21.09.2022
Künstliche Intelligenz zur Kartierung von Gletscherfrontlagen
Mit einer Kalbungsfront von über 100 km ist der Humboldt Gletscher (Nordwest-Grönland) der breiteste Gletscher der nördlichen Hemisphäre. Unser KI-Verfahren zur automatisierten Kartierung von Gletscherfrontlagen eröffnet hier neue Möglichkeiten für eine kontinuierliche Überwachung.
Obwohl der Grönländische Eisschild aufgrund seiner räumlich differenzierten Dynamik oftmals in einzelne Einzugsgebiete gegliedert wird, verkörpert seine Gesamtheit ein zusammenhängendes Gletschersystem. Eismassen werden dabei über eine Vielzahl an Ausflussgletschern in den Ozean abgeführt. Die Kartierung der Frontlagen dieser Ausflussgletscher und ihrer zeitlichen Variationen trägt maßgeblich zum Verständnis der Eisdynamik und damit zu einer zuverlässigeren Modellierung bei. Die stetig ansteigende Verfügbarkeit und Qualität satellitenbasierter Beobachtungsdatendaten ermöglicht zwar eine flächendeckende und kontinuierliche Beobachtung, hebt aber gleichzeitig die Notwendigkeit automatisierter Kartierungverfahren hervor. Ein Großteil aktueller Datensätzen beruht auf manueller Kartierung – ein sehr zeitaufwendiger, und angesichts des Datenvolumens nicht sehr praktikabler Prozess.
In der kürzlich veröffentlichen Studie "Extracting Glacier Calving Fronts by Deep Learning: The Benefit of Multispectral, Topographic and Textural Input Features" stellen wir ein Verfahren zur automatisierte Frontlagenkartierung vor. Dabei wenden wir Methoden der Künstliche Intelligenz, speziell des deep learnings, auf optische Satellitenaufnahmen an. Außerdem bewerten wir den Einfluss multisprektraler, topgrafischer sowie texturaler Zusatzinformationen auf die Vorhersageleistung des Verfahrens.
Die Forschung erfolgte im Rahmen des multidisziplinären Forschungsprojektes „Künstliche Intelligenz für kalte Regionen“ (AI-CORE) ein, dass wir in Zusammenarbeit mit Partnern vom Deutschen Zentrum für Luft- und Raumfahrt (DLR) sowie dem Alfred-Wegener-Institut, Helmholtz-Zentrum für Polar- und Meeresforschung (AWI) bearbeiten.
E. Loebel, M. Scheinert, M. Horwath, K. Heidler, J. Christmann, L. D. Phan, A. Humbert, X. X. Zhu. "Extracting Glacier Calving Fronts by Deep Learning: The Benefit of Multispectral, Topographic and Textural Input Features," in IEEE Transactions on Geoscience and Remote Sensing, 2022, doi: 10.1109/TGRS.2022.3208454.
© Sven Ellger
wiss. Mitarbeiter
NameErik Loebel M.Sc.
Eine verschlüsselte E-Mail über das SecureMail-Portal versenden (nur für TUD-externe Personen).