Deep Learning Forecasts Caldera Collapse Events at Kilauea Volcano

要約

2018年にハワイのキラウエア火山が3ヶ月にわたって噴火した際、既存の山頂カルデラは60回以上の準周期的な崩壊現象で崩壊した。これらのイベントのうち、Mw>5の超長周期（VLP）地震を発生させた最後の40イベントは、イベント間時間が0.8～2.2日であった。これらの故障イベントは、現地で記録されたGPS、傾斜、および地震データに基づいて地震の再発を予測する手法をテストするためのユニークなデータセットを提供する。本研究では、深層学習グラフ・ニューラル・ネットワーク（GNN）を訓練し、各サイクルの開始時に記録されたデータの一部のみを用いて、カルデラ崩壊イベントの崩壊までの時間を予測する。GNNは未知のデータにも汎化し、わずか0.5日分のデータを用いて数時間以内に崩壊までの時間を予測できることを発見し、事象間の統計量のみに基づくヌルモデルを大幅に改善した。予測は入力データの長さが長くなるにつれて改善され、高SNR傾斜計データを使用した場合に最も正確である。学習したGNNをマグマ圧力の減衰時間が異なる合成データに適用すると、ほぼ一定の応力閾値で崩壊が予測され、GNNがカルデラ崩壊の根本的な物理を感知していることが明らかになった。これらの知見は、十分に監視された条件下でのカルデラ崩壊シーケンスの予測可能性を示し、限られた学習データで現実世界の破局的事象を予測する機械学習手法の可能性を強調するものである。

要約(オリジナル)

During the three month long eruption of Kilauea volcano, Hawaii in 2018, the pre-existing summit caldera collapsed in over 60 quasi-periodic failure events. The last 40 of these events, which generated Mw >5 very long period (VLP) earthquakes, had inter-event times between 0.8 – 2.2 days. These failure events offer a unique dataset for testing methods for predicting earthquake recurrence based on locally recorded GPS, tilt, and seismicity data. In this work, we train a deep learning graph neural network (GNN) to predict the time-to-failure of the caldera collapse events using only a fraction of the data recorded at the start of each cycle. We find that the GNN generalizes to unseen data and can predict the time-to-failure to within a few hours using only 0.5 days of data, substantially improving upon a null model based only on inter-event statistics. Predictions improve with increasing input data length, and are most accurate when using high-SNR tilt-meter data. Applying the trained GNN to synthetic data with different magma pressure decay times predicts failure at a nearly constant stress threshold, revealing that the GNN is sensing the underling physics of caldera collapse. These findings demonstrate the predictability of caldera collapse sequences under well monitored conditions, and highlight the potential of machine learning methods for forecasting real world catastrophic events with limited training data.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL