AI預測火山爆發

AI預測火山爆發

編譯/自由撰稿人 葉姝涵

地表觀測衛星

火山爆發前通常有許多徵兆,例如地表運動可能反映了火山下方的岩漿活動。雖然地面變形並不總意味著火山爆發,但單純就經驗法則而言,未造成地表變形便爆發的火山活動屈指可數。

2014年 4 月,歐洲航天局(European Space Agency,ESA)發射了一系列用於蒐集地表、海洋和大氣資訊的衛星,以取代既有的 Envisat 系統。這些衛星分別搭載微波、光學相機及光譜分析設備,用以獲取地球環境的各種資訊。其中 Sentinel 1  是兩顆一組的衛星,兩者共用同一軌道,使用C波段 (4-8GHz) 作為探測訊號。其使用雷達干涉測量技術,由衛星發射微波到地表,偵測發射波與反射波的干涉狀況來觀測地表地形;且每6天更新一次,藉由圖像的前後對照得知地表變化,屬於大範圍高重複性的雷達觀測衛星。這些觀測資料最終會匯集至英國「地震、火山和構造觀測建模中心」(Centre for Observation and Modeling of Earthquakes, Volcanoes and Tectonics,COMET)所建置的資料庫中,供火山研究與預報之用。

大氣干擾

然而這項技術仍有一些缺陷:第一,雷達干涉成像容易混淆大氣變化與實際地形變化;第二,Sentinel衛星所產生的資料量非常龐大,遠超出科學家單憑一己之力可以即時處理的負荷。在美國地球物理聯盟(American Geophysical Union,AGU)的半年會上,英國火山學家 Andrew Hooper及 Juliet Biggs所領導的團隊,分別發表了他們各自開發出的新方法,來解決這些棘手的技術缺陷,以消化這些珍貴但龐大的資料。

英國利茲大學的火山學家 Andrew Hopper 採用獨立成份分析技術 (Independent component analysis),將衛星信號分解成不同的組成片段,列如:分層大氣 (stratified atmosphere)、短期亂流(short-term turbulence)、火山臼位移(caldera ground shift)、火山翼位移(flank ground shift),排除大氣的變化,使研究者可以更準確地推算地表運動的模式和速率。

龐大資料量

英國布里斯托大學的Juliet Biggs 教授則採用了AI領域中常用以進行圖像辨識的卷積神經網路 (Convolutional Neural Network,CNN)。Biggs 首先使用 Sentinel 之前的 Envisat 衛星所產生的干涉圖像來訓練神經網路,其中包含已知過去曾爆發的火山,再以Sentinel 所產生三萬多幅的干涉圖像來驗證網路的效度。但無奈訓練資料庫太小,仍產生太多誤判。Biggs最終利用已知的物理模型以電腦合成多張圖像, 成功將誤判率由原先 60% 降低至 20%。預期隨著更多的 Sentinel 圖像加入,系統準確性將提高。

圖一、加拉巴哥群島上的Wolf火山。(來源:NASA)

兩位科學家提出的演算法各有優勢:獨立成份分析可以分離大氣干擾,捕捉地表變形的緩慢變化;CNN則可以自動且迅速辨識地表形變的特徵,結合兩種方法可以讓火山預測更加精準。然而仍有部分瓶頸仍待克服,例如:衛星雖可在數小時內獲得數據,但將數據彙整到 COMET 卻需要數週才能完成。話雖如此,這套火山預報技術已有初步成果:Hooper的演算法成功在去年加拉帕戈群島Sierra Negra 和 Wolf 火山爆發前提出示警。

 

 

編譯來源

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

參考資料

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

(本文由教育部補助「AI報報─AI科普推廣計畫」執行團隊編譯)

(Visited 1 times, 1 visits today)
views