Einzelstationsanalyse seismischer Signale des Campi Flegrei (Italien) mit Multiskalenentropie und unbeaufsichtigtem Lernen

Warum dieser unruhige italienische Vulkan wichtig ist

Westlich von Neapel liegt Campi Flegrei, ein weitläufiger Vulkankrater, umgeben von dicht besiedelten Stadtteilen und Heimat von mehr als zwei Millionen Menschen. Obwohl er seit den 1500er-Jahren nicht mehr ausgebrochen ist, hebt sich dort der Boden, Gase entweichen und kleine Erdbeben werden häufiger. Eine kontinuierliche Überwachung eines so unruhigen Vulkans ist entscheidend, doch die große Menge an verrauschten seismischen Daten erschwert es Experten, subtile Warnzeichen rechtzeitig zu erkennen. Diese Studie untersucht, wie eine Form künstlicher Intelligenz ein einzelnes Seismometer „zuhören“ lassen und automatisch ungewöhnliches Verhalten herausfiltern kann, das auf Veränderungen im Zustand des Vulkans hindeutet.

Mit einem Ohr einem lauten Vulkan lauschen

Campi Flegrei ist ein eingestürzter Vulkankrater oder Caldera von etwa 12 Kilometern Durchmesser, der sich über die westlichen Bezirke Neapels und die Küstenstadt Pozzuoli erstreckt. Seit den 1950er-Jahren durchläuft das Gebiet Phasen der Ruhe und Unruhe, gekennzeichnet durch Bodenhebung, Schwärme kleiner Beben und Veränderungen der aus Spalten entweichenden heißen Gase. Im Gebiet von Pisciarelli, einer der aktivsten Zonen, steht eine Station nur etwa 50 Meter von einer laut zischenden Fumarole und einem blubbernden Schlammtopf entfernt. Dieser Standort ist ideal, um winzige Tremore im Zusammenhang mit unterirdisch bewegendem Gas und heißem Wasser zu erfassen, leidet jedoch auch unter ständigem Hintergrundrauschen. Die Autorinnen und Autoren wollten herausfinden, ob eine einzelne solche Station, analysiert mit intelligenten Algorithmen, zuverlässig sinnvolle Signale vom konstanten vulkanischen Rumpeln unterscheiden kann.

Einer neuronalen Karte beibringen, vulkanische Signale zu sortieren

Die Forschenden wandelten kontinuierliche Aufzeichnungen aus dem Jahr 2023 in eine große Sammlung einminütiger Ausschnitte um und übersetzten jeden Ausschnitt in einen kompakten „Fingerabdruck“, den ein Computer vergleichen kann. Sie verwendeten drei Arten von Fingerabdrücken: einen, der die Form der Frequenzverteilung erfasst; einen, der beschreibt, wie die Stärke des Signals sich über die Zeit ändert; und einen — genannt Multiskalenentropie —, der misst, wie komplex und unregelmäßig das Signal über verschiedene Zeitskalen ist. Diese Fingerabdrücke wurden in eine Self-Organizing Map eingespeist, eine Art neuronales Netz, das ähnliche Muster in einem Gitter nahe beieinander anordnet. Ohne menschliche Beschriftungen lernte die Karte, Minuten mit ähnlichem seismischem Verhalten zu gruppieren und so Cluster zu bilden, die später untersuchbar waren.

Verborgene Störungen, Beben und Dampf-Tremore finden

Nach dem Training entdeckte das System sofort ein unerwartetes Muster: Viele Minuten aus einem bestimmten Monat landeten in einer Ecke der Karte, was auf eine Änderung im Verhalten der Station hinwies. Bei näherer Untersuchung stellte sich heraus, dass dieses Cluster mit einer technischen Störung zusammenhing, die am 18. Juni begann und einen Monat später behoben wurde — ein Problem, das zuvor nicht offensichtlich gewesen war. Nachdem dieser Zeitraum ausgeschlossen und das System mit den aussagekräftigeren Fingerabdrücken neu trainiert wurde, begann die Karte, Cluster zu isolieren, die reich an Erdbeben aus dem offiziellen Katalog waren, einschließlich einiger kleiner Ereignisse, die zuvor gar nicht katalogisiert worden waren. Andere Cluster wurden von der konstanten Vibration bzw. dem Tremor der Pisciarelli-Fumarole dominiert. Indem die Forschenden verfolgten, wie konzentriert die Daten eines Tages auf der Karte lagen, definierten sie einen „Clustering-Index“, der anstieg, wenn die Station längere Abschnitte ähnlicher tremorartiger Aktivität registrierte.

Wetter, Gase und die tägliche Stimmung des Vulkans

Das Team verglich diesen Clustering-Index mit unabhängigen Messungen von Niederschlag, Kohlendioxid-Fluss und Temperatur rund um Pisciarelli. Bei mehreren Gelegenheiten stimmten Spitzen im Index mit Ausbrüchen der CO₂-Emissionen und Episoden mit starkem Regen überein, was darauf hindeutet, dass sowohl Gasfreisetzung als auch Wassereintritt in den Untergrund den von der Station erfassten fumarolischen Tremor modulieren können. Die Anwendung derselben Methode auf benachbarte Stationen zeigte, dass die deutlichsten Tremor-Cluster nur an den Sensoren in nächster Nähe zur Fumarole erschienen, was die Lokalität dieser Signale unterstreicht. Schließlich projizierten die Autorinnen und Autoren neue Daten aus dem frühen Jahr 2025 auf die zuvor trainierte Karte. Im April und Anfang Mai stieg der Clustering-Index stetig parallel zu einem Anstieg der gesamten seismischen Energie und höheren Fumarolentemperaturen, was auf intensivere hydrothermale Aktivität hinweist. Kurz nachdem beide Messgrößen stark gefallen waren, ereignete sich in der Region ein Erdbeben der Stärke 4,4 — das stärkste in der jüngeren Serie.

Was das für die Menschen in der Nähe von Campi Flegrei bedeutet

Für Anwohnerinnen und Anwohner sowie Katastrophenschutzbehörden ist die zentrale Botschaft, dass fortschrittliche Mustererkennungstools eine einzelne seismische Station in ein Frühwarn-Ohr für einen unruhigen Vulkan verwandeln können. Indem komplexe Signale in einfache Fingerabdrücke komprimiert und einer neuronalen Karte zum Sortieren übergeben werden, kann die Methode automatisch Instrumentenprobleme signalisieren, bislang unbemerkte Erdbeben aufdecken und Veränderungen im konstanten Tremor von aufsteigenden Gasen und heißen Fluiden verfolgen. Obwohl sie für sich allein keine Eruptionen vorhersagt, verschafft dieser Ansatz Wissenschaftlerinnen und Wissenschaftlern einen schnelleren, klareren Blick darauf, wie Campi Flegrei von Tag zu Tag atmet und sich verschiebt, sodass sie ihre Aufmerksamkeit gezielt dann bündeln können, wenn das unterirdische System ungewöhnlichen Stress zeigt.

Zitation: Grimaldi, A., Amoroso, O., Scarpetta, S. et al. Single-station analysis of Campi Flegrei (Italy) seismic signals using multiscale entropy and unsupervised learning. Sci Rep 16, 7669 (2026). https://doi.org/10.1038/s41598-026-38257-5

Schlüsselwörter: Campi Flegrei, Vulkanüberwachung, seismisches Tremor, maschinelles Lernen, Multiskalenentropie