Datos de deformación para pronóstico de erupciones volcánicas
Asimilación de datos de deformación para pronóstico de erupción: Evaluación de potencialidad basada en casos sintéticos
En el
monitoreo de volcanes activos, la sobrepresión del magma es uno de los parámetros
clave utilizados en la predicción de las erupciones volcánicas. Este
parámetro puede inferirse de los desplazamientos del terreno medidos en la
superficie de la Tierra aplicando técnicas de inversión.
 |
| Créditos: Mary Grace Bato |
A
pesar de, en la mayoría de los estudios, la gran cantidad de información sobre
el comportamiento del volcán contenida en la evolución temporal de la señal de
deformación no es plenamente explotada por inversión.
El
trabajo expuesto en este artículo se centra en el desarrollo de una estrategia
con el propósito de una mejor predicción de la sobrepresión de magma mediante
la asimilación de datos.
Se
aprovechó la creciente cantidad de datos geodésicos [es decir, el Radar de
Apertura Sintética Interferométrica (InSAR) y el Sistema Global de Navegación
por Satélite (GNSS)] registrados en los volcanes hoy en día junto con la amplia
disponibilidad de modelos dinámicos que pueden proporcionar una mejor
comprensión del sistema de pluma del volcán.
En
este artículo, se construyó una estrategia en particular sobre la base del
Ensemble Kalman Filter (EnKF).
Se
pronostican los comportamientos temporales de las sobrepresiones magmáticas y
deformaciones superficiales adoptando un simple modelo genérico de cámara de
dos magmas y utilizando datos GNSS y / o InSAR sintéticos.
Se
demostró la capacidad de EnKF para estimar tanto la evolución de la presión del
magma así como restringir las características del sistema volcánico profundo
(es decir, el tamaño de la camara y el flujo de magma basal).
Se
requiere de una gran frecuencia temporal de observación para asegurar el éxito
del EnKF, a la vez que la calidad de asimilación también se mejora al aumentar
la densidad espacial de observaciones en el campo cercano.
De
esta forma se demuestra que mejores resultados se obtienen combinando unas cuantas
series temporales GNSS de alta resolución temporal con imágenes InSAR
caracterizadas por una buena cobertura espacial.
También
se demostró que EnKF proporciona resultados similares a la sofisticada
inversión Bayesiana mientras se utiliza el mismo modelo dinámico con la ventaja
de EnKF para potencialmente explicar la evolución temporal de los parámetros inciertos
del modelo.
Los
resultados muestran que EnKF funciona bien con los casos sintéticos y hay un
gran potencial en el uso del método para el monitoreo en tiempo real de volcanes
activos, concluye la Doctora Mary Grace Bato del Centre National de la Recherche Scientifique, Francia.
