義大利國家地球物理與火山學研究所 (INGV) 的一項新研究採用綜合方法來識別該島熱液活動變化的跡象。
一項專門針對武爾卡諾島的新研究 引入了一種方法， 得益於人工智慧以及衛星數據與地面測量數據的融合可以允許 改善對水熱系統的監測即地下存在的水、蒸氣和氣體的混合物。
這項研究由…協調國家地球物理和火山學研究所 (INGV) 在與合作， 卡塔尼亞大學數學與計算機科學系是在以下框架內建立的： SAFARI項目 (基於人工智慧的太空火山災害監測策略該研究由 INGV 動態行星計劃資助，並發表在科學期刊上。 遙感應用：社會與環境.
該研究分析了 2016 年至 2024 年間收集的數據，將來自 VIIRS 和 Sentinel-2 衛星的溫度和環境條件資訊與 INGV 監測網路在拉福薩火山口地區記錄的噴射孔溫度相結合。 spiega 弗朗切斯科·斯皮納INGV 研究員兼該研究的通訊作者。
利用半監督式學習模型，我們能夠精確區分熱液系統的不同活動狀態： 背景輕微危機和 動盪.
「特別是——」他繼續說。 蓋塔娜·甘西INGV研究員兼該研究的合著者— 由於危機階段的罕見性，導致標記資料有限，而基於生成式神經網路（SGAN）的半監督模型的使用使我們能夠克服這一難題。事實上，該模型無論使用少量標記數據或大量未標記數據，都能有效地進行學習。
Le 生成式神經網路（SGAN），實際上 即使只有少量已分類的範例，這些系統也能夠識別不同的情況。利用未標記資料中包含的資訊。
結果顯示如何 將人工智慧應用於衛星數據可以為火山監測提供支援。這使得我們能夠分析地表溫度隨時間的變化，並識別與熱液系統活動相關的變化，從而為更先進的監測系統和及早發現不穩定跡象鋪平道路。
有用的鏈接：
半監督生成對抗網路（SGAN）的詳細架構和操作流程圖。此圖展示了雙管齊下的訓練過程：（i）無監督模式，其中判別器/分類器區分真實樣本（未標記資料）和生成器根據潛在向量 z 生成的虛假樣本；（ii）監督模式，其中使用標記資料訓練模型，使其能夠將輸入分類到 n 個特定類別中。圖中標示為「微調」的回饋迴路表示對抗訓練和透過反向傳播進行權重更新的迭代過程。
A圖為2016年11月26日00:48（左上）、2021年03月02日01:00（右上）、2021年10月04日00:54（左下）及2021年12月10日00:48（右下）拍攝的武爾卡諾島天氣圖。顏色標尺表示各像素的NTI值。綠色方框內的16個像素屬於活動錐的熱峰區域（TAS），它們的NTI值已包含在用於訓練和測試SGAN模型的資料集中。 B長條圖展示了訓練好的SGAN模型的分類結果。綠色長條圖代表被分類為「背景」的時間段，黃色長條圖代表被分類為「輕微危機」的時間段，紅色長條圖代表被分類為「動盪」的時間段。黑色方框突顯了被識別為危機階段（即被分類為「輕微危機」和/或「動盪」）的時期，包括：(a) 2016年11月9日至2017年1月3日；(b) 2018年3月6日至2018年8月2819(c) 2019年5月192525252525252250009年(c) 2019年592525252252257252250009年(c) 2019年； 2020年7月8日至2020年8月28日；(e) 2021年5月10日至2023年9月13日；(f) 2024年5月4日至2024年6月27日。