گیاهان از زمان فوران آتشفشان مطلع می باشند

مطابق مطالعه‌ای تازه، مشاهده حرکت گیاهان می‌تواند نشانه اولیه فعالیت آتشفشانی باشد و امکان هشدارها و آمادگی‌های به‌موقع بیشتری را فراهم کند.

محققان پتانسیل پیش‌بینی فوران‌های آتشفشانی را از طریق یک روش ابتکاری شامل مشاهده حرکت گیاهان بازدید کردند.

شاخص‌های سنتی، همانند افزایش انتشار کردن کربن دی‌اکسید، زیاد تر مقدم بر ناآرامی‌های آتشفشانی می باشند. بااین‌حال، تشخیص این انتشارات به‌علت سطوح بعد‌عرصه و غیرقابل دسترس بودن تعداد بسیاری از مکان‌های آتشفشانی چالش‌برانگیز است.

برای پرداختن‌ به این نوشته، «رابرت بوگ» و تیمش در دانشگاه مک گیل بازدید کردند که آیا شاخص‌های سلامت گیاهان می‌تواند به‌گفتن نماینده‌ای برای فعالیت‌های آتشفشانی عمل کند یا خیر.

سلامت گیاهی اطلاعات حیاتی درمورد آتشفشان‌های استراتو دارد

آنها تصاویر ماهواره‌ای از پارک ملی یلوستون را در سه دوره نزدیک از سال ۱۹۸۴ تا ۲۰۲۲ تجزیه‌وتحلیل کردند. یلوستون یک سیستم دهانه بزرگ و پویا است و کربن دی‌اکسید قابل‌ٰتوجهی انتشار می‌کند.

دریاچه ترن، واقع در قسمت شمال شرقی یلوستون، اخیراً به‌علت فعالیت هیدروترمال خود شناخته شده‌ است. این دریاچه از طریق تصاویر ماهواره‌ای که خاک تحول یافته، درختان مرده و ناهنجاری‌های دمایی مادون قرمز را مشخص می کند، شناسایی شده‌ است.

محققان ارتباطی را بین افزایش سرسبزی گیاهان مشاهده کردند که نشان‌دهنده افزایش رشد ناشی از کربن دی‌اکسید و قهوه‌ای‌شدن‌ متعاقب آن با اوج‌گیری فعالیت‌های آتشفشانی است. این شاخص به گوگرد دی‌اکسید و دمای بالا که علتمرگ‌ومیر گیاهان می‌بشود نسبت داده‌ می‌بشود.

گیاهان، نماینده فعالیت‌های آتشفشانی

این یافته‌ها منفعت گیری از تصاویر ماهواره‌ای را برای نظارت بر سلامت گیاهان به‌گفتن یک سیستم هشدار اولیه برای فعالیت‌های آتشفشانی نظر می‌کند.

بااین‌حال، محققان هشدار داده‌اند که روش آنها امکان پذیر در مناطقی با گونه‌های درختی متعدد یا تنش قابل‌دقت ناشی از عوامل غیرآتشفشانی همانند خشکسالی یا آتش‌سوزی با چالش‌هایی روبه رو بشود.

این رویکرد به اختصاصی برای نظارت بر آتشفشان‌های مخروطی‌شکل گسترده واقع در مناطق جنگلی، همانند آتشفشان تال در فیلیپین یا کوه اتنا در ایتالیا مناسب است.

این مطالعه بر اهمیت تأثیرات اکولوژیکی که ناظران انسانی زیاد تر نادیده‌ می‌گیرند، پافشاری می‌کند.

درحالی‌که ناهنجاری‌های قابل‌توجهی وجود دارند، اثرات ظریف‌تر به داده‌های گسترده و تجزیه‌وتحلیل آماری یا هوش مصنوعی پیشرفته برای تشخیص نیاز دارند.

این مطالعه در ژورنال Geochemistry, Geophysics, Geosystems انتشار شد