A Friedrich-Alexander University (Németország) kutatói egy meglévő, jégmozgást követő modellt tanítottak meg arra, hogy kalvációs frontokat — vagyis azt a határt, ahol a jégtömeg hegymászva leszakad és jéghegy lesz — térképezzen, minimális helyi címkézéssel. A módszerrel a pozíciós hibát több mint egy kilométerről 68,7 méterre csökkentették, ami emberi jelöléssel összevethető pontosságot jelent. A csapat ezután havi határokat rajzolt meg Norvégia Svalbard-archipelágjának mind a 145 gleccserére kilenc éven át, több mint 203 000 annotáció létrehozásával, és bővítést tervez hozzávetőleg 1 500 további sarki gleccserre.
Mit tettek pontosan a kutatók?
- Alapként egy már bevált, gleccserkövetésre használt modellt használtak. Nem alapítottak új eljárást, hanem a meglévőt finomhangolták kevés helyi adattal.
- Minden egyes gleccserhez egy kézzel címkézett kép szolgált tanító adatként, kiegészítve nyári referenciafelvételekkel és a jégtalap alatti kőzet térképével.
- Ezzel a minimális, de célzott bemenetkészlettel a modell képes volt automatikusan meghatározni a kalvációs frontok helyét sokféle helyszínen.
Műszaki eredmények és adatok
- A modell hibamértéke több mint 1 000 méterről 68,7 méterre csökkent.
- Ez a pontosság a kutatók szerint emberi jelölők által elérhető szinttel vetekszik.
- A csapat havi frekvenciával követte nyomon a frontokat mind a 145 Svalbard-gleccserre kilenc évre visszamenőleg, összesen több mint 203 000 automatikus annotációt készítve.
- A következő tervek között szerepel kb. 1 500 további sarki gleccser bevonása a módszerbe.
Miért fontos ez a klímakutatás szempontjából?
Hosszú ideje a gleccsermegfigyeléseket emberi kéz és szem korlátozta: a műholdfelvételek elemzése lassú, és jóval kevesebb szakértő áll rendelkezésre, mint amennyi jégtest nyomon követésre szorul. Ennek következtében a legtöbb adat éves vagy évtizedes időléptékű volt — nem az események valódi, gyors ütemét tükrözte.
A bemutatott módszer ezt a korlátot enyhíti: az automatizálás lehetővé teszi, hogy a megfigyelések ritmusa érdemben megnőjön, a holnaptól elérhető felvételek helyett havi időfelbontású nyomon követésre váltsanak. A kutatók szerint enélkül a projekt ilyen léptékben nem lett volna kivitelezhető.
Következmények és korlátok
A megközelítés nem változtatja meg a műholdfelvételek minőségét, és nem pótolja minden esetben a helyi terepi méréseket, de jelentősen növeli az emberi erőforrások hatékonyságát a gleccserfrontok feltérképezésében. A módszer skálázhatósága kulcsfontosságú: ha sikerül a további 1 500 gleccserre is alkalmazni, lényegesen részletesebb és gyakoribb adatsort kapnak a kutatók a jégtömegek változásairól.
Összegzés
A Friedrich-Alexander University kutatóinak munkája megmutatta, hogy mesterséges intelligencia használatával a gleccserkalvációk havi monitorozása műszakilag megvalósítható és emberi szintű pontosságot érhet el. Ezzel a klímakutatás egy fontos, emberi figyelem által korlátozott területén nőhet meg az adatok időbeli felbontása és a skálázhatóság.
