​Uma equipa de investigadores da Penn State University (Universidade Estadual da Pensilvânia), Estados Unidos da América, começou a utilizar a inteligência artifical (IA) para eliminar o ruído de dados de deteção remota obtidos por satélites RADAR.

 

Os satélites RADAR podem coletar grandes quantidades de dados de deteção remota que podem detetar deformações superficiais, como por exemplo em vulcões, quase em tempo real. Essas deformações podem sinalizar atividade vulcânica iminente e reativação. No entanto, nuvens e outros distúrbios atmosféricos e instrumentais podem introduzir erros significativos nas medições de deformação crustal.

 

Agora, os investigadores da Penn State University começaram a usar IA para limpar esse ruído, facilitando e melhorando drasticamente a observação quase em tempo real das deformações em sistemas vulcânicos e detetar possíveis reativações.

 

A forma dos vulcões não é constante; com efeito, devido a movimentações de magma ou fluidos no seu interior, a sua forma pode variar subtimente, muito embora não seja visível a olho nu. Atualmente, essas variações são detetadas por GPS ou inclinómetros. No entanto, estes instrumentos são dispendiosos e precisam de ser instalados e mantidos no local, o que por vezes pode ser difícil. Há vulcões que se localizam em zonas remotas, outros não são facilmente acessíveis, e quando ocorrem erupções vulcânicas ou sismos esses instrumentos podem ficar danificados. Por outro lado, esses instrumentos só fornecerão medições de deformações do solo de locais específicos onde estão instalados, sendo, portanto, a cobertura espacial muito limitada.

 

Já os satélites e outras formas de deteção remota podem reunir dados importantes sobre a atividade vulcânica. Esses dispositivos estão, na sua maioria, fora de perigo no caso de ocorrer uma erupção, e as imagens de satélite RADAR oferecem uma cobertura espacial muito ampla. As desvantagens prendem-se com o facto das ondas RADAR terem de atravessar a atmosfera para serem registadas pelo sensor e, especialmente se o clima for tropical com muito vapor de água e nuvens com variações no tempo e no espaço, o caminho de propagação provavelmente será afetado pela atmosfera.

 

Os investigadores desenvolveram um método de aprendizagem profunda, publicado no Journal of Geophysical Research, que atua como um mestre de quebra-cabeças. Ao obter dados claros, o sistema pode começar a preencher as lacunas de dados ditos "ruidosos", lacunas criadas pela interferência do tempo e outros ruídos instrumentais. O método usa dados de treino para ensinar o sistema a reconhecer recursos que os programadores desejam estudar. Neste caso, os investigadores treinaram o sistema com dados sintéticos semelhantes aos dados de satélite de deformação superficial. Os dados incluíram sinais de deformação vulcânica, características atmosféricas correlacionadas espacial e topograficamente, e erros na estimativa de órbitas de satélite. O sistema pode então construir uma imagem razoavelmente precisa da terra e dos seus movimentos. Investigações futuras passam por aperfeiçoar e expandir o algoritmo de aprendizagem profunda.

 

Usando este método de aprendizagem profunda, os cientistas podem obter informações valiosas sobre a deformação do solo, particularmente em áreas com vulcões ativos ou em zonas sismogénicas. O programa pode ser capaz de detetar potenciais sinais de alerta, tais como como deslocamentos bruscos que podem ser um presságio de uma erupção vulcânica ou sismo.