Uit een berg vage signalen kan AI afleiden dat de aarde gevaarlijk wordt

Aardbevingen en vulkaanuitbarstingen komen zonder waarschuwing – althans zo lijkt het. Subtiele aankondigingen van zulke natuurrampen liggen vaak verscholen in ingewikkelde patronen van veel verschillende signalen, die wij mensen niet zomaar herkennen. De intelligentie van computers kan helpen deze patronen te ontdekken en zodoende beter te voorspellen.

Volgens de Britse vulkanoloog Andrew Hooper, verbonden aan Leeds University, begint dat met „data, data en nog eens data”. Hooper leidt het project Deepvolc dat met kunstmatige intelligentie (artificial intelligence, ofwel AI) de vervorming van de aardbodem monitort en leert herkennen voordat vulkanen uitbarsten.

Dat klinkt vaag, geeft Hooper toe, maar hij legt uit: „Magma is gesmolten gesteente dat in de mantel of het onderste deel van de aardkorst beweegt door drukverschillen in de aardmantel. Wanneer de druk van het magma te groot wordt zoekt het een uitweg naar boven, wat resulteert in een vulkaanuitbarsting aan het aardoppervlak. Door opkomend magma beweegt de aardbodem. Die bewegingen gelden als voorbode voor een uitbarsting en die proberen wij met AI te voorspellen.”

Het model leert van historische patronen waardoor het het verloop van huidige bodemvervormingen kan voorspellen

Andrew Hooper vulkanoloog

Lokaal is het volgens Hooper al mogelijk om uitbarstingen een paar dagen van tevoren te voorspellen aan de hand van andere voortekenen: gassen die vrijkomen uit een dampende krater, of door klinkende geluidsgolven uit de bodem. „Om die aanwijzingen te meten voor elke individuele vulkaan heb je echter ontzettend veel apparatuur nodig”, zegt hij. „Helaas hangen in meer dan de helft van de 1.400 actieve vulkanen geen meetinstrumenten en daarnaast zijn gassen en sterke seismische golven pas kort voor een uitbarsting op aarde meetbaar.” Eerder voorspellen helpt om mensen eerder te waarschuwen voor een mogelijke uitbarsting.

„Het voorspellen van de vervorming van de bodem kan daarbij een sleutelrol spelen”, stelt Hooper. „Dat is alleen niet zo makkelijk.” Een tekenend voorbeeld is de spectaculaire uitbarsting van de Fagradalsfjall op IJsland in 2021. Een onderzoek dat gepubliceerd werd in Nature, waaraan Hooper meewerkte, bracht de bodemvervorming voorafgaand aan de uitbarsting nauwkeurig in beeld. Een van de uitkomsten: op basis van één vulkaan is het eigenlijk onmogelijk om patronen te herkennen in die vervorming, en daarmee is het precieze moment van uitbarsten dus niet te voorspellen.

Tot op millimeters nauwkeurig

Voor het onderzoek op IJsland gebruikten Hooper en zijn team data van de Europese satelliet Sentinel-1, die elke vulkaan op aarde twee keer per twaalf dagen bezoekt. Met de radar van deze satelliet wordt bodemvervorming tot op millimeters nauwkeurig gemeten. Hooper: „Als we over tijd een verticale vervorming van de bodem zien is dat een voorteken voor een mogelijke uitbarsting.” Jaarlijks barsten er zo’n zestig vulkanen uit waaraan vervorming van de bodem voorafgaat. Om daar patronen in te vinden gebruikt Hooper voor zijn AI-model duizenden historische bodemvervormingen sinds de jaren 90. Daar voegt de satelliet steeds meer actuele data aan toe. „1.500 actieve vulkanen, twee keer in twaalf dagen bezoeken en alle data daarvan verwerken…”, Hooper zucht. „Dat is voor een mens echt niet te doen, maar voor computers wel.”

Met al deze data trainde Hooper het AI-model Icasar dat patronen leert herkennen in hoe vervormingen van de bodem zich voorafgaand aan een uitbarsting ontwikkelen. Hierbij kijkt het model naar zogeheten interferogrammen, een beeld bestaande uit een reeks satellietbeelden die het verschil in hoogte van de aardbodem laten zien. „Voor ons zien deze beelden eruit als simpele foto’s met gekleurde hoogtelijnen, maar als we het AI-model voeden met duizenden van die beelden herkent het allerlei patronen in de frequentie en intensiteit van de bodemvervormingen”, stelt Hooper. „Het model leert van historische patronen waardoor het het verloop van huidige bodemvervormingen kan voorspellen.”

Verborgen seismische symfonie

Hooper testte het model in 2019 voor de Sierra Negra-vulkaan op de Galapagoseilanden. Hierbij simuleerde het model de gemonitorde bodemvervorming gedurende 3,5 jaar voorafgaand aan een uitbarsting in 2018. Het model gaf op basis van historische data van andere vulkanen bijna identieke vervormingen bij die Sierra Negra, zo concludeert Hooper in een publicatie in Advancing Earth and Space Science. Het AI-model is nog niet af maar kan volgens Hooper dus worden getest en uiteindelijk toegepast op alle actieve vulkanen. Zo kan een uitbarsting eerder vooraf voorspeld worden omdat men niet meer afhankelijk is van instrumenten rondom individuele vulkanen. Hij noemt een voorbeeld van de vulkaan Mount Edgecumbe in Alaska. Hier werden in 2022 met meetinstrumenten seismische golven vanuit de aardbodem gemeten. „Toen we ons model erop nasloegen voorspelde dit op basis van historische patronen op andere plekken vervorming van de bodem sinds 2018”, zegt Hooper. „De huidige vervorming van de bodem, waargenomen door de satelliet, kwam in intensiteit en timing overeen met de voorspelde vervorming van ons model.”

We hebben dat steevast gezien als loze ruis, maar de computer dacht daar anders over

Paul Johnson seismisch geofysicus

Ook bij het voorspellen van aardbevingen schiet AI te hulp, zo stelt de Amerikaan Paul Johnson, seismisch geofysicus aan het Los Alamos National Laboratory in de Verenigde Staten.

Voor Johnson begon zijn carrière in het aardbevingslab met een installatie die aardbevingen nabootst. „Aardbevingen ontstaan op breuklijnen wanneer in de aardkorst aardplaten botsen, schuren of uit elkaar bewegen”, legt Johnson uit. „De kracht bouwt eerst op en wanneer deze groot genoeg is, schieten aardplaten abrupt door in de slipzone.” De beving die daarvan het gevolg is noemt Johnson de „time of failure”, het einde van een zogeheten bevingscyclus. Voorspellingen worden nu nog daags of minuten voor een aardbeving gedaan. Gedurende de bevingscyclus die duizenden jaren kan duren, zitten er echter al allerlei verborgen signalen in geluidsgolven vanuit de aardbodem, zo ontdekte het machine learning-model van Johnson waarover hij in 2019 publiceerde in Nature.

Nagebootste bevingen in het lab

Dit proces kun je vergelijken met geluiden die je op straat buiten een voetbalstadion hoort. Zonder dat je de wedstrijd volgt kun je aan de hand van gejuich en gejoel horen wat er gebeurt op het veld. Het model van Johnson registreert zulke signalen in de aardbodem. Wanneer het model veel borrelende bodems heeft geregistreerd leert het model patronen te herkennen en uiteindelijk te voorspellen.

„Rond breuklijnen klinkt altijd geluid”, zegt Johnson. „We hebben dat steevast gezien als loze ruis, maar de computer dacht daar anders over.” De toegepaste machine learning herkende in die seismische symfonie gedurende één aardbevingscyclus signalen die Johnson natuurkundig kon vertalen als indicatoren voor krachtopbouw tussen aardplaten, energieverdeling over de breuklijn en kleine verschillen in frequenties van geluidsgolven uit de bodem. Omdat deze signalen ontdekt zijn op basis van patronen in duizenden nagebootste bevingen in het lab zouden deze volgens Johnson met een puur menselijke waarneming nooit zijn achterhaald.

Stille aardbevingen leiden in de echte wereld na heel veel cycli pas tot een grote beving

Paul Johnson seismisch geofysicus

Buiten het lab onderzocht Johnson met het model historische ruis uit Nieuw-Zeeland, Chili en de Cascadia-subductiezone die zich uitstrekt van Canada tot Noord-Californië. In laatstgenoemde regio schuiven twee aardplaten onder elkaar waar volgens Johnson elke dertien à veertien maanden stille, onvoelbare aardbevingen plaatsvinden. Johnson: „Hier ontdekten we dezelfde signalen in de ruis als tijdens de nagebootste bevingscyclus in het lab. De computer vond daarnaast voorspelbare patronen in al die signalen voorafgaand aan een aardbeving.”

Deze ontdekking laat volgens Johnson zien dat de timing van aardbevingen dus niet willekeurig is. Dat zou volgens hem betekenen dat patronen met een getraind model ook te voorspellen zijn. Hiervoor gebruikte Johnson een deep learning-model dat werkt met zogeheten artificiële neurale netwerken bestaande uit een groot aantal neuronen, die signalen ontvangen en naar elkaar overbrengen. „Op basis van duizenden gevonden signalen wilden we dat de computer uitzocht hoe deze zich zouden evalueren en uiteindelijk konden leiden tot een beving.” Hij ontdekte dat het model gedurende de hele bevingscyclus een schatting kan geven wanneer de beving daadwerkelijk gaat plaatsvinden. Hoe dichter je bij het moment van de beving komt, hoe nauwkeuriger het model wordt. Het team van Johnson testte het model met terugwerkende kracht voor het voorspellen van meer dan zestig stille aardbevingen in Hawaï in 2018. De gemonitorde data werden vergeleken met uitkomsten van het model. Meer dan 90 procent van de bevingen werd correct voorspeld.

Vegetatie en waterdamp

Hoe veelbelovend dit ook klinkt, volgens Johnson zitten er nog wel haken en ogen aan AI en het voorspellen van aardbevingen. „Stille aardbevingen leiden in de echte wereld na heel veel cycli pas tot een grote beving met voelbare impact”, zegt hij. „We weten nog niet of het model verder kan voorspellen dan één enkele bevingscyclus.” Daarnaast is het model, behalve op historische data, nog niet getest op huidige actieve breuklijnen.

Ook bij Andrew Hooper, de vulkanoloog, zijn er hobbels op de weg. De radars van de Sentinel-1-satelliet zenden louter kortgolvige elektromagnetische straling uit. Als een vulkaan bedekt is met vegetatie zorgt dat voor minder nauwkeurigheid in het meten van bodemvervorming omdat die golven door planten teruggekaatst worden. In januari 2024 wordt een nieuwe satelliet gelanceerd die met langgolvige radars te werk zal gaan voor het project van Hooper: „Dat kan ons helpen om ook vulkanen in deze gebieden beter te begrijpen.”