Verborgen patronen in vulkanische seismiek: deep-learninginzichten uit de activiteit van de Etna 2020–2021

Luisteren naar een rusteloze vulkaan

De Etna op Sicilië is een van de meest actieve vulkanen ter wereld en haar uitbarstingen kunnen nabijgelegen dorpen, luchthavens en vitale infrastructuur bedreigen. Vulkaanobservatoria houden de Etna al nauwlettend in de gaten met een reeks instrumenten, maar de enorme hoeveelheid data maakt het moeilijk voor mensen alleen om elk waarschuwingssignaal tijdig te herkennen. Deze studie laat zien hoe moderne kunstmatige intelligentie een jaar aan seismische “hartslag”-gegevens van de Etna kan doorzoeken om verborgen patronen te onthullen die aangeven wanneer de vulkaan rustig is, wanneer hij zich aan het opladen is en wanneer hij zich opmaakt voor een uitbarsting.

Waarom vulkanische “soundtracks” ertoe doen

Vulkanen genereren voortdurend trillingen die als seismische golven door de grond reizen. Sommige zijn scherpe, aardbevingsachtige schokken, andere meer een continu gezoem dat vulkanische tremor wordt genoemd, of speciale tonen bekend als long-period events. Op de Etna worden deze signalen dag en nacht vastgelegd door een dicht netwerk van seismometers. Traditioneel beoordelen experts de sterkte en frequentie van deze trillingen, samen met gassamenstellingen, grondzwelling en visuele observaties, om te bepalen of de vulkaan veilig is of een gevaarlijke uitbarsting nadert. De activiteit van de Etna van eind 2020 tot eind 2021 was echter bijzonder intens, met twee lange reeksen spectaculaire lavafontrijnen en een vloed aan data die in realtime moeilijk te interpreteren is.

Computers leren verborgen patronen te herkennen

De onderzoekers gebruikten een unsupervised deep-learningbenadering, wat betekent dat de computer niet vooraf werd verteld welke dagen eruptief of rustig waren. In plaats daarvan voerden ze dagelijkse spectrogrammen in — kleurige beelden die laten zien hoe de sterkte van seismische trillingen verandert in tijd en frequentie — van twee topstations op de Etna. Een type neurale netwerk, een autoencoder, leerde eerst om elke dag’s complexe seismische “beeld” te comprimeren tot een kleine set kernkenmerken en het vervolgens te reconstrueren, zodat belangrijke informatie behouden bleef. Een clusteringsmethode groepeerde daarna dagen met vergelijkbare seismische vingerafdrukken in vier duidelijke clusters. Het team controleerde deze groepen met onafhankelijk bewijs: wanneer lavafontrijnen werden gemeld, hoe sterk de tremor was, hoeveel long-period events plaatsvonden en hoeveel kleine aardbevingen onder de vulkaan werden geregistreerd.

Vier gezichten van Etna’s activiteit

De vier clusters van de computer kwamen keurig overeen met betekenisvolle vulkanische gedragingen. Eén groep correspondeerde met relatief rustige of gemengde dagen, wanneer slechts achtergrondtremor en incidentele milde explosies aanwezig waren. Een tweede groep omvatte dagen gedomineerd door talrijke long-period events, waarschijnlijk het gevolg van opkomende gassen en vloeistoffen die het ondiepe leidingsysteem onder druk zetten zonder meteen grote uitbarstingen te veroorzaken. Een derde groep accentueerde een “voorbereidende fase”, waarin de tremor sterker en aanhoudender werd over weken van midden december 2020 tot midden februari 2021, hoewel er aan het oppervlak nog geen grote lavafontrijnen hadden plaatsgevonden. De vierde groep kwam overeen met de spectaculaire lavafontrijn-episodes zelf met opmerkelijke nauwkeurigheid: ongeveer 95 procent van de eruptieve dagen werd gevangen en er werd intense, breedbandige seismische energie waargenomen tijdens paroxysmen.

Overgangen en ambigue dagen zichtbaar maken

Door gegevens van beide topstations te combineren en te zoeken naar dagen waarop meerdere instrumenten het eens waren over hetzelfde cluster, konden de onderzoekers duidelijke regimes onderscheiden van meer ambiguë intervallen. Sommige dagen vielen in een “onbepaalde” categorie, waar signalen gemengd waren of verschillen tussen de twee locaties vertoonden — waarschijnlijk als gevolg van overlappende processen zoals aardbevingen, tremor en gasgedreven gebeurtenissen die tegelijk plaatsvinden. Interessant genoeg ving de methode ook tekenen van een voorbereidende regime eind november 2021 op en detecteerde zij aanwijzingen voor de tweede eruptieve cyclus enkele dagen voordat lavafontrijnen werden bevestigd, wat suggereert dat subtiele veranderingen in de seismische patronen zichtbare activiteit kunnen voorafgaan.

Wat dit betekent voor mensen die nabij vulkanen wonen

Voor niet-specialisten is de kernboodschap dat computers nu een rusteloze vulkaan kunnen “luisteren” en zijn complexe trillingen automatisch kunnen onderverdelen in een paar begrijpelijke toestanden: achtergrondactiviteit, interne opbouw van druk, een opbouwfase en volledige uitbarstingen. De studie toont dat zulke unsupervised deep-learningtools nauw kunnen aansluiten bij deskundig oordeel en tegelijk snel en consistent over grote datasets kunnen werken. Hoewel deze benadering menselijke vulkanologen of andere monitoringsmethoden niet vervangt, biedt ze een krachtig extra paar ogen — die observatoria helpen herkennen wanneer een vulkaan als de Etna rustig suddert, wanneer hij zich aan het opladen is en wanneer hij mogelijk op het punt staat een nieuwe dramatische uitbarsting te geven.

Bronvermelding: 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

Trefwoorden: vulkaanbewaking, machine learning, Mount Etna, seismische activiteit, uitbarstingvoorspelling