Exploiting Artificial Intelligence in Volcanic Monitoring for Distributed Acoustic Sensing Analysis and GNSS-Based Source Inversion [L’Intelligenza Artificiale per il monitoraggio vulcanico: analisi di segnali DAS e modellazione della sorgente tramite inversione di dati GNSS]

The tangible risk posed by volcanic hazards has prompted considerable scientific and societal interest in monitoring active volcanoes. In recent years, artificial intelligence (AI), particularly machine learning (ML), has emerged as a promising tool for supporting data acquisition, processing and modeling. We investigate the underexplored applications of ML for process automation of DAS data and modeling geodetic data in volcanic monitoring. In the first task, we leverage deep learning for automatic pre-processing and processing of large geophysical datasets collected through the novel Distributed Acoustic Sensing (DAS) technology, particularly during the unrest at Vulcano (Italy) in 2021. A rise in the occurrence rate of low-frequency events was documented since September 2021. In January 2022, an onshore-offshore telecommunication fiber optic cable connecting Vulcano's island to Sicily was sensed by a DAS interrogator. Thus, we implement multiple approaches to automatically detect low-frequency seismo-volcanic events on fiber recordings, comparing the performance of convolutional neural networks and conventional seismic detection algorithms. Although DAS systems have been proven to be effective in extending seismic monitoring to poorly instrumented areas, they have to contend with anthropogenic noise often contaminating recordings in urban areas. Due to its spatio-temporal coherence and frequency overlap with seismic signals, traditional denoising techniques fall short. Therefore, we design and test several residual convolutional autoencoders trained with different strategies to remove anthropogenic noise, assessing their performance in both denoising and signal reconstruction tasks. In the second task, we explore deep learning for directly inverting GNSS data to model volcanic pressure sources. While many neural networks have been proposed for fast forward modeling, they still rely on optimization algorithms for solving the inversion problem. We develop VulcanIA, a deep learning framework for estimating the overpressure probabilities in 3D source domain from few sparse GNSS stations. Trained and validated on synthetic datasets with noise injection, the AI model is also tested on the real case of the May 2008 Mount Etna intrusion. A customized version of VulcanIA has been integrated as part of the digital twin to monitor volcanic unrest on Mount Etna. Thus, we also present the VulcanIA specialized version, trained on numerical simulations accounting for the topography and subsurface tomography. To verify its effectiveness, the AI model is firstly tested on synthetic data and subsequently evaluated to the Mount Etna flank intrusion on Christmas Eve 2018. The results of our investigations confirm the capabilities and effectiveness of machine learning in the context of volcanic monitoring.

Il rischio tangibile connesso alla pericolosità vulcanica ha suscitato un notevole interesse scientifico e sociale per il monitoraggio dei vulcani attivi. Negli ultimi anni, l'Intelligenza Artificiale (AI), in particolare il Machine Learning (ML), è emersa come uno strumento promettente per supportare l'acquisizione, l'elaborazione e la modellizzazione dei dati. Investighiamo dunque le applicazioni poco esplorate dal Machine Learning per l'automazione del processamento dei dati DAS e la modellizzazione dei dati geodetici ai fini del monitoraggio vulcanico. Esploriamo il deep learning per la pre-elaborazione e l'elaborazione automatica di grandi set di dati geofisici acquisiti attraverso la nuova tecnologia Distributed Acoustic Sensing (DAS) durante la crisi di Vulcano (Italia) nel 2021. Il periodo di unrest, iniziato a settembre 2021, è stato caratterizzato da un incremento di sismicità, con l’occorrenza di numerosi eventi sismici a bassa frequenza. Nel gennaio 2022, è stato interrogato da un dispositivo DAS un cavo in fibra ottica per telecomunicazioni onshore-offshore che collega l'isola di Vulcano alla Sicilia. Pertanto, implementiamo diversi approcci per la rilevazione automatica di eventi sismo-vulcanici a bassa frequenza sui dati DAS, confrontando le performance delle reti neurali convoluzionali e degli algoritmi convenzionali di rilevamento sismico. Sebbene i sistemi DAS offrano uno strumento efficace per estendere il monitoraggio sismico ad aree scarsamente strumentate, essi si rivelano sensibili al rumore antropico che spesso contamina le registrazioni, soprattutto in aree urbane. La coerenza spazio-temporale del rumore antropico, congiuntamente alla sovrapposizione della banda di frequenza con i segnali sismici, rendono inefficaci le tecniche tradizionali di denoising. Pertanto, progettiamo e testiamo varie architetture di autoencoder convoluzionali con connessioni residuali addestrati con diverse strategie per rimuovere il rumore antropico, valutando le loro prestazioni sia nel task di denoising che di ricostruzione del segnale originale. Sebbene siano state sviluppate molte reti neurali computazionalmente efficienti per il foward modelling delle sorgenti vulcaniche, tutte si avvalgono di algoritmi di ottimizzazione per risolvere il problema dell'inversione. Impieghiamo il deep learning per invertire i dati GNSS al fine di modellare sorgenti in sovrapressione. Presentiamo VulcanIA, un framework di deep learning per stimare le probabilità di sovrapressione nel dominio tridimensionale a partire da poche stazioni GNSS, sparse in superficie. Addestrato e validato su dati sintetici con rumore, il modello di AI è inoltre testato sul caso di studio dell'intrusione dell'Etna del maggio 2008. VulcanIA è stato adattato per essere integrato come parte del digital twin per il monitoraggio dell’unrest vulcanico dell’Etna. Presentiamo dunque anche la versione specializzata, allenata su simulazioni numeriche che incorporano la topografia e l’eterogeneità del mezzo. Testiamo il modello sui dati sintetici e successivamente ne valutiamo l’efficacia in relazione all'intrusione sul fianco dell'Etna avvenuta la Vigilia di Natale del 2018. I risultati delle nostre ricerche confermano le capacità e l'efficacia del Machine Learning ai fini del monitoraggio vulcanico.