Un nuovo studio dell’Istituto Nazionale di Geofisica e Vulcanologia (INGV) utilizza un approccio integrato per riconoscere i segnali di variazione dell’attività idrotermale dell’isola
Un nuovo studio dedicato all’isola di Vulcano introduce un approccio che, grazie all’intelligenza artificiale e all’integrazione di dati satellitari con misure acquisite a terra, può consentire di migliorare il monitoraggio del sistema idrotermale, cioè l’insieme di acqua, vapore e gas presenti nel sottosuolo.
La ricerca, coordinata dall’Istituto Nazionale di Geofisica e Vulcanologia (INGV) in collaborazione con il Dipartimento di Matematica e Informatica dell’Università degli Studi di Catania, è stata realizzata nell’ambito del progetto SAFARI (An Artificial Intelligence-based StrAtegy For volcAno hazaRd monItoring from space) finanziato dal programma Pianeta Dinamico dell’INGV, ed è stata pubblicata sulla rivista scientifica Remote Sensing Applications: Society and Environment.
“Lo studio ha analizzato i dati raccolti tra il 2016 e il 2024, combinando informazioni sulla temperatura e le condizioni ambientali derivate dai satelliti VIIRS e Sentinel-2 con le temperature delle fumarole registrate dalla rete di monitoraggio dell’INGV nell’area del Cratere La Fossa” spiega Francesco Spina, ricercatore INGV e autore corrispondente della ricerca.
L’utilizzo di un modello di apprendimento semi-supervisionato ha permesso di distinguere con precisione le diverse condizioni di attività del sistema idrotermale: background, crisi minore e unrest.
“In particolare – continua Gaetana Ganci, ricercatrice INGV e co-autrice dello studio – l’uso di un modello semi-supervisionato basato su reti neurali generative (SGAN) ha permesso di superare la limitata disponibilità di dati etichettati, dovuta alla rarità delle fasi di crisi. Il modello, infatti, può apprendere efficacemente sia con pochi dati etichettati sia con un’ampia mole di dati non etichettati”.
Le reti neurali generative (SGAN), infatti, sono sistemi in grado di riconoscere situazioni diverse anche con pochi esempi già classificati, sfruttando le informazioni contenute nei dati non etichettati.
I risultati mostrano come l’intelligenza artificiale applicata ai dati satellitari possa supportare il monitoraggio dei vulcani, permettendo di analizzare nel tempo le variazioni di temperatura superficiale e di individuare cambiamenti legati all’attività del sistema idrotermale, aprendo la strada a sistemi di sorveglianza più avanzati e all’individuazione precoce di segnali di instabilità.
Link utili:
Istituto Nazionale di Geofisica e Vulcanologia (INGV)
Dipartimento di Matematica e Informatica dell’Università degli Studi di Catania
Architettura dettagliata e diagramma di flusso operativo della Semi-Supervised Generative Adversarial Network (SGAN). Il diagramma illustra il duplice processo di addestramento: (i) la Modalità Non Supervisionata, in cui il Discriminatore/Classificatore distingue tra campioni reali (dati non etichettati) e campioni falsi sintetizzati dal Generatore a partire da un vettore latente z; e (ii) la Modalità Supervisionata, in cui i dati etichettati vengono utilizzati per addestrare il modello a classificare gli input in n classi specifiche. Il ciclo di feedback, etichettato come ‘Fine Tuning’ nel diagramma, rappresenta il processo iterativo di addestramento avversario e di aggiornamento dei pesi tramite retropropagazione.
A. Immagini sinottiche dell’isola di Vulcano datate 26/11/2016 00:48 (in alto a sinistra), 03/02/2021 01:00 (in alto a destra), 04/10/2021 00:54 (in basso a sinistra) e 10/12/2021 00:48 (in basso a destra). La scala di colori indica il valore NTI dei singoli pixel. I 16 pixel all’interno del riquadro verde fanno parte dell’Area Termale sulla Sommità (TAS) del cono attivo, e i loro valori NTI sono stati inclusi nel dataset per l’addestramento e il test del modello SGAN. B. Grafico a barre dei risultati della classificazione ottenuti dal modello SGAN addestrato. Le barre verdi rappresentano gli intervalli temporali classificati come Background, le barre gialle indicano quelli classificati come Minor Crisis e le barre rosse corrispondono agli intervalli temporali classificati come Unrest. I riquadri neri evidenziano i periodi identificati come fasi di crisi (ovvero classificati come Minor Crisis e/o Unrest), che includono: (a) 9 novembre 2016–3 gennaio 2017; (b) 6 marzo 2018–28 agosto 2018; (c) 25 maggio 2019–15 luglio 2019; (d) 8 luglio 2020–28 agosto 2020; (e) 10 maggio 2021–13 settembre 2023; (f) 4 maggio 2024–27 giugno 2024.