پایش فعالیت آتشفشان با تحلیل هم‌زمان نسبت دامنه امواج لرزه‌ای و سرعت نسبی داده‌های نوفه‌های لرزه‌ای محیطی

نوع مقاله : مقاله تحقیقی‌ (پژوهشی‌)

نویسندگان

1 دانشجوی دکتری، گروه فیزیک، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران

2 دانشیار، گروه فیزیک، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران

3 استادیار، گروه فیزیک، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران

4 استادیار، موسسه ملی ژئوفیزیک و آتش فشان شناسی، شعبه کاتانیا، کاتانیا، ایتالیا

چکیده

از تابع همبستگی متقابل نوفه­های لرزه‌ای محیطی به‌کرات برای نظارت بر فعالیت آتشفشان­ها استفاده شده است. این روش معمولاً محدود به آتشفشان­های مجهز به شبکه­های بزرگ و با ایستگاه­های متراکم و باندپهن است. در این مقاله روشی پیشنهاد شده است که می­تواند به‌طور خودکار و بدون نیاز به تجهیزات پیشرفته، تابع همبستگی متقابل نوفه­های لرزه‌ای محیطی را محاسبه کند و با استفاده از آن، تغییرات سرعت نسبی و همچنین تغییرات نسبت دامنه­های لرزه‌ای را به‌عنوان دو پیش­نشانگر فوران، تحلیل و بررسی کند. برای این منظور از داده­های لرزه‌ای پیوسته پنج ایستگاه لرزه­نگاری نزدیک آتشفشان اتنا در ایتالیا استفاده شده است. ابتدا مؤلفه­های قائم داده­های روزانه به نگاشت­های سی دقیقه‌ای تبدیل و پس از حذف میانگین، قسمت­هایی از نگاشت با دامنه بیشتر از سه برابر جذر مربع میانگین حذف شدند. در ادامه، تابع همبستگی متقابل بین جفت­ایستگاه­ها محاسبه و در بازه­های فرکانسی مختلف فیلتر شد. سپس تغییرات سرعت امواج لرزه‌ای با استفاده از بسته پایتون MSNoise و روش پنجره­های متحرک طیف متقابل برای تمام ایستگاه­ها محاسبه شد.
در مرحله دوم، تجزیه و تحلیل نسبت دامنه­های لرزه‌ای با روش SARA (Seismic Amplitude Ratio Analysis) انجام و نمودارهای نسبت دامنه­ها رسم شد. در نهایت، با استفاده از آزمون تحلیل روند من- کندال و آزمون تخمین شیب سن، مقدار عددی شیب هر نمودار، جداگانه محاسبه شد. نتایج نشان­دهنده کاهش سرعت نسبی به میزان 2/0 درصد و همچنین افزایش نسبت دامنه­های امواج لرزه‌ای در 90 درصد جفت ایستگاه­ها از چند روز قبل از فوران اصلی است. اندازه‌گیری خودکار و مداوم این دو پیش­نشانگر و تلفیق نتایج آنها، می­تواند پتانسیل این روش را برای بهبود روند نظارت بر آتشفشان­ها به‌خوبی نشان دهد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Volcano monitoring with simultaneous analysis of amplitude ratio and velocity of ambient seismic noise

نویسندگان [English]

  • Ghazaleh Rasaneh 1
  • Alireza Hajian 2
  • Maryam Hodhodi 3
  • Roohollah Kimiaefar 3
  • Salvatore Gambino 4
1 Ph.D. Student, Department of physics, Najafabad Branch, Islamic Azad University, Najafabad, Iran
2 Associate professor, Department of physics, Najafabad Branch, Islamic Azad University, Najafabad, Iran
3 Assistant professor, Department of physics, Najafabad Branch, Islamic Azad University, Najafabad, Iran
4 Assistant professor, National Institute of Geophysics and Volcanology, Catania, Italy
چکیده [English]

Volcanic eruptions are usually done by increasing magma pressure. Monitoring this process in real-time can provide useful information for predicting eruptions. The cross-correlation function of ambient seismic noises has been used many times to monitor the activity of volcanoes around the world. Still, this method is usually limited to volcanoes equipped with large networks and broadband stations.
   In this article, a technique has been proposed that automatically and without the need for advanced equipment or lots of data can calculate a cross-correlation function of seismic waves, then using the calculated cross-correlation function, it analyzes and examines the temporary changes in the relative velocity of seismic waves as well as the anomaly of the amplitude ratio of continuous data recorded in all pairs of stations as two eruption attributes.
The SARA (Seismic Amplitude Ratio Analysis) method was used to investigate the changes in the amplitude ratio, and the MWCS (Moving-Window Cross-Spectral) method was used to calculate the relative speed of environmental seismic wave data. Both methods have been implemented using MSNoise software package.
   In order to validate these methods, the continuous data of 5 seismic stations near Etna volcano in Italy were used. First, in order to process the data, daily vertical recordings of all stations were divided into 30-minute segments. Then, the segments were demeaned, tapered and normalized to three times the root-mean-square (RMS). Next, the daily cross-correlation between all pairs of stations was calculated and the cross-correlation function was filtered in different frequency ranges. Finally, the velocity variations were measured with the MWCS method. The results showed a decrease of about 0.2 percent in the velocity before the main eruption and an increase rapidly after the eruption.
   In the second step, the amplitude ratio of all pairs of stations was calculated with the SARA method. The increasing trend of the amplitude ratio was observed from three hours before the main eruption. To quantify the results, the Mann-Kendall trend analysis test was used for all pairs of stations. By using Sen's slope estimation test, the slope value of each figure was calculated separately. The results showed a temporary increase in the seismic amplitude ratio in 90 percent of pairs of stations before the main eruption. Automatic and continuous measurement of these attributes and combining their results can show the potential of this method to improve volcano monitoring and eruption early warning for active volcanoes.

کلیدواژه‌ها [English]

  • Volcano monitoring
  • ambient seismic noises
  • Seismic Amplitude Ratio Analysis (SARA)
  • velocity changes
  • MSNoise Python package

مراجع

ربیع‌نژاد، ج.، رحیمی، ح.، ملکی، ب.، 1399، پایش تغییرات سرعت زلزله هجدک منطقه کرمان با استفاده از روش طیف متقابل پنجره متحرک و فاز وزنی: مجموعه مقالات نوزدهمین کنفرانس ژئوفیزیک ایران، 1244-1248.
 
سیروس، ن.، ١٣98، بررسی تغییرات ناهمسانگردی قبل از زلزله 31 تیرماه 1397 تازه‌آباد کرمانشاه با استفاده از توموگرافی نوفه­های محیطی: پایان­نامه کارشناسی ارشد ژئوفیزیک، مؤسسه ژئوفیزیک دانشگاه تهران.
 
 
Allard, P., Behncke, B., Amico, S. D., Neri, M., and Gambino, S., 2006, Mount Etna 1993-2005: anatomy of an evolving eruptive cycle: Earth-Science Reviews, 78, 85-114, https://doi.org/10.1016/j.earscirev.2006.04.002.
Aloisi, M., Bonaccorso, A., Cannavò, F., Gambino, S., Mattia, M., Puglisi, G., and Boschi, E., 2009, A new dyke intrusion style for the Mount Etna May 2008 eruption modelled through continuous tilt and GPS data: Terra Nova, 21(4), 316-321, https://doi.org/10.1111/j.1365-3121.2009.00889.x.
Alparone, S., Barberi, G., Cocina, O., Giampiccolo, E., Musumeci, C., and Patanè, D., 2012, Intrusive mechanism of the 2008–2009 Mt. Etna eruption: Constraints by tomographic images and stress tensor analysis: Journal of Volcanology and Geothermal Research, 229–230, 50-63, https://doi.org/10.1016/j.jvolgeores.2012.04.001.
Battaglia, J., and Aki, K., 2003, Location of seismic events and eruptive fissures on the Piton de la Fournaise volcano using seismic amplitudes: Journal of Geophysical Research: Solid Earth, 108(B8), 615–631, https://doi.org/10.1029/2002JB002193.
Behncke, B., Falsaperla, S., and Pecora, S., 2009, Complex magma dynamics at Mount Etna revealed by seismic, thermal, and volcanological data: Journal of Geophysical Research, Solid Earth, 114, B03211, doi:10.1029/2008JB005882.
Bensen, G. D., Ritzwoller, M., Barmin, M. P., et al., 2007, Processing seismic ambient noise data to obtain reliable broad-band surface wave dispersion measurements: Geophysical Journal International, 169(3), 1239-1260, https://10.1111/j.1365-246X.2007. 03374.x.
Bonaccorso, A., Cannata, A., Corsaro, R. A., Di Grazia, G., Gambino, S., Greco, F., Miraglia, L., and Pistorio, A., 2011, Multi-disciplinary investigation on a lava fountain preceding a flank eruption: The 10 May 2008 Etna case: Geochemistry, Geophysics, Geosystems, 12(7), https://doi.org/10.1029/2010GC003480.
Caudron, C., Taisne, B., Kugaenko, Y., and Saltykov, V., 2015, Magma migration at the onset of the 2012-13 Tolbachik eruption revealed by Seismic Amplitude Ratio Analysis: Journal of Volcanology and Geothermal Research, 307, 60–67, https://doi.org/10.1016/j. jvolgeores.2015.09.010.
Chaves, E. J., and Schwartz, S. Y., 2016, Monitoring transient changes within overpressured regions of subduction zones using ambient seismic noise: Science Advances, 2, e1501289–e1501289, https://doi.org/10.1126/sciadv.1501289.
Clarke, D., Zaccarelli, L., Shapiro, N. M., and Brenguier, F., 2011, Assessment of resolution and accuracy of the Moving Window Cross Spectral technique for monitoring crustal temporal variations using ambient seismic noise: Geophysical Journal International, 186(2), 867-882, https://doi.org/10.1111/j.1365-246X.2011.05074.x.
De Plaen, R. S. M., Cannata, A., Cannavo, F., Corentin, C., Lecocq, T., and Francis, O., 2019, Temporal changes of seismic velocity caused by volcanic activity at Mt. Etna revealed by the autocorrelation of ambient seismic noise: Frontiers in Earth Science, 6, 251, https://doi.org/10.3389/feart.2018.00251.
Goldstein, P., Dodge, D., Firpo, M., and Minner, L., 2003, SAC2000: signal processing and analysis tools for seismologists and engineers, in Lee, W. H. K., Kanamori, H., Jennings, P. C., and Kisslinger, C., eds., invited contribution to The IASPEI International Handbook of Earthquake and Engineering Seismology: London, Academic Press.
62(2), https://doi.org/10.4401/ag-8049.
Herrmann, RB., 2002, Computer Programs in Seismology, [Available from: http://www.eas.slu.edu/eqc/eqccps.html.
Kendall, M.G., 1962. Rank correlation methods (No. 310/K23).
 Langer, H. S., Falsaperla, M., Masotti, R., Campanini, S., Spampinato, and Messina, A., 2009, Synopsis of supervised and unsupervised pattern classification techniques applied to volcanic tremor data at Mt. Etna, Italy: Geophysical Journal International, 178(2), 1132-1144, https://doi.org/ 10.1111/j.1365-246X.2009.04179.x.
Lecocq, T., Caudron, C., and Brenguier, F., 2014, MSNoise, a Python package for computing and monitoring seismic velocity changes using ambient noise: Seismological Research Letters, 85, 715–726, https://doi.org/10.1785/0220130073.
Meier, U., Shapiro, N. M., and Brenguier, F., 2010, Detecting seasonal variations in seismic velocities within Los Angeles basin from correlations of ambient seismic noise: Geophysical Journal International, 181(2), 985-996, https://doi.org/10.1111/j.1365-246X.2010.04550.x.
Nunnari, G., 2021, Clustering activity at Mt. Etna based on volcanic tremor: A case study: Earth Science Informatics, 14(6572), 1-23, https://doi.org/ 10.1007/s12145-021-00606-5.
Ratdomopurbo, A., and Poupinet, G., 1995, Monitoring a temporal change of seismic velocity in a volcano: Application to the 1992 eruption of Mt. Merapi (Indonesia): Geophysical Research Letters, 22(7), 775–778, https://doi.org/10.1029/95GL00302.
Sen, PK., 1963, On the estimation of relative potency in dilution (-direct) assays by distribution-free methods: Biometrics ,532-52.
Ting Tan, C., Taisne, B., Neuberg, J., and Basuki, A., 2019, Real-time assessment of potential seismic migration within a monitoring network using Red-flag SARA: Journal of Volcanology and Geothermal Research, 384, 31-47, https://doi.org/10.1016/j.jvolgeores.2019.07.004.
Wunderman, R., 2008, Global Volcanism Program, Report on Etna (Italy): Bulletin of the Global Volcanism Network, 33(5), https://doi.org/10.5479/si.GVP.BGVN200805-211060.
Yukutake, Y., Ueno, T., and Miyaoka, K., 2016, Determination of temporal changes in seismic velocity caused by volcanic activity in and around Hakone volcano, central Japan, using ambient seismic noise records: Progress in Earth and Planetary, 3(1), 29, http:// doi.org/ 10.1186/s40645-016-0106-5.
 
مجله ژئوفیزیک ایران
دوره 17، شماره 1
اسفند 1401
صفحه 216-229

فایل ها

اشتراک گذاری

ارجاع به این مقاله

آمار