Deep Learning Forecasts Caldera Collapse Events at Kilauea Volcano

在2018年夏威夷基拉韦厄火山爆发期间，原有的火山口坍塌了60多次准周期性故障事件。其中最后40次事件产生了Mw>5的非常长周期(VLP)地震，事件间隔为0.8-2.2天。这些故障事件提供了一个独特的数据集，用于测试基于当地记录的GPS、倾斜和地震数据预测地震复发的方法。在这项工作中，我们使用仅记录周期开始时一小部分数据的深度学习图神经网络(GNN)来预测火山口坍塌事件的失效时间。我们发现，GNN可以推广到未见过的数据，并仅使用0.5天的数据就能预测失效时间，精度可以达到几个小时，这显著优于仅基于事件间统计的空模型。随着输入数据长度的增加，预测精度也会提高，并且使用高信噪比倾斜计数据时最准确。将训练好的GNN应用于具有不同岩浆压力衰减时间的合成数据，可以预测在几乎恒定的应力阈值下的失效情况，揭示了GNN感知火山口坍塌的潜在物理机制。这些发现证明了在监测良好的条件下预测火山口坍塌序列的可预测性，并突显了机器学习方法在使用有限训练数据预测现实世界灾难事件的潜力。

本论文旨在使用局部记录的GPS、倾斜度和地震数据，通过训练深度学习图神经网络来预测Kilauea火山2018年崩塌事件的时间间隔。研究试图验证Kilauea火山崩塌事件的可预测性，并探索机器学习方法在有限训练数据情况下预测真实世界灾难事件的潜力。

本论文的关键思路是使用深度学习图神经网络预测Kilauea火山崩塌事件的时间间隔。该方法可以在仅使用0.5天的数据的情况下，将时间间隔预测到几个小时以内，并且预测结果随着输入数据长度的增加而提高。该方法还可以使用高信噪比的倾斜度计数据进行最准确的预测，并且能够预测不同岩浆压力衰减时间的合成数据，揭示了该方法感知到了崩塌的基本物理规律。

本研究使用Kilauea火山2018年的实际数据进行了实验，证明了该方法的预测结果优于仅基于事件间隔统计的空模型。此外，该研究还探索了不同数据集和不同的模型参数，以及模型的泛化能力和可解释性。该方法的开源代码可供使用。本论文的研究结果表明，在监测良好的条件下，Kilauea火山崩塌序列是可预测的，并且机器学习方法在有限训练数据的情况下可以用于预测真实世界的灾难事件。

近期在相关领域的研究包括：1.使用深度学习方法预测地震的时间和位置；2.使用机器学习方法预测火山喷发的时间和规模；3.使用图神经网络预测地震序列的时间间隔。