AIが世界の縮小する氷河の追跡を支援

氷河の縮小速度を正確に監視することは、気候変動のペースを測定し、将来の海面上昇を予測する上で極めて重要です。しかし、従来の衛星画像分析では、研究者が氷河と海洋の境界（カービングフロント）を手動でトレースする必要があり、非常に手間がかかり、大規模な拡張は困難でした。人工知能（AI）による画像分析がこのギャップを埋める可能性がありますが、これまでのモデルは訓練データに含まれていない地域では性能が低く、ラベル付きデータの収集が困難でした。

このたび、IEEE国際画像処理会議（ICIP）で受理された論文で、ドイツのフリードリヒ・アレクサンダー大学エアランゲン・ニュルンベルク（FAU）の研究チームが、最先端の深層学習モデルを新しい場所に適応させる画期的な手法を発表しました。わずか3つの追加情報（氷河ごとに1枚の手動ラベル画像、夏の無氷礫参照画像、基盤岩マップ）を提供するだけで、モデルの平均誤差が1km以上から68.7mにまで減少しました。この精度は人間のラベル付けの誤差と同等です。

研究チームは2023年に、南極、グリーンランド、アラスカの7つの氷河の681枚のレーダー画像と手動アノテーションからなるデータセットを公開していました。しかし、このデータで訓練したモデルをスヴァールバル諸島の未知の氷河に適用したところ、誤差は平均1131.6mでした。そこで彼らは、スヴァールバルの全145氷河に対して1枚ずつ手動ラベル画像を作成し、各氷河の複数の生衛星画像と組み合わせて5539枚の新しい訓練セットを構築。再訓練後の誤差は445.3mに低下しました。

さらに精度を向上させるため、2つの新戦略を開発しました。まず、氷河の境界と氷礫混合物（浮氷、海氷、積雪の混ざりもの）を区別するのが難しいため、モデルが注釈を付ける画像系列に夏の画像3枚を含めると、誤差が204.6mに減少。次に、Open Street Mapデータから得た静的な基盤岩マップを提供すると、誤差は103.6mに。そして、5つの異なるモデルバージョンのアンサンブルと出力の平均化により、最終誤差は68.7mに達しました。

関連研究では、同じくFAUの博士課程学生Dakota Pylesがこの手法を用いて、スヴァールバル諸島のすべての氷河について2015年から2024年までの月次カービングフロント位置を抽出し、20万3294以上のアノテーションを生成しました。Pylesは「このモデルがなければ、私のプロジェクトはこの規模では実現不可能だったでしょう。これは氷河学の進展に大きく貢献します」と述べています。

研究チームは今後、北極のさらに約1500の氷河にこの手法を拡大することを目指しています。論文の共同主著者Nora Gourmelonは「監視したい特定の地域や衛星からのラベル付き画像が最初は必要ですが、その後は使用できます。画像の取得方法と観測場所が一定であれば、再調整は不要です」と説明しています。「氷河の過去を知ることで、将来の変化をよりよく理解できるようになるでしょう。」