DOI: https://doi.org/10.1038/s41598-026-36677-x
PMID: https://pubmed.ncbi.nlm.nih.gov/41580511
تاريخ النشر: 2026-01-24
المؤلف: Waed Abed وآخرون
الموضوع الرئيسي: علم الزلازل ودراسات الزلازل
نظرة عامة
تستكشف هذه الدراسة تطبيق التعلم الآلي غير المراقب، وتحديدًا التجميع العميق المدمج، لتحليل طيف الزلازل اليومي من جبل إتنا على مدار عام، والذي يشمل نشاطًا بركانيًا كبيرًا. من خلال تصنيف البيانات الزلزالية من محطتين قمتين، حدد الباحثون أربعة تجمعات متميزة تتوافق مع مراحل بركانية مختلفة: (1) السكون، (2) ضغط السوائل كما هو موضح من خلال أحداث الفترة الطويلة (LP)، (3) مرحلة تحضيرية، و(4) حلقات نافورة الحمم البركانية. تتماشى هذه التجمعات مع المراحل البركانية المحددة من قبل الخبراء وتم التحقق منها ضد مؤشرات مستقلة، مما يكشف عن مرحلة تحضيرية تسبق نافورات الحمم البركانية في فبراير 2021، مما يشير إلى إعادة شحن البركان.
تسلط النتائج الضوء على فعالية التعلم غير المراقب في تمييز العمليات البركانية المعقدة وعزل الإشارات التي تشير إلى الثورات الوشيكة. تشير الدراسة إلى دقة تنبؤية عالية (~95%) في تحديد أيام الثوران، مما يبرز إمكانيات الطريقة كأداة قيمة لرصد النشاط البركاني. يُقترح العمل المستقبلي لتعزيز الدقة الزمنية لتحليل البيانات ودمج مكونات زلزالية إضافية، مع معالجة التحديات المتعلقة بتفسير مخرجات التعلم الآلي في السياقات البركانية. في النهاية، تدعو هذه الأبحاث إلى نهج متعدد التخصصات يجمع بين رؤى التعلم الآلي وتقنيات الرصد التقليدية لتحسين توقع الثورات وتعميق فهم الديناميات البركانية.
مقدمة
تسلط المقدمة الضوء على الحاجة الملحة لرصد وتوقع النشاط البركاني بشكل فعال نظرًا لمخاطره المحتملة على السكان والبنية التحتية. تعتمد طرق الرصد التقليدية، التي تشمل الزلازل، وتشوه الأرض، وانبعاثات الغاز، غالبًا على التحليل اليدوي، مما يجعلها أقل فعالية في مواجهة الكميات الكبيرة من البيانات الناتجة عن البراكين المجهزة جيدًا. تؤكد الورقة على مزايا أدوات التصنيف التلقائي وتقنيات التعلم الآلي (ML)، التي يمكنها تحليل مجموعات البيانات الجيوفيزيائية المعقدة لتحسين الكشف والتصنيف وتوقع الظواهر البركانية. أظهرت كل من طرق التعلم الآلي المراقب وغير المراقب وعودًا في تحديد الثورات ودمج معايير الرصد المختلفة، مما يعزز فهم الديناميات البركانية.
يعد جبل إتنا، أكثر البراكين نشاطًا في أوروبا، دراسة حالة لتطبيق هذه الأساليب في التعلم الآلي نظرًا لبنيته التحتية الواسعة للرصد ونشاطه المستمر. يدير المعهد الوطني للجيوفيزياء والبراكين – مرصد إتنا (INGV-OE) شبكة كثيفة من الأدوات التي توفر بيانات عالية الدقة، مما يسهل الكشف الأمثل عن الأحداث الزلزالية. تناقش المقدمة أيضًا أهمية الاهتزاز البركاني وأحداث الزلازل طويلة المدى (LP)، والتي تعتبر حاسمة لفهم العمليات الداخلية للبركان. تقدم هذه الإشارات، التي تم ملاحظتها خلال كل من المراحل الثورية وغير الثورية، رؤى حول الديناميات الماجما وقد كانت أساسية في تطوير أنظمة تلقائية للكشف المبكر عن النشاط البركاني، مما يحسن استراتيجيات الرصد والتخفيف من المخاطر.
النتائج
في هذا القسم، يقدم المؤلفون نتائج تحليلهم، الذي حدد أربعة تجمعات متميزة تتوافق مع أنظمة زلزالية مختلفة مرتبطة بالمراحل البركانية، كما هو موضح في الشكل 2. تم التحقق من هذه التجمعات من خلال مقارنتها عبر محطات مختلفة وضد مؤشرات حالة بركانية مستقلة، كما هو موضح في الأشكال 3 و5، مما يضمن اتساقها وقابليتها للتفسير.
تم إجراء المقارنة الأولية لنتائج التجميع داخل كل محطة، مع التركيز على المكونين الأفقيين لتحديد الميزات السائدة التي تؤثر على التصنيف. بعد ذلك، تم توسيع التحليل ليشمل جميع المحطات والمكونات، ودمجها في مجموعة بيانات موحدة لتقييم شامل للأنظمة الزلزالية.
المناقشة
في هذه الدراسة، يستكشف المؤلفون تطبيق تقنيات التعلم الآلي غير المراقب (ML) لتحليل البيانات الزلزالية من جبل إتنا، مع التركيز على تحديد مراحل النشاط البركاني بين نوفمبر 2020 ونوفمبر 2021. تسلط الأبحاث الضوء على فعالية دمج AutoencoderZ وDeep Embedded Clustering (DEC) لتصنيف طيف الزلازل إلى تجمعات متميزة تتوافق مع المراحل البركانية المعترف بها. من الجدير بالذكر أن الدراسة تحدد أربعة تجمعات رئيسية: يمثل التجمع 1 فترات السكون، ويرتبط التجمع 2 بأحداث الفترة الطويلة (LP) ذات الطاقة المنخفضة المتعلقة بالديناميات السائلة، ويشير التجمع 3 إلى مرحلة تحضيرية تتميز بزيادة الاهتزاز البركاني، ويتوافق التجمع 4 مع حلقات نافورة الحمم البركانية الشديدة. يلتقط النهج غير المراقب بنجاح الأنماط الزلزالية الدقيقة التي قد تتجاهلها الطرق التقليدية، مما يوفر رؤى حول العمليات البركانية الأساسية.
تؤكد النتائج على إمكانيات التعلم الآلي غير المراقب لتعزيز تفسير الإشارات الزلزالية المعقدة، خاصة في تحديد المراحل السابقة للنشاط البركاني. تؤكد الدراسة على أهمية دمج مؤشرات بركانية مستقلة، مثل حدوث نافورات الحمم البركانية ومتوسط الجذر التربيعي (RMS) للسعة، للتحقق من التجمعات التي حددها خوارزمية التعلم الآلي. يقترح المؤلفون أن تحسينات منهجية إضافية وإدراج محطات رصد إضافية يمكن أن تعزز من قوة التحليل وتساعد في فهم أكثر شمولاً للديناميات البركانية في إتنا.
القيود
تناقش قسم القيود الأخطاء في التصنيف التي تم مواجهتها في خوارزمية التجميع المستخدمة لتحليل الأحداث البركانية. من الجدير بالذكر أن الخوارزمية أحيانًا ما كانت تحدد أحداث نافورة الحمم البركانية بشكل خاطئ، خاصة في التجمع 4، كما هو موضح في الجداول S3 وS4. بالإضافة إلى ذلك، كانت هناك حالات حيث تم تصنيف بعض الأيام – ثلاثة أيام في حالة التكوين C وسبعة أيام لتكوينات A وB – بشكل غير دقيق على أنها ثورية على الرغم من عدم وجود نشاط سطحي مؤكد. تم عزو هذا الخطأ في التصنيف إلى نقص البيانات الساعية، وزيادة النشاط منخفض التردد (LP)، أو انفجارات الاهتزاز القصيرة التي تزامنت مع حلقات ثورية مؤكدة.
علاوة على ذلك، تمكنت الخوارزمية من اكتشاف علامات مبكرة لدورة ثورية ثانية قبل ثلاثة أيام، مما يتوافق مع الحالات التي تجاوز فيها معدل حدوث LP النسبة المئوية 93 من العد اليومي في مجموعة البيانات. تشير هذه النتائج إلى أنه بينما تظهر الخوارزمية إمكانيات للكشف المبكر، فإن وجود حلقات اهتزاز قصيرة الأمد وفجوات البيانات يمكن أن يؤثر بشكل كبير على دقة التصنيف. قد يؤدي تمديد مجموعة البيانات على مدى فترة زمنية أطول إلى تعزيز قوة التحليل.
DOI: https://doi.org/10.1038/s41598-026-36677-x
PMID: https://pubmed.ncbi.nlm.nih.gov/41580511
Publication Date: 2026-01-24
Author(s): Waed Abed et al.
Primary Topic: Seismology and Earthquake Studies
Overview
This study investigates the application of unsupervised machine learning, specifically Deep Embedded Clustering, to analyze daily seismic spectrograms from Mount Etna over a year, encompassing significant volcanic activity. By classifying seismic data from two summit stations, the researchers identified four distinct clusters that correspond to different volcanic phases: (1) quiescence, (2) fluid pressurization indicated by Long Period (LP) events, (3) a preparatory phase, and (4) eruptive lava fountain episodes. These clusters align with expert-defined volcanic phases and are validated against independent indicators, revealing a preparatory phase preceding the February 2021 lava fountains, which suggests a recharging of the volcano.
The findings highlight the effectiveness of unsupervised learning in distinguishing complex volcanic processes and isolating signals indicative of impending eruptions. The study reports a high predictive accuracy (~95%) for identifying eruption days, underscoring the method’s potential as a valuable tool for volcanic monitoring. Future work is suggested to enhance the temporal resolution of data analysis and integrate additional seismic components, while also addressing the challenges of interpreting machine learning outputs in volcanic contexts. Ultimately, this research advocates for a multidisciplinary approach that combines machine learning insights with traditional monitoring techniques to improve eruption forecasting and deepen the understanding of volcanic dynamics.
Introduction
The introduction highlights the critical need for effective monitoring and forecasting of volcanic activity due to its potential hazards to populations and infrastructure. Traditional monitoring methods, which include seismicity, ground deformation, and gas emissions, often rely on manual analysis, making them less effective in the face of the large volumes of data generated by well-instrumented volcanoes. The paper emphasizes the advantages of automatic classification tools and machine learning (ML) techniques, which can analyze complex geophysical datasets to improve the detection, classification, and forecasting of volcanic phenomena. Both supervised and unsupervised ML methods have shown promise in identifying eruptions and integrating various monitoring parameters, thereby enhancing the understanding of volcanic dynamics.
Mount Etna, Europe’s most active volcano, serves as a case study for applying these ML approaches due to its extensive monitoring infrastructure and persistent activity. The Istituto Nazionale di Geofisica e Vulcanologia-Osservatorio Etneo (INGV-OE) operates a dense network of instruments that provide high-resolution data, facilitating optimal detection of seismic events. The introduction also discusses the significance of volcanic tremor and Long Period (LP) seismic events, which are crucial for understanding the internal processes of the volcano. These signals, observed during both eruptive and non-eruptive phases, offer insights into magmatic dynamics and have been instrumental in developing automatic systems for early detection of volcanic activity, thereby improving monitoring and risk mitigation strategies.
Results
In this section, the authors present the results of their analysis, which identified four distinct clusters corresponding to different seismic regimes linked to volcanic phases, as illustrated in Figure 2. These clusters were validated by comparing them across various stations and against independent volcanic state indicators, as shown in Figures 3 and 5, ensuring their consistency and interpretability.
The initial comparison of clustering results was conducted within each station, focusing on the two horizontal components to determine the dominant features influencing classification. Subsequently, the analysis was broadened to encompass all stations and components, integrating them into a unified dataset for a comprehensive assessment of the seismic regimes.
Discussion
In this study, the authors explore the application of unsupervised machine learning (ML) techniques to analyze seismic data from Mount Etna, focusing on identifying volcanic activity phases between November 2020 and November 2021. The research highlights the effectiveness of combining AutoencoderZ and Deep Embedded Clustering (DEC) to classify seismic spectrograms into distinct clusters that correspond to recognized volcanic phases. Notably, the study identifies four primary clusters: Cluster 1 represents quiescent periods, Cluster 2 is associated with low-energy, fluid dynamic-related long-period (LP) events, Cluster 3 indicates a preparatory phase characterized by increased volcanic tremor, and Cluster 4 correlates with intense lava fountain episodes. The unsupervised approach successfully captures subtle seismic patterns that traditional methods may overlook, providing insights into the underlying volcanic processes.
The findings underscore the potential of unsupervised ML to enhance the interpretation of complex seismic signals, particularly in identifying precursory phases of volcanic activity. The study emphasizes the importance of integrating independent volcanic indicators, such as lava fountain occurrences and root mean square (RMS) amplitude, to validate the clusters identified by the ML algorithm. The authors suggest that further methodological refinements and the inclusion of additional monitoring stations could improve the robustness of the analysis and facilitate a more comprehensive understanding of volcanic dynamics at Etna.
Limitations
The section on limitations discusses the misclassifications encountered in the clustering algorithm used to analyze volcanic events. Notably, the algorithm occasionally misidentified lava fountain events, particularly in Cluster 4, as detailed in Tables S3 and S4. Additionally, there were instances where certain days—three days in the case of Configuration C and seven days for Configurations A and B—were inaccurately classified as eruptive despite the absence of confirmed surface activity. This misclassification was attributed to missing hourly data, increased low-frequency (LP) activity, or brief tremor bursts that coincided with confirmed eruptive episodes.
Moreover, the algorithm successfully detected early signs of a second eruptive cycle up to three days in advance, correlating with instances where the LP occurrence rate surpassed the 93rd percentile of daily counts in the dataset. These findings suggest that while the algorithm demonstrates potential for early detection, the presence of short-lived tremor episodes and data gaps can significantly impact classification accuracy. Extending the dataset over a longer time frame may enhance the robustness of the analysis.