Výzkumníci z University of Leeds představili výsledky svého přelomového vývoje, který vedl ke vzniku neuronové sítě schopné přesně zmapovat rozsah ledovců v Antarktidě. Síť je schopna během pouhé setiny sekundy provést analýzu družicových snímků a předložit výsledky. Tento inovativní přístup je nesrovnatelný s doposud využívaným časově náročným procesem, který obnášel intenzivní zapojení lidí. Anne Braakmann-Folgmannová, hlavní autorka výsledků zveřejněných v časopise The Cryosphere, prováděla tento výzkum během svého doktorandského studia na University of Leeds ve Velké Británii. Nyní pracuje na Arktické univerzitě v norském Tromsø a zdůraznila význam velkých ledovců v antarktickém prostředí.

„Obrovské ledovce jsou důležitými prvky prostředí Antarktidy, které ovlivňují fyziku, chemii i biologii oceánů a samozřejmě také námořní dopravu. Z tohoto důvodu je nezbytně nutné lokalizovat ledovce a monitorovat jejich rozsah, aby bylo možné kvantifikovat, kolik vody se z nich po rozpuštění uvolní do oceánu,“ vysvětluje Anne Braakmann-Folgmannová. Co se týče poskytování snímků ledovců bez ohledu na oblačnost či absenci denního světla, pak klíčovou roli hrají evropské radarové mise Sentinel 1. Není se tedy co divit, že tyto družice budou intenzivně zapojeny i do inovativního přístupu, který do mapování ledovců zapojuje umělou inteligenci.

Když byste ledovce fotili z oběžné dráhy pomocí klasických fotoaparátů ve viditelném světle, zjistili byste, že jejich bílá barva je téměř nerozlišitelná od mořského ledu, či mraků. Jen stěží byste pak určovali, co je ledovec a co už ne. Oproti tomu na radarových snímcích (třeba od Sentinelu 1) se ledovce ukazují jako jasné objekty, které ostře kontrastují s tmavším oceánem a mořským ledem v pozadí. I tak ale mohou nastat situace, kdy je okolí ledovců velmi komplexní. Pak může být odlišení ledovců od moře, či dokonce od pobřeží, velmi náročné.

„Občas jsme se dost trápili s oddělováním ledovců od okolního mořského ledu, který je hrubší a starší a proto na družicových snímcích vypadá jasnější. To samé se týká větrem zčeřené hladiny oceánu,“ vzpomíná Braakmann-Folgmann a dodává: „Kromě toho se také kolem ledovců objevují jejich drobné úlomky. Tyto kousky, které se neustále oddělují od stěn ledovce, mohou být snadno omylem započítány k hlavnímu ledovci. A aby toho nebylo málo, tak antarktické pobřeží může na družicových snímcích připomínat ledovce, takže standardní segmentační algoritmy často  vybírají i pobřeží, a nikoli pouze samotný ledovec.“

Nový přístup s neuronovou sítí však exceluje při mapování ledovců i při těchto extrémních případech. Jeho síla spočívá ve schopnosti neuronové sítě porozumět složitým nelineárním vztahům a vzít úvahu kontext celého obrázku. Pro efektivní sledování změn plochy a mocnosti ledovce, což jsou nezbytné parametry pro pochopení, jak se ledovce rozpouštějí a uvolňují sladkou vodu a živiny do oceánu, je klíčové určit konkrétní obří ledovec pro průběžné sledování. Neuronová síť představená v této studii je vysoce úspěšná při identifikaci největších ledovců na každém snímku. Oproti tomu srovnávací metody často vyberou o něco menší ledovce v okolí.

Architektura neuronové sítě je založena na renovovaném designu U-net. Autoři vsadili na pečlivou fázi učení, kdy se systém trénoval na snímcích ze Sentinelu 1. Jednotlivé snímky zachycovaly ledovce za různých podmínek s manuálně odvozenými hranicemi, které sloužily jakožto cíl. V rámci procesu tréninku systém průběžně zpřesňoval své predikce, upravoval své parametry na základě rozdílů mezi manuálně odvozenou hranicí a výsledkem své predikce. Fáze trénink skončila automaticky ve chvíli, kdy systém dosáhl optimálních výsledků, což zajistilo jeho přizpůsobitelnost a úspěšnost na nových snímcích.

Algoritmus byl trénován na sedmi ledovcích, jejichž plocha byla od 54 do 1052 kilometrů čtverečních, což odpovídá Bernu, respektive Hong Kongu. Rozmanité balíky dat obsahovaly mezi 15 a 46 snímky každého ledovce, které byly pořízeny mezi roky 2014 a 2020. Pestrosti datových sad bylo dosaženo tím, že se použil jediný snímek každého ledovce za měsíc. Výsledkem byla 99% přesnost, což je působivé. „To, že jsme schopni automaticky zmapovat rozsah ledovce s vylepšenou rychlostí a přesností nám umožní snáze sledovat změny na několika obřích ledovcích, což nám otevře cestu k provozním aplikacím,“ uvedla Braakmann-Folgmannová.

„Družice jsou samozřejmě nezbytné ke sledování změn a pochopení procesů, ke kterým dochází daleko od civilizace. Tato nová neuronová síť automatizuje to, co by jinak bylo manuální a časově náročnou činností v podobě lokalizace a hlášení rozsahu ledovce,“ říká Mark Drinkwater z ESA a dodává: „Gratulujeme týmu k představení tohoto inovativního přístupu ke strojovému učení, díky kterému dosáhli robustní a přesné metody pro monitorování změn ve zranitelné oblasti Antarktidy.“

Přeloženo z:
https://www.esa.int/

Zdroje obrázků:
https://www.esa.int/…/Icebergs_in_the_Amundsen_Sea_off_the_west_coast_of_Antarctica.jpg
https://www.esa.int/…/13494392-1-eng-GB/Sentinel-1_radar_vision.jpg
https://www.esa.int/…/25185928-1-eng-GB/Using_AI_to_measure_the_size_of_icebergs.gif