使用多尺度熵和无监督学习对坎皮弗莱格雷（意大利）单站地震信号的分析

为何这座躁动的意大利火山至关重要

坎皮弗莱格雷位于那不勒斯以西，是一个广阔的火山口，周围环绕着繁忙的社区，居住着超过两百万人。尽管自16世纪以来未发生大型喷发，但地面在抬升、气体不断逸出、小型地震愈发频繁。监视如此躁动的火山至关重要，但海量嘈杂的地震数据使得人工专家难以及时发现细微的预警信号。本研究探讨了一种人工智能方法，是否能听取单一地震台站的数据并自动识别可能预示火山状态变化的异常行为。

用一只“耳朵”倾听嘈杂的火山

坎皮弗莱格雷是一个直径约12公里的塌陷火山口（喷落堆），与那不勒斯西部地区和海滨城镇波佐利部分重叠。自20世纪50年代以来，该地区经历了平静期与不安期交替，表现为地面上升、小地震群以及从通气孔排出的热气体变化。在最活跃的皮斯恰雷利地区，某一台地震站距一处喷气孔和翻腾的泥池只有大约50米。这个位置适合感知与地下气体和热水运动相关的微弱震动，但同时也受到持续背景噪声的困扰。作者们的目标是判断，是否可以仅用这样单台站并配合智能算法，可靠地区分有意义的信号与持续的火山低频振动。

教一张神经图谱对火山信号进行分类

研究人员将2023年的连续记录切分为大量的一分钟片段，并把每个片段转化为计算机可比对的紧凑“指纹”。他们使用了三种指纹：一种描述信号频率形状，一种描述信号强度随时间的变化，另一种——称为多尺度熵——则衡量信号在不同时间尺度上的复杂性和不规则性。这些指纹被输入到自组织映射（SOM）中，这是一种将相似模式在网格上靠近排列的神经网络。无须人工标注，映射学会将具有相似地震行为的数据分钟分组，形成可供后续检查的簇。

发现隐藏的故障、地震与蒸汽潮

模型训练完成后，系统立即揭示了一个意外模式：来自某个月的大量分钟数据集中落在地图的一角，指向台站行为发生了变化。仔细检查后发现，该簇关联到一次始于6月18日并在一个月后修复的技术故障——这是事先未明显察觉的问题。排除该时期并用更具信息性的指纹重新训练后，映射开始孤立出与官方目录中记录的地震高度重合的簇，其中还包括一些未被编目的小震。其他簇则以皮斯恰雷利喷气孔的持续振动或潮汐式的微震为主。通过追踪每天数据在地图上的集中程度，作者定义了一个“聚类指数”，当台站记录到长时间类似潮动活动时，该指数会上升。

天气、气体与火山的日常情绪

团队将该聚类指数与皮斯恰雷利周边的降雨、二氧化碳通量和温度的独立测量结果进行了比较。在若干次情况下，聚类指数的峰值与CO₂排放飙升和强降雨事件同时出现，表明气体释放和水渗入地表都能调制台站记录到的喷气潮动。将相同方法应用于附近台站显示，最明显的潮动簇仅出现在靠近喷气孔的传感器上，强调了这些信号的局地性。最后，作者把2025年初的新数据投影到先前训练好的地图上。4月和5月初，聚类指数与整体地震能量和喷气孔温度同时稳步上升，显示出更强的热水-气体活动。不久两者都骤降后，该区发生了震级4.4的地震——是近期序列中最大的一次。

这对坎皮弗莱格雷附近居民意味着什么

对居民和民防机构而言，关键讯息是先进的模式识别工具可以把单台地震站变成监测躁动火山的早期“耳朵”。通过将复杂信号压缩为简单指纹并让神经图谱对其分类，该方法能够自动标记仪器问题、发现先前未注意到的地震并追踪不断上升的气体和热流所产生的持续潮动。尽管它本身不能预测喷发，但该方法为科学家提供了更快速、更清晰的视角，以观察坎皮弗莱格雷日常的“呼吸”和变化，帮助他们在地下系统显示异常压力迹象时集中专家注意力。

引用: 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

关键词: 坎皮弗莱格雷, 火山监测, 地震潮, 机器学习, 多尺度熵