AI預測火山爆發

AI預測火山爆發
編譯／自由撰稿人 葉姝涵

目前全球約 8 億人口生活在火山附近，然而世界上1,400座活火山，僅 100座受到監控。英國火山學家 Andrew Hooper和 Juliet Biggs所領導的團隊，分別開發出包含CNN在內的方法，協助火山學家消化並分析衛星所拍攝龐大的地表觀察資料，以及時利用地形變化預測火山爆發的可能時機。

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)