Analyse met één station van seismische signalen bij Campi Flegrei (Italië) met multiscale-entropie en ongerichte leeralgoritmen

Waarom deze onrustige Italiaanse vulkaan ertoe doet

Net ten westen van Napels ligt Campi Flegrei, een uitgestrekte vulkanische krater omsloten door drukbevolkte wijken en de woonplek van meer dan twee miljoen mensen. Hoewel hij sinds de 1500‑s niet meer is uitgebarsten, zet de grond daar omhoog, ontsnappen er gassen en worden kleine aardbevingen steeds talrijker. Het in de gaten houden van zo’n onrustige vulkaan is cruciaal, maar de enorme hoeveelheid rumoerige seismische data maakt het moeilijk voor menselijke experts om subtiele waarschuwingssignalen tijdig te herkennen. Deze studie onderzoekt hoe een vorm van kunstmatige intelligentie kan luisteren naar één enkel seismisch station en automatisch afwijkend gedrag kan signaleren dat op een verandering in de staat van de vulkaan kan wijzen.

Met één oor luisteren naar een lawaaierige vulkaan

Campi Flegrei is een ingestorte vulkanische krater, of caldera, van ongeveer 12 kilometer doorsnee, die de westelijke wijken van Napels en de kustplaats Pozzuoli overlapt. Sinds de jaren 1950 wisselt het gebied stille periodes af met onrust, gekenmerkt door bodemdaling en -opheffing, zwermen van kleine bevingetjes en veranderingen in de hete gassen die uit scheuren ontsnappen. In het gebied van Pisciarelli, een van de meest actieve zones, staat een seismisch station op slechts circa 50 meter van een sissende fumarool en een borrelende modderpoel. Deze locatie is ideaal om kleine tremoren te detecteren die samenhangen met gas- en warmwaterbewegingen ondergronds, maar wordt ook geteisterd door continu achtergrondlawaai. De onderzoekers wilden vaststellen of één dergelijk station, geanalyseerd met geavanceerde algoritmen, betrouwbaar zinvolle signalen kan onderscheiden van het constante vulkanische gedruis.

Een neuraal kaart leren vulkanische signalen te rangschikken

De onderzoekers zetten de continue opnamen uit 2023 om in een enorme verzameling van éénminuutfragmenten en vertaalden elk fragment naar een compact “vingerafdruk” die een computer kan vergelijken. Ze gebruikten drie soorten vingerafdrukken: één die de vorm van de frequenties van het signaal vastlegt, één die beschrijft hoe de sterkte in de tijd verandert, en één — multiscale‑entropie genoemd — die meet hoe complex en onregelmatig het signaal is over verschillende tijdschalen. Deze vingerafdrukken werden gevoed aan een Self‑Organizing Map, een soort neuraal netwerk dat vergelijkbare patronen dicht bij elkaar op een raster plaatst. Zonder menselijke labels leerde de kaart minuten met vergelijkbaar seismisch gedrag te groeperen, waardoor clusters ontstonden die later konden worden onderzocht.

Verborgen storingen, bevingetjes en stoomtremoren vinden

Nadat het systeem was getraind, ontdekte het direct een onverwacht patroon: veel minuten uit een bepaalde maand belandden in één hoek van de kaart, wat wees op een verandering in het gedrag van het station. Bij nadere inspectie bleek deze cluster te koppelen te zijn aan een technische storing die op 18 juni begon en een maand later werd verholpen — een probleem dat tevoren niet duidelijk was. Nadat die periode was uitgesloten en opnieuw was getraind met de informatiefste vingerafdrukken, begon de kaart clusters te isoleren die rijk waren aan bevingen die in het officiële catalogus werden gemeld, inclusief enkele kleine gebeurtenissen die helemaal niet waren gecatalogiseerd. Andere clusters werden gedomineerd door de constante trilling, of tremor, van de Pisciarelli‑fumarool. Door bij te houden hoe geconcentreerd elke dag aan data op de kaart lag, definieerden de auteurs een “clusteringindex” die steeg wanneer het station lange periodes van vergelijkbare tremorachtige activiteit registreerde.

Weer, gas en de dagelijkse stemming van de vulkaan

Het team vergeleek deze clusteringindex met onafhankelijke metingen van neerslag, kooldioxide‑gasflux en temperatuur rond Pisciarelli. Bij meerdere gelegenheden vielen pieken in de index samen met uitschieters in CO₂‑emissies en periodes van zware regenval, wat suggereert dat zowel gasuitstoot als waterinfiltratie in de grond de fumarolische tremor kunnen moduleren die het station oppikte. Toepassing van dezelfde aanpak op nabijgelegen stations toonde dat de duidelijkste tremorclusters alleen bij sensoren het dichtst bij de fumarool verschenen, wat benadrukt hoe gelokaliseerd deze signalen zijn. Ten slotte projecteerden de auteurs nieuwe data uit begin 2025 op de eerder getrainde kaart. In april en begin mei klom de clusteringindex gestaag, in overeenstemming met een toename van de totale seismische energie en hogere fumarooltemperaturen, wat duidde op intensievere hydrothermale activiteit. Kort daarna, toen beide grootheden scherp daalden, vond in het gebied een aardbeving van magnitude 4,4 plaats — de grootste in de recente reeks.

Wat dit betekent voor mensen die bij Campi Flegrei wonen

Voor bewoners en civiele‑beschermingsinstanties is de belangrijkste boodschap dat geavanceerde patroonherkenningstools van één seismisch station een vroegwaarschuwingsoor voor een onrustige vulkaan kunnen maken. Door complexe signalen samen te vatten tot eenvoudige vingerafdrukken en een neurale kaart ze te laten rangschikken, kan de methode automatisch instrumentproblemen signaleren, eerder ongemerkte bevingen aan het licht brengen en veranderingen in de constante tremor van opstijgend gas en heet vocht volgen. Hoewel het op zichzelf geen erupties voorspelt, geeft deze benadering wetenschappers een snellere, helderdere blik op hoe Campi Flegrei van dag tot dag ademt en verschuift, waardoor zij hun deskundige aandacht kunnen richten wanneer het ondergrondse systeem tekenen van ongebruikelijke spanning vertoont.

Bronvermelding: 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

Trefwoorden: Campi Flegrei, vulkaanbewaking, seismische tremor, machine learning, multiscale-entropie