Sem essas ferramentas, os geocientistas simplesmente não conseguem acompanhar as informações que despejam os satélites, diz Michael Poland, cientista encarregado do Observatório do Vulcão Yellowstone, em Vancouver, Washington, que não esteve envolvido em nenhum dos estudos. "O volume de dados é esmagador", diz ele.
Andrew Hooper, um vulcanólogo da Universidade de Leeds, no Reino Unido, que liderou o desenvolvimento de um método, diz que os novos algoritmos devem beneficiar os cerca de 800 milhões de pessoas que vivem perto de vulcões. "Cerca de 1400 vulcões têm potencial para entrar em erupção acima do mar", diz ele. “Cerca de 100 são monitoradas. A grande maioria não é. ”Ambos os métodos foram apresentados esta semana em Washington, D.C., na reunião semestral da União Geofísica Americana (AGU).
Nos últimos anos, com o lançamento dos satélites Sentinel 1A e Sentinel 1B da Agência Espacial Europeia, o campo da vulcanologia recebeu frequentes e repetidas visões de como o solo se desloca ao redor dos vulcões do mundo. Os satélites do Sentinel 1 usam uma técnica chamada interferometria de radar, que compara os sinais de radar enviados e refletidos da Terra para rastrear mudanças na superfície do planeta. O método não é novo, mas, com exclusividade, os satélites do Sentinel 1 revisitam cada ponto no planeta uma vez a cada 6 dias, e a equipe do Sentinel libera essas observações de alta resolução rapidamente. Um grupo de pesquisa no Reino Unido chamado Centro de Observação e Modelagem de Terremotos, Vulcões e Tectônica (COMET) já havia começado a criar um banco de dados desses instantâneos do movimento do solo, chamados interferogramas, para os vulcões do mundo. Sobrepor esse banco de dados à detecção automatizada pareceu natural, dado o sucesso que o aprendizado de máquinas teve em outras formas de detecção de padrões, diz Hooper, que trabalha com o COMET.
Mudanças no movimento do solo tipicamente refletem o deslocamento do magma abaixo do vulcão e não predizem perfeitamente as erupções. Mas, ao contrário dos pontos quentes térmicos ou das plumas de cinzas, que podem ser detectados automaticamente com os satélites meteorológicos, os desvios de terra podem ajudar a prever erupções e não apenas indicar sua ocorrência. "Deformação nem sempre significa erupção", diz Hooper. "Mas há poucos casos em que não temos uma erupção sem deformação".
Primeiro, as equipes tiveram que ensinar seus algoritmos para não confundir mudanças atmosféricas no movimento do solo, algo que os interferogramas são propensos a fazer. Para fazer isso, a equipe de Hooper estabeleceu uma técnica chamada análise de componentes independentes, que aprende a separar um sinal em diferentes partes: como a atmosfera estratificada ou a turbulência de curto prazo, juntamente com mudanças de terra na caldeira ou no flanco de um vulcão. A técnica permite que eles captem tanto novos movimentos de solo quanto mudanças na velocidade, ambos sinais de erupção pendente.
Enquanto isso, outra equipe do COMET liderada por Juliet Biggs, vulcanologista da Universidade de Bristol, no Reino Unido, construiu um segundo algoritmo usando uma forma cada vez mais popular de inteligência artificial chamada redes neurais convolucionais, que usam camadas de neurônios de inspiração biológica para separe as características das imagens em piscinas cada vez mais abstratas, aprendendo a distinguir, por exemplo, os gatos dos cães. Os pesquisadores primeiro treinaram sua rede neural usando interferogramas brutos do Envisat, o precursor da Sentinel, para o qual eles tinham exemplos existentes de erupções. Embora o algoritmo tenha tido algum sucesso em uma análise de 30.000 interferogramas Sentinel, ele ainda produziu muitos falsos positivos. Havia simplesmente poucos exemplos para aprender, diz Fabien Albino, um vulcanologista que trabalha com Biggs em Bristol. “Para aprendizado de máquina, 100 não é nada. Eles querem milhares e milhares ”.
Para superar esse problema, Biggs e seus colegas criaram um conjunto de dados sintéticos de erupções simuladas por computador, geradas por alguns padrões físicos conhecidos. Esses dados sintéticos reduziram a fração de falsos positivos de cerca de 60% para 20%, como relataram hoje na reunião da AGU. Essa tendência só continuará melhorando à medida que mais exemplos de sentinelas forem lançados no algoritmo, diz Albino. “O sistema vai apenas sintonizar como o Google, [introduzindo] milhões de gatos e cachorros, e depois o sistema sabe. Não precisa mais aprender. É estável.
Embora alguns contínuos problemas técnicos no banco de dados de vulcão do COMET tenham impedido as equipes de executarem seus algoritmos em tempo real em todos os vulcões, Hooper tem executado sua técnica em pontos selecionados, incluindo os picos vulcânicos conhecidos como Sierra Negra e Wolf nas Ilhas Galápagos. Ambas entraram em erupção no ano passado, e o programa de Hooper pegou tanto quando sua agitação começou, ele relatou ontem na reunião.
Os dois algoritmos são complementares; a rede neural, por exemplo, não consegue captar mudanças muito lentas na deformação, mas a análise de componentes independentes pode. Então é provável que o sistema de alerta do COMET use ambos, diz Hooper. Por enquanto, o desafio é acelerar a rapidez com que o COMET pode puxar os dados do radar do Sentinel para o banco de dados. Embora esses dados estejam disponíveis no Sentinel dentro de algumas horas, ainda são necessárias várias semanas para que sejam totalmente transferidos. É um trabalho meticuloso, diz Hooper. "Nós pensamos que estaríamos mais adiante."
Ainda assim, o trabalho parece exatamente o que o mundo precisa, diz a Polônia. "É um primeiro passo impressionante", diz ele. "Isso poderia absolutamente revolucionar a detecção desses eventos".
Autor: Paul Voosen
Fonte: Science MAG
Sítio Online da Publicação: Science MAG
Data: 11/12/2018
Publicação Original: https://www.sciencemag.org/news/2018/12/artificial-intelligence-helps-predict-volcanic-eruptions
