Análise por estação única dos sinais sísmicos dos Campi Flegrei (Itália) usando entropia multiescala e aprendizado não supervisionado

Por que este inquieto vulcão italiano importa

Ao oeste de Nápoles estão os Campi Flegrei, uma vasta cratera vulcânica cercada por bairros movimentados e que abriga mais de dois milhões de pessoas. Embora não tenha entrado em erupção desde o século XVI, o solo ali está se elevando, gases estão vazando e pequenos terremotos tornam-se mais frequentes. Vigiar um vulcão tão ativo é vital, mas o grande volume de dados sísmicos ruidosos dificulta que especialistas humanos detectem sinais sutis de alerta a tempo. Este estudo investiga como uma forma de inteligência artificial pode ouvir uma única estação sísmica e identificar automaticamente comportamentos incomuns que possam indicar mudanças no estado do vulcão.

Ouvindo um vulcão barulhento com um só ouvido

Os Campi Flegrei são uma caldeira vulcânica colapsada, com cerca de 12 quilômetros de diâmetro, sobrepondo-se aos distritos ocidentais de Nápoles e à cidade costeira de Pozzuoli. Desde a década de 1950, a área passou por ciclos de calmaria e inquietação, marcados por levantamento do solo, enxames de pequenos tremores e alterações nos gases quentes que escapam por fumarolas. Na área de Pisciarelli, uma das zonas mais ativas, uma estação sísmica fica a apenas cerca de 50 metros de uma fumarola rugente e de uma poça de lama borbulhante. Essa localização é ideal para captar tremores minúsculos ligados ao movimento de gás e água quente no subsolo, mas também é atormentada por ruído de fundo contínuo. Os autores propuseram-se a determinar se uma única estação desse tipo, analisada com algoritmos inteligentes, poderia distinguir de forma confiável sinais relevantes do constante rumor vulcânico.

Ensinando um mapa neural a classificar sinais vulcânicos

Os pesquisadores transformaram gravações contínuas de 2023 em uma vasta coleção de trechos de um minuto e então traduziram cada trecho em uma “impressão digital” compacta que um computador pudesse comparar. Utilizaram três tipos de impressões: uma que captura a forma das frequências do sinal, outra que descreve como sua intensidade muda no tempo e uma — chamada entropia multiescala — que mede quão complexo e irregular o sinal é em diferentes escalas de tempo. Essas impressões foram fornecidas a um Self-Organizing Map, um tipo de rede neural que organiza padrões semelhantes próximos uns dos outros em uma grade. Sem rótulos humanos, o mapa aprendeu a agrupar minutos de dados com comportamento sísmico parecido, formando clusters que puderam ser inspecionados posteriormente.

Encontrando falhas ocultas, terremotos e tremores de vapor

Uma vez treinado, o sistema revelou imediatamente um padrão inesperado: muitos minutos de um mês específico concentraram-se em um canto do mapa, indicando uma mudança no comportamento da estação. Em inspeção mais detalhada, esse cluster foi associado a uma falha técnica que começou em 18 de junho e foi corrigida um mês depois — um problema que não havia sido óbvio anteriormente. Ao excluir esse período e retreinar com as impressões mais informativas, o mapa passou a isolar clusters ricos em terremotos registrados no catálogo oficial, incluindo alguns pequenos eventos que não haviam sido catalogados. Outros clusters foram dominados pela vibração constante, ou tremor, da fumarola de Pisciarelli. Ao acompanhar quão concentrados estavam os dados de cada dia no mapa, os autores definiram um “índice de clusterização” que aumentava quando a estação registrava longos trechos de atividade similar ao tremor.

Tempo, gás e o humor diário do vulcão

A equipe comparou esse índice de clusterização com medições independentes de chuva, fluxo de dióxido de carbono e temperatura ao redor de Pisciarelli. Em diversas ocasiões, picos no índice coincidiram com surtos nas emissões de CO₂ e episódios de chuvas fortes, sugerindo que tanto a liberação de gás quanto a infiltração de água no solo podem modular o tremor fumarólico captado pela estação. Aplicar a mesma abordagem a estações próximas mostrou que os clusters de tremor mais nítidos apareceram apenas nos sensores mais próximos à fumarola, enfatizando o quão localizados esses sinais são. Por fim, os autores projetaram novos dados do início de 2025 no mapa previamente treinado. Em abril e início de maio, o índice de clusterização subiu de forma constante em conjunto com um aumento na energia sísmica total e temperaturas mais altas na fumarola, indicando maior atividade hidrotermal. Pouco depois de ambas as medidas caírem abruptamente, a área experimentou um terremoto de magnitude 4,4 — o maior da sequência recente.

O que isso significa para quem vive perto dos Campi Flegrei

Para moradores e agências de proteção civil, a mensagem principal é que ferramentas avançadas de reconhecimento de padrões podem transformar uma única estação sísmica em um ouvido de alerta precoce para um vulcão inquieto. Ao comprimir sinais complexos em impressões digitais simples e permitir que um mapa neural os classifique, o método pode sinalizar automaticamente problemas instrumentais, descobrir terremotos antes não notados e acompanhar mudanças no tremor constante de gases e fluidos quentes ascendentes. Embora não preveja erupções por si só, essa abordagem oferece aos cientistas uma visão mais rápida e clara de como os Campi Flegrei respiram e se movimentam dia a dia, ajudando a direcionar a atenção especializada quando o sistema subterrâneo mostra sinais de estresse incomum.

Citação: 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

Palavras-chave: Campi Flegrei, monitoramento de vulcões, tremor sísmico, aprendizado de máquina, entropia multiescala