当火山彼此对话：耦合火山的地下秘密

摘要

本文探讨了耦合火山这一新兴研究领域。科学家发现某些火山并非独立运作，而是通过地下岩浆通道相互连接，岩浆可在火山间横向迁移数十公里。从1912年阿拉斯加Katmai-Novarupta事件的历史追溯，到冰岛、夏威夷和希腊的实时观测，结合机器学习技术的突破，研究者正逐步揭开火山耦合的机制，为提升喷发预测精度奠定基础。

内容框架与概述

文章以1912年阿拉斯加Mount Katmai火山爆发为起点，讲述科学家在1950年代发现这场灾难的真正喷出口并非Katmai本身，而是10公里外的Novarupta，后者窃取了Katmai的岩浆，首次揭示了火山间可能存在地下连通关系。这一发现颠覆了火山独立运作的传统认知。

随后文章转向冰岛和夏威夷的现代案例。2014年冰岛Bárðarbunga火山的岩浆迁移至45公里外的Holuhraun喷发，2021至2023年间Fagradalsfjall与Svartsengi两个裂隙系统轮流喷发，均显示出耦合特征。而在夏威夷，加州理工学院的Zach Ross利用机器学习算法发现了连接Kīlauea和Mauna Loa两座火山的深层岩浆通道网络。

文章最后聚焦希腊圣托里尼地区的最新监测实践。德希合作的Multi-Marex项目在海底和陆地部署传感器，恰逢2025年初的地震群发事件，数据显示圣托里尼与海底火山Kolumbo之间也存在岩浆耦合现象。这些发现表明全球可能存在更多尚未被识别的耦合火山对，对改进喷发预测具有重要意义。

核心概念及解读

耦合火山：两座或多座火山通过地下岩浆通道共享岩浆供应系统，可轮流喷发或同时喷发，行为相互影响。

横向岩浆迁移：岩浆并非只向上运动，在特定条件下可沿地下通道水平移动数十公里，从一个火山系统流向另一个喷出口。

Pāhala岩席复合体：位于夏威夷地下的一系列水平岩浆储层，充当连接Kīlauea和Mauna Loa两座火山的深层共享岩浆源。

机器学习地震监测：利用AI算法处理地震数据，可识别出人工分析无法察觉的微弱震动，将可检测地震数量提升十倍，从而揭示隐藏的地下岩浆通道网络。

自流井效应：解释横向岩浆迁移的一种假说，当新通道打通地壳形成低压区时，周围火山加压的岩浆会自然向低压区流动。

原文信息

此摘要卡片由 AI 自动生成