Искусственный интеллект на страже ледников
Отслеживание скорости сокращения ледников критически важно для оценки темпов изменения климата и прогнозирования будущего повышения уровня моря. Традиционно это трудоёмкая ручная работа, но новый подход с использованием ИИ для анализа спутниковых снимков ледников по всему миру может помочь автоматизировать процесс мониторинга.
Почему таяние ледников — глобальная угроза
Ледники, сползающие напрямую в океан, играют ключевую роль в климатической системе Земли, однако глобальное потепление заставляет их отступать всё быстрее. Это влечёт серьёзные последствия: откалывающиеся от «фронтов отёла» — оконечностей ледников, где айсберги отрываются в воду — массы льда привносят огромные объёмы пресной воды в море, что может изменить океанические течения и вызвать повышение уровня воды. Кроме того, ярко-белые ледники отражают значительную часть солнечного света, а при их сокращении обнажается тёмная морская вода, поглощающая тепло.
Всё это означает, что мониторинг потерь ледников необходим для понимания того, как будут меняться локальные и глобальные климатические условия с течением времени. Однако количество ледников, которые требуется отслеживать по всему миру, намного превышает возможности людей-аналитиков. ИИ-анализ изображений мог бы заполнить этот пробел, но прежние модели плохо работали на регионах, не представленных в обучающих данных. Это серьёзно ограничивает применимость подхода, учитывая сложность сбора размеченных вручную снимков.
Прорыв в адаптации моделей глубокого обучения
Недавнее исследование, принятое к публикации на Международной конференции по обработке изображений IEEE (ICIP), показывает, что ведущую модель глубокого обучения для определения фронтов отёла ледников можно адаптировать к новым локациям с минимальными дополнительными данными. Учёные из Университета Фридриха-Александра в Эрлангене-Нюрнберге (FAU, Германия) продемонстрировали, что ошибка модели — среднее расстояние между вычисленной и реальной границей — сократилась с более чем километра до менее 70 метров благодаря трём типам информации: одному размеченному вручную снимку на ледник, неразмеченным летним опорным изображениям и карте подстилающей породы.
В смежной работе некоторые из авторов уже применили метод на практике, извлекая ежемесячные положения фронтов отёла для всех 145 ледников норвежского архипелага Шпицберген с 2015 по 2024 год. Сейчас команда планирует расширить подход ещё на 1500 ледников в Арктике.
«Наша цель — лучше понять ледники и их реакцию на изменения климата, — говорит Нора Гурмелон, аспирантка FAU и соавтор исследования. — Зная прошлое, мы надеемся точнее прогнозировать их будущее».
Как снижали погрешность: путь от километров до десятков метров
Исторически оконтуривание фронтов отёла требовало от студентов и исследователей кропотливого изучения спутниковых радарных изображений для ручного проведения границы между ледником и океаном, отмечает Гурмелон. Процесс очень трудоёмок, поэтому множество научных групп экспериментирует с моделями компьютерного зрения для его автоматизации.
В 2023 году Гурмелон и её коллеги создали датасет из 681 радарного изображения семи ледников в Антарктиде, Гренландии и на Аляске с аннотированными вручную фронтами отёла, чтобы обучать и тестировать новые модели. Однако при применении современной модели глубокого обучения, обученной на этом наборе, к не встречавшимся ранее ледникам Шпицбергена ошибка составила в среднем 1131,6 метра.
Собрать достаточное количество размеченных данных для дообучения модели на каждом новом леднике явно непрактично, поэтому авторы искали более эффективный способ повышения точности. Они вручную разметили по одному снимку фронта отёла для каждого из 145 ледников Шпицбергена и объединили их с несколькими дополнительными необработанными спутниковыми снимками каждого ледника — получился тренировочный набор из 5539 изображений. Когда модель переобучили как на этих новых данных, так и на исходном бенчмарке, ошибка упала до 445,3 метра.
Затем исследователи разработали две новых стратегии дальнейшего повышения точности. И людям, и ИИ бывает сложно отличить границу ледника от ледового меланжа — месива из плавучих айсбергов, морского льда и снега, скапливающегося у фронта отёла. Поэтому, загружая серию снимков ледника для аннотирования моделью, они добавили три летних изображения, когда меланж отсутствует и граница ледника чётко видна. Эти снимки послужили для модели точкой отсчёта, что сократило ошибку до 204,6 метра.
Наконец, исследователи предоставили модели статичную карту подстилающей породы каждого ледника, основанную на данных Open Street Map, очерчивающих побережье Шпицбергена. Это снизило погрешность до всего 103,6 метра. Усреднив результаты ансамбля из пяти разных версий модели, учёным удалось добиться окончательной ошибки всего в 68,7 метра. Хотя эта цифра всё ещё может казаться неточной, Гурмелон утверждает, что она сопоставима с ошибками ручной разметки.
«Люди сами по себе не очень последовательны в аннотировании, особенно при наличии ледового меланжа или когда разрешение спутникового снимка не слишком высокое», — поясняет она.
Автоматизация моделирования ледников
Несмотря на то что метод всё ещё требует подготовительной работы, он способен резко ускорить анализ новых регионов. Большинство подобных исследований последнего времени выполнялось на годичном или десятилетнем временных масштабах, отмечает Дакота Пайлс, аспирант FAU, возглавивший второе исследование по картированию девяти лет динамики ледников на Шпицбергене. В отличие от наблюдений с низкой периодичностью, Пайлс смог генерировать ежемесячные данные о фронтах отёла для каждого ледника — всего более 203 294 аннотаций, — что даёт гораздо более детальную картину изменения ледовой динамики на архипелаге.
«Мой проект был бы невозможен в том масштабе, на который мы замахиваемся, без этой модели, — говорит Пайлс. — Так что это огромное подспорье для нас и в целом для продвижения гляциологии».
В долгосрочной перспективе подход может позволить частично автоматизировать мониторинг ледников по всему миру на протяжении длительных периодов, считает Гурмелон.
«Нам всё ещё нужны некоторые размеченные изображения из конкретного региона или с конкретного спутника, чтобы сначала обучить модель, но затем её можно использовать, — поясняет она. — Если способ съёмки остаётся неизменным и область наблюдения не меняется, повторная калибровка не потребуется».