Jak technologie GNSS a InSAR přispívají k monitorování sopečné činnosti a pohybu magmatu?

Přesné sledování deformací zemského povrchu v oblasti sopek je klíčové pro pochopení sopečné aktivity a předpovídání erupcí. Mezi nejvýznamnější metody patří využití technologií GNSS (Global Navigation Satellite System) a InSAR (Interferometrická syntetická apertura radarová), které umožňují detekovat i velmi malé pohyby povrchu, často nepostřehnutelné jinými způsoby.

Sledování deformací podmořských sopek je komplikovanější. Pro tento účel se využívají speciální systémy jako záznamníky tlaku na mořském dně, které fungují jako vertikální komponenta GNSS. Nejlepším příkladem je Axial Seamount u pobřeží Oregonu, kde dlouhodobé sledování vertikálních posunů slouží jako hlavní indikátor pro předpověď erupcí a určení rychlosti přísunu magmatu. Kombinace systémů GNSS na bójích a záznamníků tlaku v oblasti Kaldery Campi Flegrei v Itálii umožňuje provozní monitoring deformací na moři.

Nicméně ani tyto metody nejsou všemocné. Erupce sopky Calbuco v Chile v roce 2015 je příkladem, kdy před-erupční deformace nebyla detekovatelná ani InSAR ani GNSS metodami až do pouhých 36 hodin před samotnou erupcí. Nicméně během erupce se pomocí InSAR podařilo zaznamenat deflaci sopky, tedy pokles povrchu v důsledku ústupu magmatu. Takové data jsou cenná pro následné plánování a zlepšení monitorovacích systémů. Důležitá je také post-erupční fáze, kdy monitoring slouží k zachycení nových episod magmatického doplňování zásobníků, což může indikovat přípravu na budoucí aktivitu, jako bylo zaznamenáno u Cordón Caulle v Chile po erupci 2011–2012.

Významné byly také data GNSS během erupce Kīlauea. Povrchové pohyby o velikosti několika metrů v čase řádově sekund nemohly být sledovány běžnými denními průměry poloh, a proto bylo použito vysokofrekvenční a real-time GNSS zpracování. Tyto údaje umožnily sledovat náhlé poklesy sopky o několik metrů, často spojené se zemětřeseními o magnitudě kolem 5,5. Postupné zrychlení poklesu před těmito událostmi bylo klíčové pro předvídání a řízení rizik v době krize. Kromě toho GNSS monitoroval také změny deformace v oblasti východního riftu, což pomohlo odhadnout, zda bude dýka dále postupovat nebo zůstane stabilní.

Je důležité zdůraznit, že moderní geodetické technologie, ačkoli velmi pokročilé, ne vždy dokáží předpovědět všechny sopečné erupce s dostatečným předstihem. Proto je nezbytné kombinovat geodetické údaje s dalšími geofyzikálními a geochemickými pozorováními, což umožňuje komplexnější pochopení magmatických procesů pod povrchem a minimalizaci rizik spojených s sopečnou aktivitou. Současně je třeba rozvíjet i technologie pro monitorování podmořských sopek, protože jejich erupce mohou mít závažné regionální dopady a zatím nejsou tak dobře sledovány jako pevninské sopky.

Jak SAR technologie pomáhá při analýze škod způsobených zemětřeseními?

Při hodnocení dopadu zemětřesení na infraštrukturu a životní prostředí je klíčové využití moderních geodetických metod, mezi které patří syntetická aperturová radarová (SAR) technologie. Tato technologie umožňuje získat detailní obrazy povrchu Země, což je nezbytné pro analýzu změn, které nastaly v důsledku seizmických aktivit. Využití těchto obrazů se ukazuje jako efektivní nástroj pro monitorování a posuzování poškození, zejména v oblastech, které jsou těžko přístupné nebo procházejí složitými terénními podmínkami. V následujícím textu se zaměříme na konkrétní příklady, jak SAR data byla využita k analýze následků zemětřesení v Sarpole-Zahab a Miyaneh v Iráku a Íránu.

Jedním z hlavních přínosů SAR technologie je schopnost vytvářet interferogramy, které ukazují změny v pohybu povrchu. Tyto interferogramy jsou vytvářeny na základě porovnání snímků pořízených před a po zemětřesení, přičemž rozdíly v těchto snímcích odrážejí změny v zemské kůře způsobené seizmickou aktivitou. V případě zemětřesení v Sarpole-Zahab (2017) bylo použito několik SAR snímků ze satelitů Sentinel-1. Dva snímky byly pořízeny před zemětřesením (18. a 30. října 2017) a jeden po něm (15. listopadu 2017). Pomocí těchto snímků byla vytvořena koherenční mapa, která ukázala, jak se povrch změnil během a po zemětřesení.

Koherenční mapy byly následně přiděleny do barevných kanálů, což umožnilo detailně zobrazit oblasti, které utrpěly poškození, a ty, kde došlo k růstu vegetace nebo jiným změnám. Představme si to jako vizualizaci, která se skládá ze tří barevných vrstev: červené pro změny vpřed, zelené pro změny zpět a modré pro průměrné hodnoty koherence před a po události. To pomáhá nejen identifikovat oblasti s destrukcí, ale také zaznamenat konkrétní změny v prostředí, jako jsou nové osady nebo provizorní tábory, které vznikly po katastrofě.

Pro lepší porozumění těmto změnám je nezbytné mít přehled o geografických a demografických charakteristikách postižených oblastí. Sarpole-Zahab, město blízko epicentra zemětřesení, bylo jedním z hlavních příkladů pro analýzu. Koherenční mapy ukázaly, jak různé oblasti města, od hustě zastavěných částí po zelené plochy, reagovaly na seizmickou aktivitu. Například v oblastech, kde došlo k silné destrukci, byly koherenční hodnoty nižší, což ukazuje na změny v struktuře budov a silnic. Na druhou stranu, změny ve vegetaci se projevily vyššími koherenčními hodnotami, což souviselo s vegetačními změnami po zemětřesení.

Dalším příkladem je zemětřesení v Miyanehu (2019), které se odehrálo v horské oblasti východního Ázerbájdžánu. V tomto případě byly zvoleny snímky pořízené co nejdříve po události (1 den po zemětřesení), aby bylo možné minimalizovat vliv lidských aktivit, které mohou ovlivnit výsledky analýzy. Stejně jako v předchozím případě byly použity interferogramy a koherenční mapy k detekci změn v poškození budov a krajinných změnách. Výsledky ukázaly, že největší škody byly zaznamenány ve vesnici Varnakesh, která se nacházela na jihovýchod od epicentra.

Jedním z důležitých aspektů, který by čtenář měl při práci s těmito technologiemi mít na paměti, je omezenost dat v některých oblastech. Například v Sarpole-Zahab a Miyaneh byly použity pouze data z několika vybraných měst a vesnic, což omezuje úplnost analýzy. Pro dosažení přesnějších a komplexnějších výsledků by bylo ideální mít širší pokrytí a více časových snímků, což by pomohlo lépe pochopit dynamiku změn v různých typech prostředí.