen auftraten. Eine zweite Gruppe erfasste Tage, die von zahlreichen Langperiodenereignissen dominiert waren, was wahrscheinlich auf aufsteigende Gase und Flüssigkeiten hindeutet, die das flache Leitungssystem unter Druck setzen, ohne bereits große Ausbrüche zu verursachen. Eine dritte Gruppe hob eine „Vorbereitungsphase“ hervor, in der der Tremor über Wochen hinweg stärker und anhaltender wurde — von Mitte Dezember 2020 bis Mitte Februar 2021 — obwohl an der Oberfläche noch keine größeren Lavafontänen stattgefunden hatten. Die vierte Gruppe stimmte mit den spektakulären Lavafontänen-Episoden selbst überein und erfasste etwa 95 Prozent der eruptiven Tage, wobei sie während der Paroxysmen intensive, breitbandige seismische Energie zeigte.

Übergänge und mehrdeutige Tage erkennen

Durch die Kombination der Daten beider Gipfelstationen und die Suche nach Tagen, an denen mehrere Instrumente auf dasselbe Cluster einigten, konnten die Forscher klare Regime von weniger eindeutigen Intervallen unterscheiden. Einige Tage fielen in eine „undefinierte“ Kategorie, in der die Signale gemischt oder an den beiden Standorten unterschiedlich waren — wahrscheinlich ein Ausdruck überlappender Prozesse wie Erdbeben, Tremor und gasgetriebene Ereignisse, die gleichzeitig auftreten. Interessanterweise identifizierte die Methode auch Anzeichen einer vorbereitenden Phase Ende November 2021 und erkannte Hinweise auf den zweiten eruptiven Zyklus bereits einige Tage bevor Lavafontänen bestätigt wurden, was darauf hindeutet, dass subtile Änderungen in den seismischen Mustern sichtbare Aktivität vorwegnehmen können.

Was das für Menschen in Vulkan-Nähe bedeutet

Für Nicht-Spezialisten ist die Kernbotschaft, dass Computer jetzt einem unruhigen Vulkan „zuhören“ und seine komplexen Schwingungen automatisch in wenige verständliche Zustände einordnen können: Hintergrundaktivität, interne Aufpressung, Aufbauphase und ausgewachsene Eruptionen. Die Studie zeigt, dass solche unüberwachten Deep-Learning-Werkzeuge das Expertenurteil eng nachbilden können, während sie schnell und konsistent über große Datensätze arbeiten. Zwar ersetzt dieser Ansatz nicht die menschlichen Vulkanologen oder andere Überwachungsmethoden, doch er bietet ein mächtiges zusätzliches Augenpaar — er hilft Observatorien zu erkennen, wann ein Vulkan wie Etna still vor sich hinkocht, wann er sich auflädt und wann er am Rande eines weiteren dramatischen Ausbruchs stehen könnte.

Zitation: Abed, W., Zali, Z., Sciotto, M. et al. Hidden patterns in volcanic seismicity: deep learning insights from Mt. Etna’s 2020–2021 activity. Sci Rep 16, 6155 (2026). https://doi.org/10.1038/s41598-026-36677-x

Schlüsselwörter: Vulkanüberwachung, Maschinelles Lernen, Monte Etna, seismische Aktivität, Eruptionsprognose