Forskere har trent et kunstig intelligens- eller AI-system til å kartlegge nøyaktig i løpet av et hundredels sekund overflaten og konturen til gigantiske isfjell fanget i satellittbilder.

Dette er et stort fremskritt sammenlignet med eksisterende automatiserte systemer som sliter med å skille isfjell fra andre elementer i bildet.

Menneskelig eller manuell tolkning av satellittbilder er det andre alternativet, og selv om resultatene er nøyaktige, kan det ta flere minutter å avgrense konturene til et enkelt isfjell. Hvis dette må gjentas flere ganger, blir prosessen fort lang og arbeidskrevende.

Isfjell har en betydelig innvirkning på polarmiljøet, og deres overvåking er avgjørende for både sjøsikkerhet og vitenskapelige studier. De kan være ekstremt store – i noen tilfeller på størrelse med små land – og utgjøre en risiko for passerende skip. Når isfjell smelter, frigjør de næringsstoffer og ferskvann til havet, noe som kan påvirke marine økosystemer.

Dr Anne Braakmann-Folgmannsom ledet studien mens han foretok doktorgradsforskning ved Polar observasjons- og overvåkingssenter ved University of Leeds, sa: «Isfjell finnes i vanskelig tilgjengelige deler av verden og satellitter er ikke bare et fantastisk verktøy for å observere hvor de er, de kan hjelpe forskere med å forstå prosessen med smelting og til slutt begynne å gå i stykker.

«Å bruke det nye AI-systemet løser noen av problemene med eksisterende automatiserte tilnærminger, som kan slite med å skille isfjell fra annen is som flyter på havet eller til og med en nabokystlinje som er til stede i samme bilde.»

Nevrale nettverket

Dr. Braakmann-Folgmann og kollegene brukte en algoritme kalt U-net – en type nevrale nettverk – for å «trene» en datamaskin til å nøyaktig kartlegge omrisset av isfjell fra bilder tatt av Sentinel-1-satellittene som drives av European Space Agency.

Som en del av studien ble effektiviteten til U-net-algoritmen sammenlignet med to andre toppmoderne algoritmer som ble brukt til å kartlegge isfjell. De er kjent som k-midler og Otsu. Algoritmene ble programmert til å identifisere det største isfjellet i en serie med satellittbilder.

Bilde 1 viser U-nett-algoritmen som korrekt identifiserer isfjellet, som er uthevet i rødt. Til sammenligning identifiserte k-betyr-algoritmen feilaktig en gruppe mindre isfjell og isfragmenter, vist i blått, som et enkelt stort isfjell. Dette er avslørt på bilde 2.

Bilder 2. Fotokreditt: Dr. Anne Braakmann-Folgmann og European Space Agency

Bilde 3 viser U-nettet som korrekt identifiserer isfjellet, denne gangen omgitt av havis. Isfjellet er uthevet i rødt og havisen er vist som en grå struktur. Imidlertid identifiserte k-middelalgoritmen isfjellet og havisen som et enkelt isfjell. Han er ikke i stand til å se forskjell på de to, selv om de er forskjellige gjenstander, havisen er flat is på havet og et isfjell som truer noen meter over. Vist på bilde 4

Bilder 3. Fotokreditt: Dr Anne Braakmann-Folgmann og European Space Agency

Bilder 4. Fotokreditt: Dr Anne Braakmann-Folgmann og European Space Agency.

Bilde 4. Fotokreditt: Dr Anne Braakmann-Folgmann og European Space Agency.

Dr. Braakmann-Folgmann, nå basert ved Norges arktiske universitet i Tromsø, sa at teknologien kan gi opphav til nye tjenester som gir informasjon om formen og størrelsen på gigantiske isfjell. Gjeldende karttjenester viser kun median eller sentral plassering og lengde på isfjell. Tolking ved hjelp av denne nye tilnærmingen gjør det mulig å beregne deres kontur og overflateareal.

Hun la til: «Å kunne automatisk kartlegge omfanget av isfjell med økt hastighet og nøyaktighet baner vei for en operativ tjeneste som gir isfjellskisser på regelmessig og automatisert basis.

«Ved å kombinere dem med målinger av isfjelltykkelse lar forskere også overvåke hvor gigantiske isfjell slipper ut store mengder ferskvann i havene. Det er tjenester som gir data om plasseringen av isfjell – men ikke deres omriss eller overflateareal.

Nøyaktighet av kartleggingssystemet

Systemet ble testet på satellittbilder av syv isfjell, som alle ble målt mellom størrelsen på byen Bern – 54 km2; og Hong Kong – 1052 km2. For hvert av disse isfjellene ble det brukt opptil 46 bilder som dekker alle årstider fra 2014 til 2020.

I en serie tester overgikk U-net de to andre algoritmene og var mer effektiv til å avgrense kantene på et isfjell i bilder tatt når miljøforholdene var vanskelige, for eksempel bildet som fanget mange isstrukturer.

I maskinlæring er F1-poengsummen en evaluering av en algoritmes ytelse og varierer fra 0 til 1, med verdier nærmere én som viser mer nøyaktighet. U-net oppnådde en F1-score på 0,84. De to andre algoritmene fikk begge 0,62.

Andrew Shepherd, professor ved Northumbria University og en av medforfatterne av studien, sa: «Denne studien viser at maskinlæring vil tillate forskere å overvåke avsidesliggende og utilgjengelige deler av verden i nesten sanntid. Etter hvert som den lærer, vil algoritmen bli mer nøyaktig ettersom den lærer av feil i måten den tolker et satellittbilde på.

Mer informasjon

Avisen – «Kartlegge omfanget av Antarktis gigantiske isfjell med Deep Learning» er publisert i tidsskriftet The Cryosphere.

Send en e-post til David Lewis ved University of Leeds Press Office.

Toppbilde: Adobe photostock