Towards quantifying volcanic and climate interactions through AI-enhanced modeling and satellite remote sensing [Verso la quantificazione delle interazioni tra vulcani e clima attraverso la modellazione avanzata con intelligenza artificiale e il telerilevamento satellitare]

Volcanic eruptions represent one of the most dynamic and complex natural phenomena on Earth, capable of profoundly affecting both local populations and global environmental systems. The importance of continuous and precise volcanic monitoring extends beyond the mitigation of immediate hazards, such as pyroclastic flows, lava emplacement, tephra dispersal, and volcanic gas emissions, to encompass the broader scientific imperative of understanding the intricate interactions between volcanic processes and the Earth’s atmospheric and climatic systems. In this context, recent advancements in satellite technologies and Earth Observation (EO) systems have significantly improved our ability to monitor volcanic activity, even in remote and otherwise inaccessible regions. The integration of multi-sensor satellite data, characterized by different spatial and temporal resolutions, provides a more comprehensive understanding of volcanic phenomena. However, the ever-growing volume and complexity of these datasets necessitate the adoption of advanced computational tools and artificial intelligence (AI) techniques, which offer new perspectives for processing, analyzing, and interpreting large-scale geophysical data. This thesis presents a set of computationally innovative AI methods for volcanic monitoring, developed by the author through the integration of observations from the visible, infrared, and ultraviolet spectral ranges, with the aim of building a prototype global monitoring platform. Several Machine Learning (ML) algorithms and feature engineering strategies have been designed to extract key information and patterns related to volcanic activity, primarily from thermal infrared (TIR) and visible imagery. Furthermore, advanced Deep Learning (DL) models have been implemented for scene classification and anomaly detection, enabling the identification of isolated (intra-crater) and extended (lava flow) thermal anomalies. The use of foundation models has also been explored to enhance the segmentation and quantification of lava flows, even for low-intensity eruptions, across multiple case studies. The developed methodologies have been further extended to investigate volcano– climate interactions, aiming to bridge the traditional monitoring chain, comprising forecasting, detecting, tracking, quantifying, and nowcasting, with the assessment of volcanic impacts on the atmosphere and climate. This includes adapting existing models to the ultraviolet (UV) spectral range to analyze and quantify SO2 dispersion following volcanic eruptions. Preliminary studies have also been conducted using reanalysis products such as ERA5 to explore the potential influence of recent eruptions on climate variability, particularly temperature changes, across both local and global scales and over varying temporal horizons. In conclusion, this thesis presents newly developed AI-based algorithms for volcanic monitoring, emphasizing how technological innovation,both in methodology and instrumentation, constitutes a cornerstone in advancing our understanding of complex natural processes such as volcanic activity and its environmental implications.

Le eruzioni vulcaniche rappresentano uno dei fenomeni naturali più dinamici e complessi della Terra, capaci di influenzare profondamente sia le popolazioni locali sia i sistemi ambientali globali. L’importanza di un monitoraggio vulcanico continuo e preciso va oltre la mitigazione dei pericoli immediati, come le colate piroclastiche, la fuoriuscita di lava, la dispersione di tefra e le emissioni di gas vulcanici, abbracciando l’obiettivo scientifico più ampio di comprendere le complesse interazioni tra i processi vulcanici e i sistemi atmosferici e climatici della Terra. In questo contesto, i recenti progressi nelle tecnologie satellitari e nei sistemi di Osservazione della Terra (EO) hanno migliorato in modo significativo la nostra capacità di monitorare l’attività vulcanica, anche in regioni remote o altrimenti inaccessibili. L’integrazione di dati satellitari multi-sensore, caratterizzati da diverse risoluzioni spaziali e temporali, consente una comprensione più completa dei fenomeni vulcanici. Tuttavia, il volume e la complessità sempre maggiori di questi dataset richiedono l’adozione di strumenti computazionali avanzati e di tecniche di intelligenza artificiale (AI), che offrono nuove prospettive per l’elaborazione, l’analisi e l’interpretazione di dati geofisici su larga scala. Questa tesi presenta una serie di metodi innovativi basati sull’intelligenza artificiale per il monitoraggio vulcanico, sviluppati dall’autore attraverso l’integrazione di osservazioni nei range spettrali del visibile, dell’infrarosso e dell’ultravioletto, con l’obiettivo di costruire un prototipo di piattaforma di monitoraggio globale. Diversi algoritmi di Machine Learning (ML) e strategie di feature engineering sono stati progettati per estrarre informazioni chiave e pattern legati all’attività vulcanica, principalmente da immagini nell’infrarosso termico (TIR) e nel visibile. Inoltre, modelli avanzati di Deep Learning (DL) sono stati implementati per la classificazione delle scene e il rilevamento di anomalie, consentendo l’identificazione di anomalie termiche isolate (intra-crateriche) e diffuse (colate laviche). È stato inoltre esplorato l’uso di Foundation Model (FM) per migliorare la segmentazione e la quantificazione delle colate laviche, anche in caso di eruzioni di bassa intensità, attraverso molteplici studi di caso. Le metodologie sviluppate sono state ulteriormente estese per indagare le interazioni tra vulcani e clima, con l’obiettivo di collegare la catena di monitoraggio tradizionale, che comprende previsione, rilevamento, tracciamento, quantificazione e nowcasting, alla valutazione degli impatti vulcanici sull’atmosfera e sul clima. Ciò include l’adattamento di modelli esistenti al range spettrale ultravioletto (UV) per analizzare e quantificare la dispersione di SO₂ in seguito a eruzioni vulcaniche. Studi preliminari sono stati inoltre condotti utilizzando prodotti di rianalisi come ERA5 per esplorare la possibile influenza delle eruzioni recenti sulla variabilità climatica, in particolare sui cambiamenti di temperatura, su scale locali e globali e su differenti orizzonti temporali. In conclusione, questa tesi presenta nuovi algoritmi basati sull’intelligenza artificiale per il monitoraggio vulcanico, sottolineando come l’innovazione tecnologica, sia metodologica sia strumentale, rappresenti un elemento fondamentale per il progresso nella comprensione dei processi naturali complessi, come l’attività vulcanica e le sue possibili implicazioni sul clima.