人工智能助力追踪全球冰川消融

冰川消融速度的精确监测对于衡量气候变化进程和预测未来海平面上升至关重要。然而，传统的卫星图像分析方法需要研究人员手动描绘冰川与海洋的边界，即“崩解前端”，这项任务极为耗时且难以大规模扩展。尽管人工智能图像分析技术有望填补这一空白，但以往模型在未训练过的区域表现不佳，而收集标注数据又十分困难。

近日，一篇被IEEE国际图像处理大会（ICIP）接收的论文展示了突破性进展：德国纽伦堡大学（FAU）的研究团队成功将领先的深度学习模型适配至新区域，仅需极少的额外数据。研究人员发现，通过提供三项关键信息——每座冰川的一张人工标注图像、夏季无冰碛的参考图像（此时冰川边界清晰）以及基于Open Street Map的基岩地图——模型的平均误差从超过1公里骤降至68.7米。这一精度已与人工标注误差相当。

研究团队此前已在2023年发布了包含南极、格陵兰和阿拉斯加七座冰川681张雷达图像的数据集，但将该模型直接应用于斯瓦尔巴群岛时，误差高达1131.6米。为了高效提升性能，他们为斯瓦尔巴所有145座冰川各制作了一张人工标注图像，并结合多张原始卫星图像，构建了包含5539张图像的新训练集。重新训练后，误差降至445.3米。

为进一步优化，团队开发了两项创新策略。首先，由于冰碛混合物（由浮冰、海冰和积雪构成）常与冰川边界混淆，研究人员在模型标注时加入了三张夏季图像作为参考，使误差降至204.6米。其次，提供静态基岩地图后，误差进一步降至103.6米。通过集成五种不同模型版本并平均输出，最终误差仅为68.7米。

在相关研究中，论文作者之一、FAU博士生Dakota Pyles已将该方法应用于斯瓦尔巴群岛，生成了2015至2024年所有冰川的月度崩解前端位置，总计超过20.3万次标注。Pyles表示：“没有这个模型，我的项目根本无法达到如此规模。这极大地推动了冰川学的发展。”

研究团队希望未来将这一方法扩展到北极其他约1500座冰川。论文共同第一作者Nora Gourmelon指出：“我们仍需要特定区域或卫星的少量标注图像进行初始训练，但只要图像采集方式和观测区域保持一致，模型就无需重新校准。”她补充道：“了解冰川过去的变化，有助于我们更好地预测它们的未来。