主页 > M会生活 >AI预测火山爆发 >

AI预测火山爆发

2020-06-06来源:M会生活
点赞:308
AI預測火山爆發

目前全球约 8 亿人口生活在火山附近,然而世界上1,400座活火山,仅 100座受到监控。英国火山学家 Andrew Hooper和 Juliet Biggs所领导的团队,分别开发出包含CNN在内的方法,协助火山学家消化并分析卫星所拍摄庞大的地表观察资料,以及时利用地形变化预测火山爆发的可能时机。

地表观测卫星

火山爆发前通常有许多徵兆,例如地表运动可能反映了火山下方的岩浆活动。虽然地面变形并不总意味着火山爆发,但单纯就经验法则而言,未造成地表变形便爆发的火山活动屈指可数。

2014年 4 月,欧洲航天局(European Space Agency,ESA)发射了一系列用于蒐集地表、海洋和大气资讯的卫星,以取代既有的 Envisat 系统。这些卫星分别搭载微波、光学相机及光谱分析设备,用以获取地球环境的各种资讯。其中 Sentinel 1  是两颗一组的卫星,两者共用同一轨道,使用C波段 (4-8GHz) 作为探测讯号。其使用雷达干涉测量技术,由卫星发射微波到地表,侦测发射波与反射波的干涉状况来观测地表地形;且每6天更新一次,藉由图像的前后对照得知地表变化,属于大範围高重複性的雷达观测卫星。这些观测资料最终会汇集至英国「地震、火山和构造观测建模中心」(Centre for Observation and Modeling of Earthquakes, Volcanoes and Tectonics,COMET)所建置的资料库中,供火山研究与预报之用。

大气干扰

然而这项技术仍有一些缺陷:第一,雷达干涉成像容易混淆大气变化与实际地形变化;第二,Sentinel卫星所产生的资料量非常庞大,远超出科学家单凭一己之力可以即时处理的负荷。在美国地球物理联盟(American Geophysical Union,AGU)的半年会上,英国火山学家 Andrew Hooper及 Juliet Biggs所领导的团队,分别发表了他们各自开发出的新方法,来解决这些棘手的技术缺陷,以消化这些珍贵但庞大的资料。

英国利兹大学的火山学家 Andrew Hopper 採用独立成份分析技术 (Independent component analysis),将卫星信号分解成不同的组成片段,列如:分层大气 (stratified atmosphere)、短期乱流(short-term turbulence)、火山臼位移(caldera ground shift)、火山翼位移(flank ground shift),排除大气的变化,使研究者可以更準确地推算地表运动的模式和速率。

庞大资料量

英国布里斯托大学的Juliet Biggs 教授则採用了AI领域中常用以进行图像辨识的卷积神经网路 (Convolutional Neural Network,CNN)。Biggs 首先使用 Sentinel 之前的 Envisat 卫星所产生的干涉图像来训练神经网路,其中包含已知过去曾爆发的火山,再以Sentinel 所产生三万多幅的干涉图像来验证网路的效度。但无奈训练资料库太小,仍产生太多误判。Biggs最终利用已知的物理模型以电脑合成多张图像, 成功将误判率由原先 60% 降低至 20%。预期随着更多的 Sentinel 图像加入,系统準确性将提高。

AI预测火山爆发

图一、加拉巴哥群岛上的Wolf火山。(来源:NASA)

两位科学家提出的演算法各有优势:独立成份分析可以分离大气干扰,捕捉地表变形的缓慢变化;CNN则可以自动且迅速辨识地表形变的特徵,结合两种方法可以让火山预测更加精準。然而仍有部分瓶颈仍待克服,例如:卫星虽可在数小时内获得数据,但将数据彙整到 COMET 却需要数週才能完成。话虽如此,这套火山预报技术已有初步成果:Hooper的演算法成功在去年加拉帕戈群岛Sierra Negra 和 Wolf 火山爆发前提出示警。

编译来源

P. Voosen, “Artificial intelligence helps predict volcanic eruptions,” Science/AAAS, Dec. 11, 2018.

参考资料

AGU, “2018 Fall Meeting Press Conference: Geoscience Grab Bag 2”, Youtube, 2018.

(本文由教育部补助「AI报报─AI科普推广计画」执行团队编译)

相关阅读

随便看看