Modelización numérica, IA y machine learning aplicado a la volcanología

Material para el módulo de modelización numérica del Curso internacional de volcanología.

Curso internacional de volcanología
Olot (La Garrotxa) - La Palma
12 Oct - 24 Oct 2026
2.ª edición

Teóricas

Sesión	Slides
Introducción
1. Modelos numéricos (FALL3D)
2. Introducción a las redes neuronales

Prácticas

Sesión	Colab	Kaggle	Binder
1. Exploring a FALL3D output
2.1 Training a Neural Network with PyTorch
2.2 A multilayer perceptron (MLP) for classification
3.1 Convolutional neural networks (CNN)
3.2 Super-Resolution with U-Net
4 Generative AI

Contenido del repositorio

1. Exploring a FALL3D output

Introducción al procesamiento de resultados del modelo FALL3D. Se usa xarray para abrir, explorar y representar campos de una simulación y de un conjunto (ensemble) de pronósticos. La práctica termina con el cálculo de probabilidades de excedencia.

2.1 Training a Neural Network with PyTorch

Introducción al flujo de trabajo de aprendizaje supervisado con PyTorch: preparación y división de datos, modelo, función de pérdida, descenso de gradiente, entrenamiento y validación. Se entrena un perceptrón multicapa para aproximar una función, se realiza inferencia y se introduce la codificación de Fourier.

2.2 A multilayer perceptron (MLP) for classification

Clasificación del impacto de la caída de tefra de la erupción de Tajogaite de 2021 en La Palma. Se definen clases de impacto a partir del espesor del depósito, se prepara el conjunto de datos y se entrena un MLP para visualizar sus regiones de decisión.

3.1 Convolutional neural networks (CNN)

Introducción a las redes neuronales convolucionales y a los filtros de convolución 2-D. Incluye la implementación de una CNN sencilla, aplicaciones en volcanología, autoencoders convolucionales y la arquitectura U-Net.

3.2 Super-Resolution with U-Net

Reconstrucción de campos simulados de plumas volcánicas de alta resolución a partir de entradas de baja resolución. Se construye un conjunto de datos de simulaciones FALL3D, se define y entrena una U-Net, y se evalúa su capacidad de reconstrucción en datos no vistos.

4. Generative AI

Introducción a los modelos generativos como herramienta para aprender la distribución de un ensamble de simulaciones y generar nuevos campos plausibles. Se presenta la interpretación de la generación como un flujo dinámico y se introduce Flow Matching. La práctica utiliza un modelo preentrenado para transformar muestras de ruido gaussiano en nuevos campos de plumas volcánicas y se comparan los resultados con simulaciones de FALL3D.

Ejecución local

git clone https://github.com/lmingari/olot-course.git
cd olot-course
python -m venv .venv
source .venv/bin/activate  # En Windows: .venv\Scripts\activate
pip install pandas numpy matplotlib torch torchsummary xarray netCDF4 jupyter
jupyter notebook

Abre la notebook que quieras ejecutar desde la interfaz de Jupyter. Los datos necesarios están incluidos en data/.