Machine learning e segnali sismici VLP: un nuovo strumento per monitorare i vulcani
di Sergio Gammaldi e Dario Delle Donne
I VLP (Very Long Period) sono particolari segnali sismici tipici dei vulcani a condotto aperto generati dalla formazione e risalita all’interno del condotto magmatico di grandi bolle di gas, che si espandono ed esplodono in superficie. Lo studio di questi eventi è mirato a definire quanto gas si muove dai livelli più profondi verso la superficie, costituendo un indicatore prezioso dell’attività vulcanica e del possibile innesco di fasi eruttive e parossistiche.
Tuttavia, il riconoscimento dei segnali VLP non è semplice, poiché richiede tempo e competenze, con analisi manuali lunghe e impegnative. Per questo motivo, gli autori del presente articolo hanno proposto un nuovo approccio basato su tecniche di machine learning che impiegano sistemi di intelligenza artificiale, capaci di identificare automaticamente i segnali VLP anche in condizioni di rumore sismico di fondo elevato.
Stromboli, un laboratorio naturale
Il vulcano Stromboli, tra i più monitorati al mondo, produce costantemente segnali VLP, con una media di 5–12 eventi all’ora. La sua attività persistente lo rende un vero e proprio laboratorio naturale per studiare questi segnali sismici. I dati storici mostrano che il tasso di accadimento e l’ampiezza dei VLP tendono ad aumentare prima di importanti episodi effusivi, che possono destabilizzare il fianco nord-occidentale di Stromboli, la cosiddetta Sciara del Fuoco, aumentando il rischio di frane e, di conseguenza, di tsunami.
Uno specifico algoritmo è stato sviluppato a partire dalle registrazioni della rete sismica INGV operativa a Stromboli da oltre vent’anni, costituita da numerosi sensori sismici a larga banda (Figura 1).
Analisi automatica dei segnali VLP grazie al machine learning
Il sistema opera in tempo reale e analizza l’ampiezza dei segnali lungo le tre componenti del moto, la polarizzazione del campo d’onda e il contenuto spettrale, distinguendo così i segnali VLP dal rumore di fondo.
Il vero punto di forza dell’algoritmo è rappresentato dall’uso del machine learning per calibrare automaticamente le soglie di rilevazione, bilanciando sensibilità e falsi allarmi. Il catalogo di eventi VLP generato dall’algoritmo è stato validato confrontandolo con il catalogo storico INGV compilato dagli esperti INGV tramite ispezione quotidiana delle registrazioni sismiche, riproducendo fedelmente le fluttuazioni degli ultimi 20 anni (Figura 2).
Grazie a questo approccio, gli autori dell’articolo considerano tale sistema uno strumento affidabile per il monitoraggio in tempo reale e la sorveglianza di vulcani come Stromboli, caratterizzati da un’attività VLP significativa.
Prospettive per il monitoraggio vulcanico
Il lavoro apre la strada all’adozione di sistemi di monitoraggio sempre più automatizzati che, tuttavia, non sono intesi per sostituire il lavoro esperto quotidiano degli analisti sismologi, ma piuttosto per supportare i sismologi nel riconoscere tempestivamente eventuali variazioni rapide e significative dell’attività vulcanica.
Inoltre, il catalogo degli eventi VLP prodotto nell’ambito di questa ricerca costituisce una base dati utile per sviluppare nuovi algoritmi di intelligenza artificiale non supervisionati, tesi a individuare variazioni minime nell’attività, riducendo i falsi allarmi e aumentando l’accuratezza del monitoraggio, contribuendo così alla mitigazione del rischio vulcanico.
L’esperienza maturata a Stromboli può servire da modello per altri vulcani attivi caratterizzati da sismicità VLP, fornendo agli esperti strumenti innovativi per interpretare i segnali sismo-vulcanici.
Bibliografia
Gammaldi, S., Donne, D.D., Cantiello, P. et al. A near real-time framework for monitoring very-long-period signals at volcanoes. Sci Rep 15, 41626 (2025). https://doi.org/10.1038/s41598-025-25636-7.