追蹤冰川消融的速度對於衡量氣候變遷的進程和預測未來海平面上升至關重要。這通常是一項艱鉅的人工任務，但一種新方法能讓 AI 分析全球任何地方的冰川衛星影像，有助於自動化監測過程。直接流入海洋的冰川在地球氣候中扮演著關鍵角色，但全球暖化正使其消退速度越來越快。
當冰塊從「崩解鋒面」（冰川末端，冰山從此處斷裂入海）脫落時，會將大量淡水傾倒入海中，這可能改變洋流並導致海平面上升，進而產生嚴重的連鎖反應。明亮的白色冰川也能反射大量陽光；當它們縮小，便會露出吸收太陽熱量的深色海水。所有這些都意味著追蹤冰川流失對於理解局部和全球氣候條件將如何隨時間變化至關重要。
然而，全球需要監測的冰川數量遠遠超出人類分析師的能力。人們希望基於 AI 的影像分析能彌補這一差距，但先前的模型在未包含於其訓練資料的區域表現不佳。鑑於手動標註影像的困難性，這嚴重限制了該方法的適用性。現在，一篇被 IEEE 國際影像處理會議 (ICIP) 接受的論文顯示，一個用於追蹤冰川崩解鋒面的領先深度學習模型，只需最少的額外資料即可適應新地點。
德國埃爾朗根-紐倫堡大學 (FAU) 的研究人員指出，透過提供三類資訊：每座冰川一張手動標註影像、未標註的夏季參考影像，以及一張底層岩石地圖，該模型的誤差（模型邊界與實際邊界之間的平均距離）從超過一公里縮減至不到 70 公尺。在相關研究中，該論文的一些作者已將此方法付諸實踐，用於提取挪威斯瓦爾巴群島所有 145 座冰川從 2015 年到 2024 年的每月崩解鋒面位置。
該團隊現在希望將此方法擴展到北極地區的另外 1,500 座冰川。FAU 博士生兼 ICIP 論文共同主要作者 Nora Gourmelon 表示：「這關乎更好地理解冰川，以及它們如何應對氣候變化。當你了解過去，你就能更有希望地理解它們未來將如何變化。」
減少誤差範圍。Gourmelon 表示，過去，劃定崩解鋒面需要學生和研究人員仔細審視衛星雷達影像，手動描繪冰川與海洋之間的邊界。然而，這個過程非常耗時，因此許多研究團隊一直在嘗試使用電腦視覺模型來自動化這個過程。2023 年，Gourmelon 及其同事製作了一個包含南極洲、格陵蘭和阿拉斯加七座冰川的 681 張雷達影像資料集，並手動標註了崩解鋒面，以協助訓練和評估新模型。
但當他們將一個在此資料集上訓練的先進深度學習模型應用於斯瓦爾巴群島先前未見的冰川時，他們發現其平均誤差高達 1,131.6 公尺。顯然，為每座要分析的新冰川收集足夠的手動標註資料來重新訓練模型是不可行的，因此作者們試圖找到一種更有效的方法來提升性能。
他們為斯瓦爾巴群島所有 145 座冰川製作了一張手動標註的崩解鋒面影像，並將其與每座冰川的數張原始衛星影像結合，建立了一個包含 5,539 張影像的新訓練集。當他們使用這些新資料和原始基準資料重新訓練模型時，誤差降至 445.3 公尺。隨後，他們開發了兩種新穎的策略來進一步提高準確性。
對於人類和 AI 來說，區分冰川邊界與冰塊混合物（在崩解鋒面累積的浮冰、海冰和雪的混合物）可能很棘手。因此，當研究人員上傳一系列冰川影像供模型標註時，他們包含了三張夏季影像，此時冰塊混合物不存在，冰川邊界清晰可見。這些影像作為模型的參考點，將誤差降至 204.6 公尺。
作為最後一步，研究人員還向模型提供了每座冰川下方岩石的靜態地圖，該地圖源自 Open Street Map 資料，勾勒出斯瓦爾巴群島的海岸線。這將誤差大幅削減至僅 103.6 公尺。透過運行五個不同版本的模型並平均其輸出，研究人員最終將誤差降至 68.7 公尺。
儘管這聽起來可能仍然相當不精確，但 Gourmelon 表示這與人工標註的誤差率相當。她說：「人類在標註時本身就不太一致，尤其是在有冰塊混合物或衛星影像解析度不佳時。」自動化冰川建模。儘管這種方法仍需要一些前期工作，但它能顯著加快新區域的分析速度。
FAU 博士生 Dakota Pyles 表示，大多數此類最新研究都是以年度或十年為時間尺度進行的，他領導了第二項研究，繪製了斯瓦爾巴群島九年的冰川動態圖。與較低頻率的追蹤相比，Pyles 能夠為該研究中的每座冰川生成每月崩解鋒面，總計超過 203,294 個標註，提供了該群島冰動態如何變化的更精細視圖。
Pyles 說：「如果沒有這個模型，我的專案就不可能達到我們所追求的規模。因此，這對我們來說是一個巨大的好處，也普遍有利於冰川學領域的進步。」Gourmelon 表示，從長遠來看，這種方法有望實現全球冰川長期監測的部分自動化。她說：「我們仍然需要一些來自特定區域或衛星的標註影像來進行初步訓練，但之後就可以使用了。如果影像的捕捉方式和觀測地點保持一致，那麼就不需要重新校準。」