Dolda mönster i vulkanisk seismik: djupinlärningsinsikter från Etna 2020–2021

Att lyssna på en orolig vulkan

Etna på Sicilien är en av världens mest aktiva vulkaner, och dess utbrott kan hota närliggande städer, flygplatser och viktig infrastruktur. Vulkanobservatorier övervakar redan Etna med många instrument, men den stora datamängden gör det svårt för människor att i tid upptäcka alla varningstecken. Denna studie visar hur modern artificiell intelligens kan sålla igenom ett års värde av Etnas seismiska ”hjärtslag” för att avslöja dolda mönster som visar när vulkanen är lugn, när den laddar upp och när den förbereder sig för utbrott.

Varför vulkaners “ljudspår” spelar roll

Vulkaner genererar ständigt vibrationer som färdas genom marken som seismiska vågor. Vissa är skarpa, jordbävningsliknande stötar, medan andra liknar ett kontinuerligt brus kallat vulkanisk tremor eller speciella toner kända som long-period-händelser. På Etna registreras dessa signaler dygnet runt av ett tätt nätverk av seismometrar. Traditionellt granskar experter styrkan och frekvensen hos dessa svängningar, tillsammans med gasutsläpp, markuppsvällning och visuella observationer, för att bedöma om vulkanen är stabil eller närmar sig ett farligt utbrott. Men Etnas aktivitet från slutet av 2020 till slutet av 2021 var särskilt intensiv och gav upphov till två långa sekvenser av spektakulära lavabrunnar och en datamängd som är svår att tolka i realtid.

Att lära datorer att hitta dolda mönster

Forskarna använde en osuperviserad djupinlärningsmetod, vilket betyder att datorn inte fick veta i förväg vilka dagar som var eruptiva eller lugna. Istället matade de in dagliga spektrogram—färgade bilder som visar hur styrkan i de seismiska vibrationerna varierar med tid och frekvens—från två toppstationer på Etna. En typ av neuralt nätverk kallat en autoencoder lärde sig först att komprimera varje dags komplexa seismiska ”bild” till en liten uppsättning nyckelfunktioner och sedan rekonstruera den, vilket säkerställde att viktig information bevarades. En klustringsmetod grupperade sedan dagar med liknande seismiska fingeravtryck i fyra distinkta kluster. Teamet kontrollerade dessa grupper mot oberoende bevis: när lavabrunnar rapporterades, hur stark tremorn var, hur många long-period-händelser som inträffade och hur många små jordbävningar som slog under vulkanen.

Etnas fyra ansikten av aktivitet

Datorns fyra kluster motsvarade tydligt meningsfulla vulkaniska beteenden. En grupp motsvarade relativt lugna eller blandade dagar, då endast bakgrundstremor och tillfälliga milda explosioner förekom. En andra grupp fångade dagar dominerade av många long-period-händelser, vilket sannolikt återspeglar stigande gaser och vätskor som trycker på det grunda ledningssystemet utan att ännu skapa stora utbrott. En tredje grupp framhävde en ”förberedelsefas”, då tremorn växte sig starkare och mer beständig över veckor från mitten av december 2020 till mitten av februari 2021, trots att inga större lavabrunnar ännu hade inträffat vid ytan. Det fjärde klustret matchade de spektakulära lavabrunnsepisoderna själva med anmärkningsvärd noggrannhet, fångande omkring 95 procent av eruptiva dagar och visande intensiv, bredbandsseismisk energi under paroxysmer.

Att se övergångar och oklara dagar

Genom att kombinera data från båda toppstationerna och leta efter dagar då flera instrument var överens om samma kluster kunde forskarna skilja tydliga regimer från mer tvetydiga intervall. Vissa dagar hamnade i en ”odefinierad” kategori, där signalerna var blandade eller olika vid de två platserna—troligen en följd av överlappande processer såsom jordbävningar, tremor och gasdrivna händelser som pågick samtidigt. Intressant nog fångade metoden också tecken på en förberedelseregim i slutet av november 2021 och upptäckte antydningar om den andra eruptiva cykeln flera dagar innan lavabrunnar bekräftades, vilket tyder på att subtila förändringar i de seismiska mönstren kan föregå synlig aktivitet.

Vad detta betyder för människor som bor nära vulkaner

För icke-specialister är huvudbudskapet att datorer nu kan ”lyssna” på en orolig vulkan och automatiskt sortera dess komplexa vibrationer i ett fåtal begripliga tillstånd: bakgrundsaktivitet, intern pressurisering, en uppbyggnadsfas och fullskaliga utbrott. Studien visar att sådana osupervisade djupinlärningsverktyg kan ligga nära expertbedömningar samtidigt som de arbetar snabbt och konsekvent över stora datamängder. Även om detta tillvägagångssätt inte ersätter mänskliga vulkanologer eller andra övervakningsmetoder, ger det ett kraftfullt extra par ögon—hjälper observatorier att känna igen när en vulkan som Etna lugnt puttrar, när den laddar upp och när den kan vara på väg mot ett nytt dramatiskt utbrott.

Citering: 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

Nyckelord: vulkanövervakning, maskininlärning, Mount Etna, seismisk aktivitet, utbrottsprognoser