L’intelligence artificielle (IA) est de plus en plus utilisée en sismologie et en volcanologie où elle pourrait contribuer à la prévision des séismes et des éruptions, événements parfois destructeurs. J’ai publié une note le 28 juillet 2024 expliquant comment les scientifiques utilisent l’IA. J’ai également ajouté que son utilisation dans la prévision volcanique et pour d’autres phénomènes naturels semble prometteuse. Cependant, il faut garder à l’esprit que l’intelligence artificielle relève des sciences exactes, tandis que les éruptions dépendent des caprices de la Nature, qui peuvent être imprévisibles !
Un nouvel article publié par des chercheurs de l’Université de Canterbury (Nouvelle-Zélande) explique qu’ils utilisent un nouvel outil, développé grâce à l’intelligence artificielle (IA), pour améliorer la prévision des éruptions volcaniques dans le monde.
L’équipe scientifique de l’Université de Canterbury a créé un modèle d’apprentissage automatique (machine learning, ML) capable d’identifier les premiers signes sismiques d’éruptions volcaniques. L’étude a analysé 41 éruptions sur 24 volcans sur une période de 73 ans. Cela a donné naissance à des schémas d’activité sismique pré-éruptive pouvant être appliqués à des volcans moins surveillés.
Les chercheurs ont introduit une technique d’apprentissage automatique appelée « apprentissage par transfert » (transfer learning, TL), qui identifie les signaux précurseurs communs à plusieurs volcans. Cette approche permet de prévoir les éruptions sur des sites où les instruments de mesure sont rares, voire inexistants. Les chercheurs affirment que leur méthode offre une solution rentable et évolutive pour améliorer les prévisions concernant les volcans dépourvus de surveillance ou mal surveillés.
Le modèle basé sur l’IA vise également à venir en aide aux régions disposant d’infrastructures de surveillance limitées, comme l’Asie du Sud-Est et l’Amérique centrale, où de nombreux volcans actifs restent sous-étudiés.
L’équipe de recherche a collaboré avec des observatoires volcaniques à travers le monde pour garantir que le modèle de prévision fournisse des données exploitables. Cette approche collaborative permet une intégration transparente avec les cadres de surveillance volcanique existants.
Les scientifiques de l’Université de Canterbury ont analysé 41 éruptions volcaniques sur 24 volcans différents, couvrant 73 années de données sismiques. Ils ont classé les volcans en trois groupes selon leur type éruptif : magmatiques, phréatiques et un groupe incluant tous les volcans. Le modèle ML a utilisé une fenêtre de données sismiques de 48 heures précédant les éruptions pour tester les modèles de prévision. Les résultats ont été évalués par un processus de validation croisée, reproduisant les conditions de prévision en temps réel.
La comparaison avec les méthodes de prévision traditionnelles, telles que la mesure de l’amplitude sismique en temps réel (RSAM), a révélé que le modèle ML était plus performant que les techniques conventionnelles. Il a notamment démontré une meilleure sensibilité à l’activité pré-éruptive pour les éruptions phréatiques.
Certains volcans, comme le Copahue, ont affiché des valeurs de prévision constamment élevées entre des éruptions rapprochées, ce qui pourrait nécessiter une amélioration du modèle. Les éruptions non annoncées, comme celle de Cordon-Caulle en 2011, ont présenté des limites en termes de prévision en raison de la faiblesse des signaux sismiques pré-éruptifs. Les améliorations pourraient inclure l’intégration des niveaux d’émissions gazeuses, des anomalies thermiques et des données magnétotelluriques dans les modèles de prévision. Les chercheurs prévoient également d’affiner la capacité du modèle à distinguer différents types d’activité volcanique, comme les éruptions à conduit ouvert et fermé.
Source : Université de Canterbury.
Éruption du Copahue en 2013 (Crédit photo: SERNAGEOMIN)
——————————————————
Articicial intelligence (AI)is more and more used in seismology and volcanology, with the hope that it will help precict earthquakes and eruptions that can sometimes be destructive.I wrote a post on 28 July 2024 explaining how scientists are using AI, but I also added that the use of artificial intelligence in volcanic prediction and the prediction of other natural phenomena looks promising. However, one should keep in mind that artificial intelligence is part of exact science whereas eruptions depend on Nature’s whims which can be unpredictable !
A new article by researchers at the University of Canterbury (New Zealand) has resulted in a new tool, developed using artificial intelligence (AI), to improve the prediction of volcanic eruptions worldwide.
The University of Canterbury research team has created a machine-learning (ML) model capable of identifying early seismic warning signs of volcanic eruptions. The study analyzed 41 eruptions across 24 volcanoes over 73 years, revealing patterns in pre-eruption seismic activity that can be applied to less-monitored volcanoes.
The research introduces an ML technique known as transfer learning, which identifies shared precursor signals across multiple volcanoes. The approach allows for forecasting eruptions at sites with little to no prior instrumental eruption records. The researchers say that their method provides a cost-effective and scalable solution for improving forecasting at under-monitored volcanoes.
The AI-based model also aims to support regions with limited monitoring infrastructure, such as Southeast Asia and Central America, where many active volcanoes remain understudied.
The research team worked alongside international volcano observatories to ensure the forecasting model provides actionable data. The collaborative approach enables seamless integration with existing volcanic monitoring frameworks.
The scientists analyzed 41 volcanic eruptions from 24 different volcanoes, spanning 73 years of seismic data. The researchers categorized volcanoes into three groups based on eruption type: magmatic, phreatic, and a global pool that included all volcanoes. The ML model used a 48-hour window of seismic data leading up to eruptions to train forecasting models The model’s performance was assessed through a cross-validation process mimicking real-time forecasting conditions.
Comparisons with traditional forecasting methods, such as Real-Time Seismic Amplitude Measurement (RSAM), revealed that the ML model outperformed conventional techniques. In particular, the model demonstrated better sensitivity to pre-eruptive activity for phreatic eruptions.
Some volcanoes, such as Copahue, displayed consistently high forecasting values between closely spaced eruptions, which may require further refinement of the model. Unheralded eruptions, such as the 2011 Cordon Caulle event, presented limitations in forecasting capabilities because of weak pre-eruption seismic signals.
Future improvements may include incorporating gas emission rates, thermal anomalies, and magnetotelluric data into the forecasting models. The researchers also plan to refine the model’s ability to distinguish between different types of volcanic activity, such as open versus closed conduit eruptions.
Source : University of Canterbury.
Claude Grandpey : Volcans et Glaciers 