Analys av en enstaka station vid Campi Flegrei (Italien) med multiskalig entropi och oövervakad inlärning

Varför denna oroliga italienska vulkan är viktig

Väster om Neapel ligger Campi Flegrei, ett omfattande vulkaniskt kraterområde omgivet av livliga stadsdelar och hem för över två miljoner människor. Även om det inte har haft ett utbrott sedan 1500-talet så reser sig marken där, gas läcker ut och små jordskalv blir vanligare. Att hålla koll på en sådan orolig vulkan är avgörande, men mängden brusiga seismiska data gör det svårt för människor att i tid upptäcka subtila varningstecken. Denna studie undersöker hur en form av artificiell intelligens kan lyssna på en enda seismisk station och automatiskt plocka ut ovanligt beteende som kan signalera förändringar i vulkanens tillstånd.

Att lyssna på en bullrig vulkan med ett öra

Campi Flegrei är en kollapsad vulkanisk krater, eller kaldera, ungefär 12 kilometer i diameter som överlappar Neapels västra stadsdelar och kuststaden Pozzuoli. Sedan 1950-talet har området växlat mellan lugna perioder och oro, kännetecknade av marklyftningar, svärmar av små skalv och förändringar i de varma gaser som strömmar ur öppningar. I Pisciarelli-området, en av de mest aktiva zonerna, står en seismisk station endast omkring 50 meter från en dånande fumarol och en bubblande lerpöl. Denna plats är idealisk för att uppfatta små tremor kopplade till gas- och varmvattenrörelser under marken, men den plågas också av kontinuerligt bakgrundsbrus. Författarna ville ta reda på om en enda sådan station, analyserad med intelligenta algoritmer, pålitligt kan skilja meningsfulla signaler från den konstanta vulkaniska dånen.

Att lära en neural karta sortera vulkaniska signaler

Forskarna omvandlade kontinuerliga inspelningar från 2023 till en stor samling ett-minutsstycken och översatte sedan varje stycke till ett kompakt "fingeravtryck" som en dator kan jämföra. De använde tre typer av fingeravtryck: ett som fångar formen på signalens frekvenser, ett som beskriver hur dess styrka förändras över tid, och ett — kallat multiskalig entropi — som mäter hur komplex och oregelbunden signalen är över olika tidsskalor. Dessa fingeravtryck matades in i en Self-Organizing Map, en typ av neuralt nätverk som arrangerar liknande mönster nära varandra på en grid. Utan några mänskliga etiketter lärde sig kartan att gruppera minuter av data med liknande seismiskt beteende, och bildade kluster som senare kunde inspekteras.

Att hitta dolda fel, skalv och ångtremor

När systemet var tränat upptäckte det omedelbart ett oväntat mönster: många minuter från en viss månad hamnade i ett hörn av kartan, vilket pekade på en förändring i stationens beteende. Vid närmare granskning visade sig detta kluster vara kopplat till ett tekniskt fel som började den 18 juni och åtgärdades en månad senare — ett problem som inte hade varit uppenbart tidigare. Efter att den perioden exkluderats och systemet tränats om med de mer informativa fingeravtrycken började kartan isolera kluster rika på jordskalv som fanns i den officiella katalogen, inklusive några små händelser som inte katalogförts alls. Andra kluster dominerades av den jämna vibration, eller tremor, från Pisciarelli-fumarolen. Genom att följa hur koncentrerad varje dags data var på kartan definierade författarna ett "klusterindex" som steg när stationen registrerade långa perioder av liknande tremorlik aktivitet.

Väder, gas och vulkanens dagliga humör

Teamet jämförde detta klusterindex med oberoende mätningar av nederbörd, koldioxidflöde och temperatur runt Pisciarelli. Vid flera tillfällen sammanföll toppar i indexet med utsläppstoppar i CO₂ och perioder med kraftigt regn, vilket tyder på att både gasavgång och vatteninträngning i marken kan modulera den fumaroliska tremorn som stationen fångar upp. Att tillämpa samma metod på närliggande stationer visade att de tydligaste tremorklusterna bara framträdde vid sensorer närmast fumarolen, vilket understryker hur lokaliserade dessa signaler är. Slutligen projicerade författarna nya data från början av 2025 på den tidigare tränade kartan. I april och början av maj steg klusterindexet stadigt i takt med en ökning av den totala seismiska energin och högre fumaroltemperaturer, vilket indikerade intensivare hydrotermisk aktivitet. Kort efter att båda måtten föll kraftigt inträffade ett jordskalv med magnitud 4,4 — det största i den senaste serien.

Vad detta betyder för dem som bor nära Campi Flegrei

För invånare och civilsäkerhetsmyndigheter är huvudbudskapet att avancerade mönsterigenkänningsverktyg kan förvandla en enda seismisk station till ett tidigt varningsöra för en orolig vulkan. Genom att komprimera komplexa signaler till enkla fingeravtryck och låta en neural karta sortera dem kan metoden automatiskt flagga instrumentproblem, upptäcka tidigare oupptäckta jordskalv och följa förändringar i den konstanta tremorn från stigande gas och varma vätskor. Även om den inte förutsäger utbrott på egen hand ger denna ansats forskare en snabbare, tydligare bild av hur Campi Flegrei andas och skiftar från dag till dag, vilket hjälper dem att rikta expertuppmärksamhet när det underjordiska systemet visar tecken på ovanlig belastning.

Citering: 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

Nyckelord: Campi Flegrei, vulkanövervakning, seismisk tremor, maskininlärning, multiskalig entropi