A Near Real-Time and Free Tool for the Preliminary Mapping of Active Lava Flows during Volcanic Crises: The Case of Hotspot Subaerial Eruptions
Notice bibliographique
Résumé
Monitoring the evolution of lava flows is a challenging task for volcano observatories, especially in remote volcanic areas. Here we present a near real-time (every 12 h) and free tool for producing interactive thermal maps of the advance of lava flows over time by taking advantage of the free thermal data provided by FIRMS and the open-source R software. To achieve this, we applied two filters on the FIRMS datasets, one on the satellite layout (track) and another on the fire radiative power (FRP). To determine the latter, we carried out a detailed statistical analysis of the FRP values of nine hotspot subaerial eruptions that included Cumbre Vieja-2021 (Spain), Fagradalsfjall-2021 (Iceland), LERZ Kilauea-2018 (USA), and six eruptions on the Galápagos Archipelago (Ecuador). We found that an FRP filter of 35 ± 17 MW/pixel worked well at the onset and during the first weeks of an eruption. Afterward, once the cumulative statistical parameters had stabilized, a filter that better fit the investigated case could be obtained by running our statistical code. Using the suggested filters, the thermal maps resulting from our mapping code have an accuracy higher than 75% on average when compared with the official lava flow maps of each eruption and an offset of only 3% regarding the maximum lava flow extension. Therefore, our easy-to-use codes constitute an additional, novel, and simple tool for rapid preliminary mapping of lava fields during crises, especially when regular overflights and/or unoccupied aerial vehicle campaigns are out of budget.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».