Potenziamento del monitoraggio delle nubi vulcaniche dallo spazio utilizzando l'intelligenza artificiale

Volcanic explosive eruptions inject various particles and gasses into the atmosphere, leading to the formation and spread of volcanic clouds. These clouds present significant hazards to human health, air traffic safety, and critical infrastructure. Consequently, the detection and monitoring of volcanic ash clouds are essential to enhance the safety of communities and air travel. With advancements in Earth observation technology, satellite data in different spectral ranges with varying spatial and temporal resolutions are well-suited for global-scale monitoring of volcanic clouds in an efficient and timely manner. Integrating different satellite data allows for continuous monitoring of volcanic explosive eruptions. High resolution satellite sensors, such as the EUMETSAT MSG Spinning Enhanced Visible and InfraRed Imager, offer radiometric estimates for observing and monitoring volcanic clouds globally in an efficient and timely manner. However, the volume of satellite data is too large to be processed using ad-hoc techniques scene-by-scene on a daily basis and at global scale. Nowadays, Machine Learning (ML) techniques provide new perspectives for processing large amounts of data and solving complex problems. This thesis introduces innovative computational methods to monitor volcanic clouds using Earth observation satellites. Various ML models leveraging the thermal infrared (TIR) bands were developed to detect, characterize, and track volcanic clouds. Both supervised and unsupervised ML techniques were explored for volcanic cloud detection. Supervised ML approaches learn from a training dataset, which includes a set of coupled inputs and expected outputs. In contrast, unsupervised ML algorithms identify common features from the input data based on their similarity without using a training dataset. I demonstrated that supervised algorithms, such as support vector machine (SVM), outperform unsupervised ones, like K-Means, as human intervention in selecting and labeling training samples enhances model accuracy and generalizability. The SVM model capitalizes on the spectral properties of the data and exhibits high accuracy. However, it may misclassify portions of meteorological clouds as volcanic clouds due to similarities in their spectral characteristics. To mitigate this issue, Convolutional Neural Networks (CNNs) offer advantages. Their ability to automatically learn spatial hierarchies of features from data improves accuracy in discriminating between volcanic and meteorological clouds. Additionally, an SVM-based method was implemented to classify the main components of volcanic clouds, namely, categorizing pixels as ash-rich, SO2-rich, or containing mixed components (ash, SO2, and other). It has been demonstrated that combining machine learning algorithms with high temporal resolution satellite data enables the automatic retrieve of accurate information on volcanic ash clouds from space. This approach aims to achieve two primary objectives: 1) exploring historical time series of volcanic ash clouds components to unveil volcano dynamics, and 2) tracking and nowcasting the evolution of volcanic ash clouds for near-real time volcanic activity monitoring.

Eruzioni vulcaniche esplosive iniettano varie particelle e gas nell'atmosfera, portando alla formazione e alla diffusione di nubi vulcaniche. Queste nubi presentano rischi significativi per la salute umana, la sicurezza del traffico aereo e le infrastrutture. Di conseguenza, il rilevamento e il monitoraggio delle nubi di cenere vulcanica sono essenziali per migliorare la sicurezza delle comunità e dei viaggi aerei. Grazie ai progressi della tecnologia per l'osservazione della Terra, i dati satellitari in diverse bande spettrali con risoluzioni spaziali e temporali variabili sono adatti per monitorare le nubi vulcaniche su scala globale, in modo efficiente e tempestivo. L'integrazione di diversi dati satellitari consente il monitoraggio continuo delle eruzioni vulcaniche esplosive. Sensori satellitari ad alta risoluzione, come l'EUMETSAT MSG Spinning Enhanced Visible and InfraRed Imager, offrono stime radiometriche per osservare e monitorare le nubi vulcaniche a livello globale in modo efficiente e tempestivo. Tuttavia, il volume dei dati satellitari è troppo grande per essere elaborato utilizzando tecniche ad hoc su base giornaliera e su scala globale. Oggi, le tecniche di apprendimento automatico, o Machine Learning (ML), forniscono nuove prospettive per elaborare grandi quantità di dati e risolvere problemi complessi. Questa tesi introduce metodi computazionali innovativi per monitorare le nubi vulcaniche utilizzando satelliti per l’osservazione della Terra. Diversi modelli di ML che sfruttano le bande dell'infrarosso termico (TIR) sono stati sviluppati per rilevare, caratterizzare e tracciare le nubi vulcaniche. Sono state esplorate tecniche di ML supervisionate e non supervisionate per il rilevamento delle nubi vulcaniche. Gli approcci di ML supervisionati apprendono da un set di dati di addestramento, che include coppie di input e output attesi. Al contrario, gli algoritmi di ML non supervisionati identificano le caratteristiche comuni dei dati di input in base alla loro somiglianza senza utilizzare un set di dati di addestramento. È stato dimostrato che gli algoritmi supervisionati, come il support vector machine (SVM), superano quelli non supervisionati, come il K-Means, poiché l'intervento umano nella selezione e nell'etichettatura dei campioni di addestramento migliora l'accuratezza e la generalizzabilità del modello. Il modello SVM sfrutta le proprietà spettrali dei dati e mostra un'alta precisione. Tuttavia, può classificare erroneamente porzioni di nubi meteorologiche come nubi vulcaniche a causa delle somiglianze nelle loro caratteristiche spettrali. Le reti neurali convoluzionali (CNN) offrono benefici per mitigare questo problema. La loro capacità di apprendere automaticamente le gerarchie spaziali dei dati migliora l'accuratezza nel discriminare tra nubi vulcaniche e meteorologiche. Inoltre, è stato implementato un metodo basato sul SVM per classificare le principali componenti delle nubi vulcaniche, ovvero classificare i pixel come ricchi di cenere, ricchi di SO2 o contenenti componenti misti (cenere, SO2 e altri). È stato dimostrato che combinare algoritmi di apprendimento automatico con dati satellitari ad alta risoluzione temporale consente di ottenere automaticamente informazioni accurate sulle nubi di cenere vulcanica. Questo approccio mira a raggiungere due obiettivi principali: 1) esplorare serie storiche delle componenti delle nubi di cenere vulcanica per studiare le dinamiche dei vulcani, e 2) tracciare e prevedere l'evoluzione delle nubi di cenere vulcanica per il monitoraggio dell'attività vulcanica in tempo reale.