Il Progetto Etna (etna.novelli.me) è un framework sperimentale concepito per esplorare nuove frontiere del monitoraggio vulcanico attraverso tecniche di intelligenza artificiale, automazione e analisi dei dati.
Nasce con l’obiettivo di integrare competenze di informatica, geofisica e ingegneria del software in una piattaforma modulare, orientata alla ricerca e alla prototipazione rapida.
Architettura e Visione
L’architettura di Etna è documentata in dettaglio nella sezione Architettura del sito di progetto, mentre le componenti operative sono descritte nella documentazione tecnica:
La struttura modulare del sistema segue un flusso definito di acquisizione, elaborazione e analisi, dove i principali componenti sono:
- Scheduler: orchestra i task periodici (fetch, analisi, reporting).
- Fetch & Infrasound: scarica e pre-elabora segnali sismici e infrasonici tramite interfacce FDSN e OBS-Py.
- Analisi: calcola parametri come RMS, SSAM e correlazioni incrociate.
- Machine Learning: utilizza autoencoder e modelli LSTM per il rilevamento di anomalie e forecasting probabilistico.
- Reporting LLM: sintetizza i risultati in linguaggio naturale, generando report tecnici leggibili.
- Dashboard Streamlit: visualizza i dati in forma interattiva.
La filosofia alla base del progetto è la sperimentazione controllata: dimostrare come le tecniche di IA possano supportare, senza sostituire, l’interpretazione esperta dei dati vulcanologici.
Approccio metodologico
Etna implementa un paradigma “AI-in-the-loop”: gli algoritmi di machine learning sono parte del ciclo di monitoraggio, ma rimangono strumenti ausiliari.
L’automazione viene gestita da un orchestratore DevOps, che coordina container e pipeline analitiche, riflettendo un approccio mutuato dalle pratiche di MLOps.
La scelta di open data e software libero consente replicabilità, auditabilità e adattamento a contesti di ricerca diversi, pur mantenendo un codice privato per evitare uso improprio.
Il progetto si posiziona così come sandbox di innovazione scientifica, utile a esplorare strategie di analisi multimodale (sismica, geochimica, satellitare) in scenari sperimentali.
Collegamenti scientifici e letteratura
L’impianto concettuale di Etna si fonda su studi e pratiche consolidati nel dominio del monitoraggio geofisico e dell’IA applicata all’ambiente. Tra i riferimenti principali:
- Titos, M. et al. (2019). Machine learning in volcano seismology: An emerging tool for pattern recognition and forecasting. Journal of Volcanology and Geothermal Research, 381, 105–122.
- Johnson, J. B., & Ripepe, M. (2011). Volcano infrasound: A review. Journal of Volcanology and Geothermal Research, 206(3–4), 61–69.
- Behncke, B. et al. (2021). Multisensor monitoring of Etna: Integration of seismic, infrasound, and gas data. Frontiers in Earth Science, 9, 641.
- LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444.
- Wilson, T., et al. (2023). MLOps for environmental monitoring systems. Environmental Modelling & Software, 167, 105728.
Link principali
- 🌋 Sito ufficiale del progetto
- 📘 Documentazione tecnica
- 🧩 Repository GitHub (dimostrativo)
- 🧠 Pagina di approfondimento AI & Volcano Monitoring
- 🛰️ Fonti ufficiali INGV
- 🧭 Dipartimento Protezione Civile – Rischio Vulcanico
Bibliografia essenziale
- Titos, M. et al. (2019). Machine learning in volcano seismology. JVGR.
- Johnson, J. B., & Ripepe, M. (2011). Volcano infrasound. JVGR.
- Behncke, B. et al. (2021). Multisensor monitoring of Etna. Frontiers in Earth Science.
- Wilson, T. et al. (2023). MLOps for environmental monitoring systems. EM&S.