Großräumige automatische Segmentierung der Kalbungsfront und Analyse der frontalen Ablation arktischer Gletscher mit Hilfe von Synthetic-Aperture-Radar-Bildsequenzen

• Antragsteller: Dr.-Ing. Vincent Christlein; Dr. Thorsten Seehaus
• Fachliche Zuordnung: Physische Geographie ; Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
• Förderung: Förderung seit 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 512625584

Die Gletscher der Arktis sind insbesondere auf Grund des Phänomens der arktischen Verstärkung stark vom globalen Klimawandel betroffen. Daher tragen sie erheblich zum derzeitigen Meeresspiegelanstieg bei. Es gibt nur wenige Informationen über die Variationen der Gletscherfrontpositionen sowie über die Entwicklung der frontalen Ablation und ihrer Treiber für die zahlreichen kalbenden Gletschern in der Arktis. Die stetig wachsende Menge an verfügbaren Fernerkundungsdaten, insbesondere seit dem Start der Sentinel-Satelliten im Rahmen des Copernicus-Programms der ESA zusammen mit der Europäischen Kommission, ermöglicht jedoch die räumliche und zeitliche ausgedehnte Überwachung von Gletscherveränderungen. Im Rahmen des vorgeschlagenen Projekts wollen wir Deep-Learning-Techniken anwenden, um die Positionen der Kalbungsfront arktischer Gezeitengletscher mit Hilfe von Sentinel-1-SAR-Bildern automatisch zu kartieren. Dazu werden wir verschiedene Deep-Learning-Segmentierungsmodelle implementieren und evaluieren und dabei auch Zeitreiheninformationen aus SAR-Bildsequenzen einbeziehen. Um die Robustheit und Leistung unserer Segmentierungsergebnisse zu verbessern, werden wir das „field-of-view“ durch die Einbeziehung von Aufmerksamkeitsmechanismen erweitern, Multitasking-Lernen anwenden und unser bestes Modell mittels semi-supervised Learning auf Gletscher „fine-tunen“, die noch nicht in der Trainingsdatenbank enthalten sind. Weiterhin, wird eine genaue Fehlerabschätzung die Interpretierbarkeit der Ergebnisse unseres Modells erhöhen. Für das beste Modell wird eine vollautomatische Verarbeitungspipeline implementiert und auf die riesige Menge an verfügbaren Sentinel-1-Bildern in der Arktis angewendet. Anschließend werden die gewonnenen Daten über Veränderungen der Gletscherfront mit Informationen über den Eisfluss an den Gletscherzungen und klimatischen Massenbilanzdaten kombiniert, um die frontale Ablation zu berechnen. Durch die Einbeziehung von Daten über die Gesamtmassenbilanzen der Gletscher und klimatischen Massenbilanzen aus regionalen Klimamodellen oder Downscaling von Reanalysedaten wird der Beitrag der Frontalen- und Oberflächenmassenbilanzen zur Gesamtmassenbilanz ermittelt. Schließlich werden die erzielten Ergebnisse über Gletscherveränderungen in Kombination mit atmosphärischen, ozeanischen, Meereis- und Gletschergeometrie-Parametern mit Hilfe multivariater statistischer Ansätze analysiert, um die treibenden Kräfte der beobachteten Gletscherveränderungen zu identifizieren. Die Projektergebnisse werden dazu beitragen das Verständnis der ablaufenden Prozesse und des Zusammenspiels der verschiedenen Sphären zu verbessern. Darüber hinaus werden grundlegende Referenzdaten für numerische Gletschermodellierungen generiert, die in der Folge zu verbesserten Projektionen der Gletscherentwicklung und Meeresspiegeländerung führen.

• DFG-Verfahren: Sachbeihilfen