گیاهان از زمان فوران آتشفشان‌ها مطلع هستند

در واقع پژوهشگران پتانسیل پیش‌بینی فوران‌های آتشفشانی را از طریق یک روش ابتکاری شامل مشاهده رفتار گیاهان بررسی کرده‌اند.شاخص‌های سنتی مانند افزایش انتشار دی اکسید کربن، اغلب مقدم بر ناآرامی‌های آتشفشانی هستند. با این حال، تشخیص این انتشارات به دلیل سطوح پس‌زمینه و غیر قابل دسترس بودن بسیاری از مکان‌های آتشفشانی چالش برانگیز است.رابرت بوگ و تیمش در دانشگاه مک‌گیل برای حل این مساله بررسی کردند که آیا سلامت گیاهان می‌تواند به عنوان نماینده و نشانگری برای فعالیت‌های آتشفشانی عمل کند یا خیر.

اطلاعات حیاتی سلامت گیاه در مورد آتشفشان‌ها
پژوهشگران تصاویر ماهواره‌ای از پارک ملی یلو استون(Yellowstone) را در سه دوره متمایز از سال ۱۹۸۴ تا ۲۰۲۲ تجزیه و تحلیل کردند.یلو استون یک سامانه دهانه و فرورفتگی بزرگ است که هنگام فوران و فروپاشی یک آتشفشان ایجاد شده است و دی اکسید کربن قابل توجهی منتشر می‌کند.

دریاچه ترن(Tern) واقع در بخش شمال شرقی یلو استون، اخیراً به دلیل فعالیت گرمابی(هیدروترمال) خود شناخته شده است که از طریق تصاویر ماهواره‌ای که خاک تغییر یافته، درختان مرده و ناهنجاری‌های دمایی فروسرخ را نشان می‌دهد، شناسایی شده است.پژوهشگران ارتباطی را میان افزایش پوشش سبز گیاهی که نشان‌دهنده افزایش رشد ناشی از دی اکسید کربن اضافی است و قهوه‌ای شدن متعاقب آن با اوج‌گیری فعالیت‌های آتشفشانی مشاهده کردند، چرا که دی اکسید گوگرد و دمای بالا موجب مرگ و میر گیاهان می‌شود.

گیاهان نشانگر فعالیت‌های آتشفشانی
این یافته‌ها استفاده از تصاویر ماهواره‌ای را برای نظارت بر سلامت گیاهان به ‌عنوان یک سیستم هشدار اولیه بالقوه برای فعالیت‌های آتشفشانی پیشنهاد می‌کند که بینش‌هایی را از سال‌ها قبل فوران آتشفشانی ارائه می‌دهد.

با این حال، پژوهشگران هشدار می‌دهند که روش آنها ممکن است در مناطقی با گونه‌های درختی متعدد یا فشار قابل توجه ناشی از عوامل غیر آتشفشانی مانند خشکسالی یا آتش‌سوزی با چالش‌هایی مواجه شود.
این رویکرد به طور ویژه برای نظارت بر آتشفشان‌های مخروطی شکل گسترده واقع در مناطق جنگلی، مانند آتشفشان تال در فیلیپین یا کوه اتنا در ایتالیا مناسب است.

در واقع، این مطالعه بر اهمیت تأثیرات اکولوژیکی که ناظران انسانی اغلب نادیده می‌گیرند، تأکید می‌کند.
در حالی که ناهنجاری‌های قابل توجه باید مورد توجه قرار گیرند، اثرات ظریف‌تر به داده‌های گسترده و تجزیه و تحلیل آماری یا یادگیری ماشینی پیشرفته برای تشخیص نیاز دارند.