spazio vuoto logo alto

ICONA Facebook666666 ICONA Flickr666666 ICONA Youtube666666

Banner News

Pignatelli Fig1 testo

Figura 1 - L’area napoletana con i suoi tre vulcani, Campi Flegrei, Ischia, Procida e Somma-Vesuvio e la distribuzione areale delle principali eruzioni esplosive.
Figure 1 - The Neapolitan area with the three main volcanoes, Campi Flegrei, Ischia, Procida and Somma-Vesuvius and areal distribution of their main explosive eruptions.

Pignatelli rockNea testo

Figura 2 - Diagrammi comunemente usati per la classificazione delle composizione delle rocce vulcaniche napoletane: è evidente la differente leggibilità tra quella basata su una selezione di dati (a,b) e quella derivante dall’intero dataset (c,d).
Figure 2 - Usual diagrams to classify rock compositions of neapolitan volcanic rocks: a selected dataset allows diagrams more readable with respect the whole dataset.

 

 Dal machine learning un prezioso aiuto per comprendere i vulcani napoletani

Elaborare e classificare la composizione delle rocce vulcaniche dell’area napoletana attraverso l’intelligenza artificiale. Questo l’obiettivo dello studio Machine learning applied to rock geochemistry for predictive outcomes: The Neapolitan volcanic history case appena pubblicato sulla rivista ‘Journal of Volcanology and Geothermal Research’ e opera di due ricercatori dell’Istituto Nazionale di Geofisica e Vulcanologia (INGV).
Il lavoro rappresenta un nuovo ‘punto di partenza’ per lo sviluppo delle analisi petrologiche utilizzando i database già in possesso ai ricercatori.

“La composizione chimica delle rocce”, spiega Monica Piochi, ricercatrice dell’Osservatorio Vesuviano dell'INGV, “consta del contenuto di numerosi elementi presenti nella roccia come silicio, calcio, potassio, stronzio, piombo, zolfo, arsenico, uranio, bario e via di seguito. Questo set chimico può essere quasi costante o variare sia all’interno del singolo deposito vulcanico sia nel corso dei diversi eventi eruttivi, in risposta alla specifica dinamica del serbatoio magmatico”.
“Ogni eruzione napoletana”, prosegue la ricercatrice, “ha prodotto depositi con una propria composizione chimica, cosicché da essa si può dedurre l’eruzione e le caratteristiche del serbatoio magmatico di alimentazione; è come risalire all’identità di un individuo dalle sue caratteristiche somatiche e dal set di parametri ematochimici.

Date le piccole e grandi diversità esistenti e i numerosi parametri che descrivono tali diversità, l’individuazione delle rocce, così come degli individui, è un’operazione lunga e complessa. Tuttavia, conoscerne la tipologia risulta necessario per la conoscenza del comportamento del vulcano e del suo impatto sul territorio così come, analogamente, riconoscere un individuo è utile per stabilirne, ad esempio, il suo stile di vita e il suo stato di salute”.

“Il machine learning”, spiega Alessandro Pignatelli, ricercatore INGV, “è uno strumento comune in ambito scientifico e sta acquisendo sempre maggiore diffusione in vari campi della ricerca, medica, economica, sociale, e ci sono tentativi di applicazione anche in campo petrologico”.

Per valutare le potenzialità dell’intelligenza artificiale i due ricercatori hanno raccolto e raggruppato l’enorme mole di dati chimici presenti in letteratura in un unico database (54 variabili per 9800 campioni), evincendo, in primis, l’abbondanza di dati per alcune eruzioni e la carenza per altre. In particolare, il database è molto esteso per i Campi Flegrei e per il Vesuvio mentre è risultato carente per le attività vulcaniche di Ischia e Procida. Inoltre, hanno cercato l’algoritmo ottimale per gli obiettivi dello studio.

“Per una corretta valutazione” prosegue Alessandro Pignatelli, “abbiamo usato diverse tecniche di machine learning e, per ciascuna, abbiamo valutato la capacità diclassificare correttamente il campione”.

“I risultati del nostro studio”, aggiungono Monica Piochi e Alessandro Pignatelli, “indicano che sulla base del database esistente è possibile ottenere una prima, rapida classificazione di dati composizionali di rocce vulcaniche napoletane mediante l’intelligenza artificiale. Tale classificazione ha il vantaggio di essere rapida e scevra della discrezionalità dell’operatore. Il machine learning, infatti, ha una capacità di circa il 98% di “centrare” l’attribuzione di una roccia di origine ignota - ma comunque individuata nel contesto napoletano - a uno dei vulcani, circa il 90% al periodo eruttivo e almeno il 70% alla formazione eruttiva. Inoltre, l’AI (artificial intelligence) si è dimostrata capace di “maneggiare” i dati petrologici in maniera rapida grazie a delle capacità di calcolo superiori rispetto a quelle di un essere umano.
La nostra applicazione dell’intelligenza artificiale al caso napoletano crea il presupposto per analisi veloci e affidabili su dati di futura acquisizione ed in particolare per la realizzazione di sistemi di controllo automatico su grandi dataset relativi all’intero vulcanismo italiano (se non globale)".

“L’attribuzione di un deposito roccioso ad un certo evento eruttivo”, conclude la ricercatrice, “è una informazione molto utile nella definizione della distribuzione areale dei prodotti magmatici e della magnitudo stessa dell’eruzione, degli effetti sul territorio e sui cambiamenti climatici così come sulla mobilità delle specie viventi. In archeologia, per esempio, può essere utile per determinare il luogo di estrazione dei materiali da costruzione e di comune uso, ad esempio le macine, e ricostruire i traffici commerciali”.

---

Artificial Intelligence at the service of volcanology
From machine learning a precious help to understand the Neapolitan volcanoes

Elaborate and classify the composition of the volcanic rocks of the Neapolitan area through artificial intelligence. This is the objective of the study Machine learning applied to rock geochemistry for predictive outcomes: The Neapolitan volcanic history case just published in the journal 'Journal of Volcanology and Geothermal Research'. The research is the result of the work of two researchers from the italian Istituto Nazionale di Geofisica e Vulcanologia (INGV).
The work represents a new 'starting point' for the development of petrological analyzes using the databases already in the possession of the researchers.

"The chemical composition of the rocks", explains Monica Piochi, researcher at the Vesuvian Observatory of the INGV, "consists of the content of numerous elements present in the rock such as silicon, calcium, potassium, strontium, lead, sulfur, arsenic, uranium, barium and son on. This chemical set can be almost constant or vary both within the single volcanic deposit and during the various eruptive events, in response to the specific dynamics of the magma reservoir".

"Each Neapolitan eruption", continues the researcher, "has produced deposits with its own chemical composition, so we can deduce the eruption and the characteristics of the magmatic supply reservoir; it is like tracing the identity of an individual from his somatic characteristics and from the set of blood chemistry parameters.
Due the small and large existing diversities and the numerous parameters that describe such diversities, the identification of rocks, as well as individuals, is a long and complex operation. However, knowing its typology is necessary for the knowledge of the volcano's behavior and its impact on the territory as well as, similarly, recognizing an individual is useful for establishing, for example, his lifestyle and his state of health".

"Machine learning", explains Alessandro Pignatelli, researcher at INGV, "is a common tool in the scientific field and is acquiring ever greater usage in various fields of research, medical, economic, social, and there are attempts to apply it also in the petrological field".

To evaluate the potential of artificial intelligence, the two researchers collected and grouped the enormous amount of chemical data present in the literature in a single database (54 variables for 9800 samples), first of all deducing the abundance of data for some eruptions and the shortage for others. In particular, the database is very extensive for Campi Flegrei and Vesuvius while it was lacking for the volcanic activities of Ischia and Procida. In addition, they looked for the optimal algorithm for the study's objectives.

"For a correct evaluation" explains Alessandro Pignatelli, "we used different machine learning techniques and, for each, we evaluated the ability to correctly classify the sample".

"The results of our study", Monica Piochi and Alessandro Pignatelli add, "indicate that on the basis of the existing database it is possible to obtain a first, rapid classification of compositional data of Neapolitan volcanic rocks using artificial intelligence. This classification has the advantage of being quick and free from the operator's discretion. The machine learning, in fact, has a capacity of about 98% to "center" the attribution of a rock of unknown origin - but still identified in the Neapolitan context - to one of the volcanoes, about 90% to the eruptive period and at least 70% to the eruptive formation.
In addition, the AI (artificial intelligence) has proved to be capable of "handling" petrological data quickly thanks to computational skills superior to those of a human being.
Our artificial intelligence application to the Neapolitan case creates the premise for fast and reliable analyzes for future data and for development of automatic checking systems on large dataset related to the whole Italian volcanism - if not at a global scale".

The attribution of a rock deposit to a certain eruptive event", concludes the researcher, "is very useful information in defining the areal distribution of magmatic products and the magnitude of the eruption itself, the effects on the territory and on climate change as well as on the mobility of living species. In archeology, for example, it can be useful to determine the place of extraction of construction materials and commonly used materials, such as millstones, and to reconstruct commercial traffics”.

Link: https://www.sciencedirect.com/science/article/abs/pii/S0377027321000834