Analiza sygnałów sejsmicznych Campi Flegrei (Włochy) z jednego stanowiska przy użyciu entropii wieloskalowej i uczenia bez nadzoru

Dlaczego ten niespokojny włoski wulkan ma znaczenie

Na zachód od Neapolu leżą Campi Flegrei — rozległy krater wulkaniczny otoczony gęsto zaludnionymi dzielnicami, w którym mieszka ponad dwa miliony ludzi. Chociaż nie było tam erupcji od XVI wieku, ziemia się unosi, ulatniają się gazy, a drobne trzęsienia ziemi pojawiają się częściej. Monitorowanie takiego niespokojnego wulkanu jest kluczowe, lecz ogromna ilość zaszumionych danych sejsmicznych utrudnia ekspertom szybkie wychwycenie subtelnych sygnałów ostrzegawczych. W badaniu zbadano, czy forma sztucznej inteligencji może „słuchać” pojedynczej stacji sejsmicznej i automatycznie wyodrębniać nietypowe zachowania, które mogłyby sygnalizować zmianę stanu wulkanu.

Słuchanie hałaśliwego wulkanu jednym uchem

Campi Flegrei to zapadnięty krater wulkaniczny, czyli kaldera, o średnicy około 12 kilometrów, pokrywający zachodnie dzielnice Neapolu i nadmorskie miasto Pozzuoli. Od lat 50. XX wieku obszar przechodzi okresy spokoju i pobudzenia, objawiające się uniesieniami terenu, rojami drobnych trzęsień oraz zmianami w gorących gazach wydobywających się z otworów. W rejonie Pisciarelli, jednym z najbardziej aktywnych miejsc, stacja sejsmiczna stoi zaledwie około 50 metrów od bulgoczącej fumaroli i błotnego wywierzyska. Lokalizacja ta jest idealna do wykrywania drobnych drżeń związanych z ruchem gazów i gorącej wody pod powierzchnią, ale jest też dotkliwie zaszumiona występującym tam ciągłym tłem. Autorzy postawili pytanie, czy pojedyncza taka stacja, analizowana za pomocą inteligentnych algorytmów, mogłaby niezawodnie odróżniać znaczące sygnały od nieustannego wulkanicznego dudnienia.

Nauczanie mapy neuronowej sortowania sygnałów wulkanicznych

Badacze przetworzyli ciągłe nagrania z 2023 roku na ogromny zbiór jednominutowych fragmentów, a następnie przekształcili każdy fragment w zwarty „odcisk palca”, który komputer mógł porównywać. Użyli trzech typów odcisków: jednego oddającego kształt widma częstotliwości, drugiego opisującego, jak zmienia się amplituda w czasie, oraz trzeciego — zwanego entropią wieloskalową — mierzącego, jak złożony i nieregularny jest sygnał na różnych skalach czasowych. Te odciski podano do mapy samoorganizującej się (Self-Organizing Map), rodzaju sieci neuronowej, która układa podobne wzorce blisko siebie na siatce. Bez etykiet od ludzi mapa nauczyła się grupować minuty danych o podobnym zachowaniu sejsmicznym, tworząc klastry, które można było później przeanalizować.

Wykrywanie ukrytych usterek, trzęsień i drżeń parowych

Po przeszkoleniu system natychmiast ujawnił nieoczekiwany wzorzec: wiele minut z konkretnego miesiąca skupiło się w jednym narożniku mapy, co wskazywało na zmianę zachowania stacji. Po bliższej analizie ten klaster okazał się związany z awarią techniczną, która rozpoczęła się 18 czerwca i została usunięta miesiąc później — problemem, który wcześniej nie był oczywisty. Po wykluczeniu tego okresu i ponownym przeszkoleniu z bardziej informacyjnymi odciskami mapa zaczęła wydzielać klastry bogate w trzęsienia ziemi odnotowane w oficjalnym katalogu, w tym niektóre małe zdarzenia, które wcześniej nie były katalogowane wcale. Inne klastry dominowane były przez stałe drżenie, czyli tremor, fumaroli w Pisciarelli. Śledząc, jak bardzo dane z każdego dnia koncentrowały się na mapie, autorzy zdefiniowali „wskaźnik klastrowania”, który wzrastał, gdy stacja rejestrowała długie okresy podobnej aktywności przypominającej tremor.

Pogoda, gaz i codzienny nastrój wulkanu

Zespół porównał ten wskaźnik klastrowania z niezależnymi pomiarami opadów, strumienia dwutlenku węgla i temperatury wokół Pisciarelli. Kilkukrotnie szczyty wskaźnika pokrywały się z nagłymi wzrostami emisji CO₂ oraz epizodami intensywnych opadów, co sugeruje, że zarówno uwalnianie gazu, jak i infiltracja wody w głąb gruntu mogą modulować tremor fumaroliczny rejestrowany przez stację. Zastosowanie tej samej metody do pobliskich stacji wykazało, że najczystsze klastry tremoru pojawiały się tylko na czujnikach najbliżej fumaroli, podkreślając lokalny charakter tych sygnałów. Wreszcie autorzy rzutowali nowe dane z początku 2025 roku na wcześniej wytrenowaną mapę. W kwietniu i na początku maja wskaźnik klastrowania systematycznie rósł wraz ze wzrostem ogólnej energii sejsmicznej i wyższymi temperaturami fumaroli, co wskazywało na nasiloną aktywność hydrotermalną. Niedługo po tym oba wskaźniki gwałtownie spadły, a obszar doświadczył trzęsienia ziemi o magnitudzie 4,4 — największego w ostatnim ciągu zdarzeń.

Co to oznacza dla mieszkańców Campi Flegrei

Dla mieszkańców i służb ochrony cywilnej kluczowy wniosek jest taki, że zaawansowane narzędzia rozpoznawania wzorców mogą przekształcić pojedynczą stację sejsmiczną w wczesne ucho ostrzegawcze dla niespokojnego wulkanu. Poprzez kompresję złożonych sygnałów do prostych odcisków i pozwolenie mapie neuronowej na ich uporządkowanie, metoda ta może automatycznie wykrywać problemy z instrumentami, odsłaniać wcześniej niezauważone trzęsienia oraz śledzić zmiany w ciągłym tremorze wynikającym z wydobywającego się gazu i gorących płynów. Chociaż sama w sobie nie prognozuje erupcji, podejście daje naukowcom szybszy i jaśniejszy wgląd w to, jak Campi Flegrei „oddycha” i przemieszcza się z dnia na dzień, pomagając skierować uwagę ekspertów, gdy system podpowierzchniowy wykazuje oznaki nietypowego napięcia.

Cytowanie: 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

Słowa kluczowe: Campi Flegrei, monitoring wulkanów, drżenie sejsmiczne, uczenie maszynowe, entropia wieloskalowa