人工智能助力追蹤全球冰川消融

冰川消融速度的精確監測對於衡量氣候變化進程和預測未來海平面上升至關重要。然而，傳統的衞星圖像分析方法需要研究人員手動描繪冰川與海洋的邊界，即“崩解前端”，這項任務極為耗時且難以大規模擴展。儘管人工智能圖像分析技術有望填補這一空白，但以往模型在未訓練過的區域表現不佳，而收集標註數據又十分困難。

近日，一篇被IEEE國際圖像處理大會（ICIP）接收的論文展示了突破性進展：德國紐倫堡大學（FAU）的研究團隊成功將領先的深度學習模型適配至新區域，僅需極少的額外數據。研究人員發現，通過提供三項關鍵信息——每座冰川的一張人工標註圖像、夏季無冰磧的參考圖像（此時冰川邊界清晰）以及基於Open Street Map的基岩地圖——模型的平均誤差從超過1公里驟降至68.7米。這一精度已與人工標註誤差相當。

研究團隊此前已在2023年發佈了包含南極、格陵蘭和阿拉斯加七座冰川681張雷達圖像的數據集，但將該模型直接應用於斯瓦爾巴羣島時，誤差高達1131.6米。為了高效提升性能，他們為斯瓦爾巴所有145座冰川各製作了一張人工標註圖像，並結合多張原始衞星圖像，構建了包含5539張圖像的新訓練集。重新訓練後，誤差降至445.3米。

為進一步優化，團隊開發了兩項創新策略。首先，由於冰磧混合物（由浮冰、海冰和積雪構成）常與冰川邊界混淆，研究人員在模型標註時加入了三張夏季圖像作為參考，使誤差降至204.6米。其次，提供靜態基岩地圖後，誤差進一步降至103.6米。通過集成五種不同模型版本並平均輸出，最終誤差僅為68.7米。

在相關研究中，論文作者之一、FAU博士生Dakota Pyles已將該方法應用於斯瓦爾巴羣島，生成了2015至2024年所有冰川的月度崩解前端位置，總計超過20.3萬次標註。Pyles表示：“沒有這個模型，我的項目根本無法達到如此規模。這極大地推動了冰川學的發展。”

研究團隊希望未來將這一方法擴展到北極其他約1500座冰川。論文共同第一作者Nora Gourmelon指出：“我們仍需要特定區域或衞星的少量標註圖像進行初始訓練，但只要圖像採集方式和觀測區域保持一致，模型就無需重新校準。”她補充道：“瞭解冰川過去的變化，有助於我們更好地預測它們的未來。