ブログ

Oct 31, 2023

アイスライン

volume di dati scientifici 10,

Scientific Data volume 10、記事番号: 138 (2023) この記事を引用

1338 アクセス

9 オルトメトリック

メトリクスの詳細

棚氷の正面位置は、氷の力学的モデリング、質量流束の計算、氷河面積の変化のマッピング、氷山生成率の計算、および海洋への氷の放出の推定にとって重要なパラメータです。 これまで、南極の分娩前線の位置に関する継続的かつ最新の情報は、時間がかかる前線の手動描写と、以前は適切な地球観測データの量が限られていたため、不足していました。 ここでは、前例のない時間的および空間的解像度で分娩前線の変化を評価するための、南極の棚氷前線の位置に関する新しいデータセットである IceLines を紹介します。 19,400 を超える分娩前線の位置が自動的に抽出され、Sentinel-1 の時代 (2014 年から現在) の分娩前線の変化を示す年間および年内の密な時系列が作成されました。 分娩前線の時系列は、DLR がホストする EOC GeoService 経由でアクセスでき、毎月更新されます。 提示された IceLines データセットは、科学的研究やモデリングに分断フロントのダイナミクスを簡単に組み込んで氷床のダイナミクスについての理解を深める可能性を初めて提供します。

南極の海岸線の 4 分の 3 は、南極氷床 (AIS) の氷の放出を制御する浮氷棚で構成されています1。 棚氷を後退させたり、さらには崩壊させるとバットレス効果が減少し、その結果 AIS2 の質量損失が増大する可能性があります。 過去数十年以内に、南極半島 (AP) と西南極氷床 (WAIS) に沿った崩壊現象により、南極氷棚の動的な挙動と脆弱な状態が実証されました 3,4,5。 1997 年以降の合計では、前線の前進による棚氷面積の増加と比較して、崩壊と分割現象による南極の棚氷面積の損失の方が圧倒的に大きかった6,7。 棚氷の成長と崩壊は、内部の氷の力学、棚氷の形状、ピンニングポイント、河床の地形、外部の機械的および気候的な力などのいくつかの要因によって制御されます。 長期にわたる大気と海洋の強制力が、AP と WAIS に沿った棚氷前線の後退を引き起こすという証拠が増えています3、4、8、9、10。 東南極氷床 (EAIS) については、分断前線の時系列が短く、頻度も低いため、一連の証拠はそれほど明確ではありません 7、11、12、13。 分娩前線の位置は、海洋学、海氷、氷河学、陸地または海洋の生態学に焦点を当てた南極の研究にとって重要な価値があります。 特に氷河学では、前線の位置は、氷の力学的モデリング 14、質量流束の計算 15、氷河面積の変化のマッピング 8、氷山の生成率の計算 16、および氷塊の海洋への輸出の推定 17 にとって重要なパラメータです。 したがって、AIS の質量の減少または増加を決定する氷床のダイナミクスをより深く理解するには、年未満の分娩フロントのダイナミクスとその短期制御メカニズムに関する知識が不可欠です12,15。 しかし、これまでのところ、時間のかかる手動の前線描写と、以前は利用できる衛星画像が限られていたため、そのようなデータは AIS 全体には存在しません12。 分娩前線の描写という退屈な手作業を克服するために、従来の画像技術を使用して自動化されたアプローチが開発されてきました。これは、海氷と表面融解の季節変動のため、分娩前線を年単位で抽出するのには適していません 18,19,20 。 現在までのところ、分娩前線の位置変化の正確かつ緻密な時系列を提供できるのは、深層学習ベースのアプローチだけです21、22、23。

私たちはこれらの革新的な技術を活用し、継続的かつ最新の分娩前線時系列を提供する南極の棚氷前線の位置のデータセットである IceLines24 を導入します。 IceLines は、センチネル 1 号レーダー画像から自動的に抽出された南極の棚氷のさまざまな時間スケール (日次、月次、四半期、年次) での分断前線位置 (CFL) を提供する、新しい深層学習ベースのフレームワークです。 データセットには、SCAR Composite Gazetter25 によってリストされている、少なくとも幅 30 km の無傷の南極の棚氷がすべて含まれています。 さらに、重要な関心のある 6 つの動的な氷河前線 (パイン アイランド氷河など) がモニタリングのために選択されました。 図 1 は、IceLines が現在監視している棚氷前面と氷河舌を示しています。 Sentinel-1 データの可用性に応じて、提供される分娩前線時系列は 2014 年から今日までの期間をカバーし、毎月自動的に更新されます。 IceLines データ 24 は、DLR の GeoService (https://geoservice.dlr.de/web/maps/eoc:icelines) を通じて無料で利用できます。

IceLines で継続的に監視されるすべての棚氷前面の概要。 IceLines で生成された棚氷前線の時系列例を側面に示します。 コペルニクス センチネル-1 データ 2022。

IceLines24 は、南極の棚氷前線の位置を自動的に監視し、分娩前線の変化に関する高密度の時系列を提供するために開発されました。 時間のかかる手動の正面描写では急速に成長する衛星アーカイブに追いつけないため、これには高度な自動化が必要です12。 図 2 は、IceLines の処理パイプライン全体を示しており、次の 6 つのステップに分割されています: データのダウンロード、衛星データの前処理、畳み込みニューラル ネットワーク (CNN) のトレーニング、自動前線抽出のための推論、前線予測の後処理そして時系列の生成。 個々の処理ステップをすべて以下で説明します。

IceLines のワークフローは、衛星シーンのダウンロード、前処理、畳み込みニューラル ネットワーク (CNN) のトレーニング、自動前線抽出のための推論、前線予測の後処理と時系列生成に分かれています。

月単位で、利用可能な Sentinel-1 GRD EW シーン (解像度 40 m) が、Alaska Satellite Facility Distributed Active Archive Center (ASF DAAC) から関心領域 (AOI) によって定義された監視対象の棚氷ごとにダウンロードされます26。 定義されたタイル サイズ (ピクセル単位) で深層学習モデルにより多くの空間コンテキストを提供し、南極海岸線上の二重偏波 EW シーンのデータ カバレッジが IW データより優れているため、EW データを選択しました。 不必要な大量のデータと、選択した前線を部分的にしかカバーしないシーンの処理を避けるために、各前線を完全にカバーする適切な衛星軌道をフィルタリングすることによってダウンロードが制限されます。 したがって、毎日の前線位置の利用可能性は、前線をカバーするセンチネル 1 の捕捉に依存し、月あたり約 1 回から 8 回の観測で変動する可能性があります。 南極におけるセンチネル 1 のデータ利用可能性は、センチネル B の打ち上げによる 2017 年 5 月の取得計画の調整前と、2021 年 12 月の失敗後は制限されています。前線がシーン全体で完全にカバーされない場合、隣接する同日に取得したシーンは前処理後に結合されます。 前処理は、Docker コンテナ内の 63 ノード (32/64 GB RAM) を備えた Hadoop クラスター上の ESA SNAP Toolbox27 のグラフ処理ツールを使用して実行されます。 単一偏光シーンの場合、前処理には、棚範囲へのサブセット化、熱ノイズ除去、放射測定キャリブレーション、TanDEM-X PolarDEM 90 m28 による幾何学的地形補正、および幅 100 km の海岸線バッファーによる画像のマスキングが含まれます。 さらに、二重偏光画像の場合、Baumhoer et al. で説明されているように、HH 偏光と HV 偏光の比率が計算され、シーン スタックに追加されます。 2019年（参考文献23）。

分娩前線は、Heidler et al.29 によって最初に開発され、IceLines での南極周回利用に適応された HED-UNet で抽出されます。 この適応には、17 の沿岸地域 (2 つだけではなく) をカバーする 81 の Sentinel-1 シーン (11 シーンではなく) を含む、より多様なトレーニング データ セットと、二重偏光画像と単一偏光画像を自動的に認識して予測するネットワークの機能が含まれています。 2017 年より前に取得された Sentinel-1 画像には 1 つの偏光しか含まれていないため、これは必要です。 さらに、一部の沿岸地域では、Sentinel-1 の取得期間全体を通じて単一偏光画像のみが利用可能です (例: ベリングスハウゼン海)。

HED-UNet は、セグメンテーションとエッジ検出の 2 つの原理に基づいて構築された分娩前線の抽出のために特別に設計されたニューラル ネットワーク アーキテクチャです。 セグメンテーションは氷河ピクセルと海洋ピクセルを区別することを目的としていますが、エッジ検出は分割前面のピクセルを直接分類します。 HED-UNet は両方のアプローチを組み込んで、モデルが氷床、海洋、分娩帯に特徴的な視覚的パターンを学習することを促進します。 複数の解像度レベルで作業することにより、このモデルは以前のモデルよりも大きな空間コンテキストを考慮することができ、これは前線検出のタスクにとって重要であることがわかっています。 トレーニング データは、2017 年 5 月から 2019 年 8 月までの期間をカバーしています。

図 3 は、個々の棚氷または氷河ごとに分類されたトレーニング データの分布を示しています。 一部の棚氷は同じシーンでカバーされているため、一部の棚氷ではトレーニング日が同じであることに注意してください。

各棚氷または氷河のトレーニングおよび検証データの配布。 トレーニング データは水色でプロットされ、検証データは濃い青でプロットされます。 紫と灰色の点は、使用された衛星画像の偏光を示します。 トレーニングでは、二重偏光画像をさらに使用して、最初のチャネル (HH 偏光) のみを使用して単一偏光画像の重みをトレーニングしました。 丸と三角は、前面全体がトレーニング/検証に使用されたか、その一部が使用されたかを示します。

後処理ステップでは、クラス「氷床」と「海洋」の HED-UNet セグメンテーション マージ ヘッドの予測確率を使用します。ここで、両方のクラスの境界が海岸線を示します。 経験的に設定された標高閾値 110 m (WGS84 楕円体を基準とした TanDEM-X PolarDEM 90 m28) より上のすべてのエリアをクラス氷床に割り当てることにより、標高閾値が予測確率に適用され、接地線より上のエリアが除外されます。 この閾値は、大幅な接地線の後退と組み合わせて棚氷全体が崩壊する場合を除き、将来の前線位置にも適用されます。 これにより、標高の高い氷床領域の乾雪地帯に関する誤った分類が除去されますが (海洋上の低後方散乱領域と誤認されることもあります)、氷床の低い領域に関する予測には影響しません。 標高サポート予測確率は、50% (季節製品に由来する年間製品の場合は 66%) のしきい値によって 2 値化されます。 その後、形態学的フィルタリングが適用されて、両方のクラスが連続した領域であることが保証されます。 最終的な分類結果を取得した後、月、季節、年ごとに利用可能なすべてのセグメンテーション結果を結合することにより、一時的な集計が適用されます。 月次製品の場合、日次予測確率は平均化によってマージされます。 季節商品と年間商品の場合、月ごとの分類と季節の分類は、それぞれバイナリ マスクを平均することによってマージされます。

IceLines は、複数のタイム ステップの予測を時間的に集約することで、より堅牢なフロントの描写を可能にするため、さまざまな時間スケールでのフロント時系列の計算を提供します。 たとえば、風で荒れた海、メランジ、氷山、または海氷によって時々誤った予測が海上で発生する場合は、いくつかの分類結果を結合することで補正されます。 二値化された分類結果は、氷床として分類された領域からポリゴンを抽出するために使用されます。 ポリゴンからラインが抽出される前に、ポリゴン シェープファイルの有効性 (境界領域、自己交差の有無、マルチパート ジオメトリ、ポリゴンのノッチの取得の試み) がテストされます。 ラインがクリップされてシーンの境界が削除され、海岸線が取得されます。 クリッピング範囲は、15 ピクセルだけ侵食された最初の衛星画像の範囲に等しくなります。 月平均の製品の場合、シーンの範囲が 1 か月以内に変化した場合、シーンの境界が依然として発生する可能性があります。 最後に、監視されている棚氷または氷河ごとに AOI によって海岸線がクリップされ、最終的な分断前線の位置が取得されます。

ディープ ニューラル ネットワークは、速度の面でいくつかの研究で前線検出の優れたパフォーマンスを実証し、依然として手動による描写よりも優れた、または同等の精度を達成しています 21,22,23,29,30,31。 それにも関わらず、氷山、メランジ、表面の融解、または雲の覆いにより、不正確な前線位置が抽出されるという失敗が時折発生します。 これらの誤ったフロントは視覚的に簡単に検出できますが、このプロセスの自動化は依然として困難です。 不適切な光学画像 (例: 雲に覆われ、前線が見えない) を事前に除去することも 21、前線自体をポリゴンの複雑さの測定によって検証することもできます 22。 私たちの場合、どちらのアプローチでも満足のいく結果が得られなかったため、分娩前線の時系列に基づいて信頼性の尺度を作成することにしました。 分娩前線時系列は、Lea et al.32 に記載されている中心線法と同等の垂直中心線に沿って計算されます。 単一の中心線の代わりに、棚氷前面をより適切にカバーし、複数の交差点（クレバスなどによる）が存在する場合は海区の交差点を測定するために、複数の中心線を使用しました。 中心線の数 (棚ごとに 3 ～ 15 の中心線) と中心線の間隔 (3 ～ 65 km) は、棚氷のサイズと前面の複雑さによって異なります。 まれに、棚氷前面領域があいまいに繰り返し抽出されることが知られている場合 (例: 西棚氷前面の D-15 氷山、フィルヒナー氷棚前面の定着氷領域)、中心線はスキップされるか、実際の氷棚前面領域を取得するために移動されます。これらの領域に偏らないフロントの動きパターン。 前線の位置が地表融解の場合には大幅に陸地の内側に寄ったり、メランジュや海氷の被覆により海側に寄ったりするため、時系列内で潜在的に不正確な前線位置が検出される可能性があります。 これらの外れ値を検出するために、分娩前線の位置は 8 つの平均値プラス/マイナス標準偏差 (ある程度のばらつきを考慮して最小 2 ピクセル (80 メートル)) を超えて逸脱できないと想定されます (毎月の場合は 4 つ、月ごとの場合は 4 ピクセル)。季節商品および年間商品）前および連続のフロントポジション。 8 つ（4 つ）のフロント位置により、たとえば表面が溶けている期間中に連続して誤ったフロントを確実にカバーできます。 時系列の終わりにおける最新の前位置は、月次処理中の外れ値検出で再度考慮され、大きな分娩イベントの前位置が最終的に外れ値として分類されないようにします。 実際には、これは、最近の分娩イベントの前部の位置を検索する場合、最初の 3 か月以内に「前部削除」フォルダー内でその位置が見つかる可能性が高いことを意味します。 外れ値として分類された前線の位置は別のフォルダーに保存され、ユーザーはこれらの前線を視覚的に確認することができます。 このアプローチは、前進と後退の明確な移動パターンを持つ前線では信頼性が高く機能しますが、特に日用品の場合、小規模な分娩イベントが頻繁に発生する場合、自信のある前線の位置が多すぎる場合に除外されることがよくあります。 確実な前線検出と潜在的に信頼性の低い前線検出の割合は、棚氷前線の形状、表面融解の期間、定着氷の領域、分断パターンに大きく依存して、1% 未満から 99% までの間で変動します。 平均して、日次フロントポジションの 47.4%、月次フロントポジションの 38.8% でさらなる目視検査が必要です。

IceLines データ セット 24 は DLR の GeoService で入手でき、毎月更新されます。 前面の位置は、各棚氷のライン シェープファイルとして提供されます。 取得した Sentinel-1 シーンよりも棚氷が大きい場合、図 1 に示すように、前線の位置がサブフロントに分割され、番号が付けられます。各フォルダーには、日次、月次、季節および年次ベースで集約されたシェープファイルが含まれています。 それらは、自信を持って抽出されたフロント (フォルダー「フロント」) と、さらなる分析に使用する前にさらなる手動チェックが必要なフロント (フォルダー「フロント削除」) に分けられます。 日次、月次、季節、年次製品のファイル命名規則は次のとおりです。

Daily:[偏光]_[YYYYMMDD]_[S1固有の製品ID]-[棚アイス名].gpkg

月次:[偏波]_[YYYYMM]-[棚氷名].gpkg

季節:[YYYY][Quartal]_mean-[棚氷名].gpkg

年次:[YYYY]noQ1_mean-[棚氷名].gpkg

「1SDH」は前面が二重偏波の入力シーンから抽出されたことを示し、「1SSH」は単一偏波の入力シーンから抽出されたことを示します。 四半期は、第 1 四半期の夏 (12 月、1 月、2 月)、第 2 四半期の秋 (3 月、4 月、5 月)、第 3 四半期の冬 (6 月、7 月、8 月)、および第 4 四半期の春 (9 月、10 月、11 月) からなる南半球の季節として定義されます。 年間平均には、主に表面融解が発生する夏期は含まれていません（ファイル名に「noQ1」で示されています）。 各ファイルの属性テーブルには、先頭位置の日付 ('DATE_')、棚氷名 ('name')、最終更新日 ('updated', yyyymmdd)、およびバージョン番号 ('version') が含まれます。 日次および月次の製品には、対応する Sentinel-1 シーンの名前が含まれます (「s1name」)。 シェープファイルは、南極極地立体投影法 (EPSG:3031) で作成されています。 すべての IceLines24 製品は、DLR GeoService (https://download.geoservice.dlr.de/icelines/files/) から単一の GeoPackage として、または一時的な製品とアイス シェルフごとに「fronts」フォルダーに分離された結合 ZIP ファイルとしてダウンロードできます。 「前線排除。 さらに、DLR GeoService (https://geoservice.dlr.de/web/maps/eoc:icelines) の Web ブラウザーを介して、毎年および毎月の分娩前線の位置を視覚的に探索することができます。

IceLines は、自動的に抽出された毎日の前線と手動の前線描写との間の距離の差を計算することによって検証されます。 これは、導出された前方位置の精度を評価するために一般的に適用される方法です21、23、31。 それにも関わらず、手作業による正面の描写は非常に困難な作業であり、その根底には高度な主観性が伴います。 複数の専門家が同じ戦線を描写すると、常に異なる結果が生成されます12、30、33、34。 したがって、自動化されたフロント位置が手動基準と一致していなくても、必ずしも間違っているとは限りません。 あらゆる種類の異なる分娩前線の形態と取得日を含む包括的な検証を実行するために、精度評価のために 92 の分娩前線が選択されました。 選択基準には、棚氷ごとに 2 つの前線が必要で、1 つは 2014 年 10 月から 2017 年 4 月までの単一偏光画像から得られ、もう 1 つは 2018 年 8 月から 2021 年 10 月までの二重偏光画像から得られました。単一偏光画像のみが利用可能な場合は、2 つの単一偏光サンプルが必要でした。取られた。 どちらの期間も、トレーニング データの期間外となるように選択されました。 トレーニング データと検証データの正確な分布を図 3 に示します。検証日は、各棚氷と期間ごとにランダムな日付サンプルを取得することによって決定されました。 信頼できる前線の抽出から、ランダムに選択された日付に最も近い利用可能な前線の位置が検証のために取得されました。 単一偏光画像に基づいて、フィルヒナー、ロンネ、およびロスとウェストの氷棚の一部について、確実な前線位置を導き出すことができなかったことに言及しなければなりません。 したがって、それらは検証に含めることができませんでした。 これは、それぞれ最初または 2 回目の検証期間中に画像が取得されなかったため、ボードアン氷棚とゲッツ氷棚の一部にも当てはまります。 より大きな棚氷を検証するために、抽出された前線が 1 つの明確に識別可能な衛星シーンのみから派生していることを保証するために、前線がいくつかの部分 (図 3 の三角形で示されている) に再分割されました。 すべての前面部分を合わせると、棚氷の前面全体が覆われます。

手動フロントと自動フロントの距離の違いは、ピクセル間隔 (40 m) の点に沿って手動フロントから自動フロントまでの距離を測定することによってテストされました。 この測定により、抽出された前面が手動の描写とどの程度よく一致しているかがわかります。 図 4 は、各棚氷の平均距離誤差を水色で 95% の信頼度で示しています。 さらに、すべての検証値が表 S1 にまとめられています。 精度は、評価された分娩前線と入力画像の偏光によって異なります。 たとえば、アメリー棚氷とスルツバーガー棚氷の平均距離精度は、図 5 に示すように、単一偏光画像による前面抽出では急速な氷の領域を検出できなかったため、低くなります。スルツバーガー氷棚の前面は、次の点を除いて非常に正確に抽出されます。広大な (>30 km) 流氷地域により、平均距離誤差が大幅に増加します。 コスグローブ氷棚、バッハ氷棚、シュタンゲ氷棚では最高の平均距離精度が得られました (<1 ピクセル)。 平均して、二重偏光画像から抽出された前線の真の平均距離誤差は、信頼度 95% で 209 ± 12 m (5.2 ピクセル) であり、単一偏光画像の場合は 432 ± 21 m (8.8 ピクセル) であり、分娩に関する既存の研究と同等です。南極への前線抽出。 CNN ベースの分娩前線検出に関するこれまでの研究では、グリーンランドの平均距離精度は 96.32 m (1.97 ピクセル)34、86.76 ± 1.43 m (2.25 ピクセル)21、38 m (約 6 ピクセル)30 と 86 m22、108 m (2.7 ピクセル) の間であると発表されています。ピクセル)23、222 ± 23 (ウィルクスランド)29、345 ± 24 (南極半島)29、237.12 m35、南極の場合は 330.63 m (2.35 ピクセル)21。 異なる期間における 130,34 氷河から 6221 氷河にわたる検証データセットの時間的および空間的変動のため、これらの精度は直接比較できないことに注意してください。 さらに比較するために、さまざまな専門家による手動描写は、画像解像度と分娩前線描写の難易度に応じて、92.5 m34、33 m (5.5 ピクセル)30、183 m (4.6 ピクセル)23 の間で異なる可能性があります。

IceLines データセットの検証精度。 各棚氷と氷河について、平均距離と中心線の精度が 95% の信頼度で表示されます。

スルツバーガー氷棚、ホームズ氷河、スウェイツ氷棚の自動化 (青) および手動 (紫) の分娩フロント。 コペルニクス センチネル-1 データ 2022。

IceLines データセット 24 を使用して分娩前線の動きをどの程度正確に決定できるかを評価するために、時系列生成にすでに使用されている垂直中心線に沿って距離精度が計算されました。 正面の動きの精度は、定義された中心線に沿った手動正面と自動正面の間の平均距離として決定されます。 図 4 は、正面移動の精度を濃い青色で示しています。 さらに、精度評価の結果を表 S2 にまとめます。 平均すると、誤差は 95% の信頼度で、二重偏光画像の場合は 63 ± 68 m (1.6 ピクセル)、単一偏光画像の場合は 107 ± 126 m (2.7 ピクセル) です。 図 5 のホームズ氷河で示されているように、氷山と割れた氷河の氷を区別することが困難なため、頻繁かつ小規模な分割現象が発生する氷河 (ホームズ氷河やトッテン氷河、スウェイツ氷河舌など) では中心線の平均不正確さが最も高くなります。 、正面の動きを高精度に評価できます。 検証データセット内の分娩前線の 84% については、入力画像の偏光とは無関係に、前線の動きを 2 ピクセル (<80 m) よりも高い精度で評価できます。

IceLine の包括的な検証により、CNN 由来の分娩前線が、手間のかかる手動の前線描写に代わる優れた正確な代替手段となることが実証されました。 前線の位置は、前面に近い流氷、メランジ、氷山により、手動で描いた前線から、二重偏光画像では 209 ± 12 m (5.2 ピクセル)、単一偏光画像では 432 ± 21 m (8.8 ピクセル) ずれる可能性があります。動きは、デュアル偏光画像の場合は 63 ± 68 m (1.6 ピクセル)、単一偏光画像の場合は 107 ± 126 m (2.7 ピクセル) のより高い精度で決定できます。 IceLines データ セット 24 には、SAR 固有の後方散乱特性により制限が存在します。 表面融解の発生中または乾雪帯（ロンネ、ロス、フィルヒナー氷棚など）内での崩壊前線の検出は、特に単偏光 SAR 画像では依然として困難です。 しかし、照明や雲に依存しない SAR 画像の利点はこれらの制限を上回り、定期的に更新される南極周回分娩前線変化の時系列によって表される IceLines データセット 24 の前例のない価値に大きな影響を与えることはありません。

結論として、IceLines24 を使用して分娩前線の変化を分析するための新たな可能性を示すために、非常に詳細な IceLines データセットの最終印象を提供します。 図 6 は、2015 年から 2021 年までのパイン アイランド湾の分娩前線の月次変化を示しています。パイン アイランド湾の分娩前線の変化は、コスグローブ氷河 (+1.01 km) とスウェイツ棚氷 (+0.78 km) のわずかな前進に至るまで見られるようになります。クロッソン棚氷 (+8.80 km) の着実な前進、スウェイツ氷河舌状部 (-16.86 km) の後退への力強い後退、および 2015 年から 2021 年までのパイン アイランド氷河の頻繁な分断 (合計変化 -19.05 km)。 図 7は、2015 年と 2021 年の南極の棚氷の前線前進速度を示しています。これは、それぞれの年のすべての信頼できる前線位置に基づいて、垂直中心線に沿って計算されました。 出産イベントが 2015 年または 2021 年以内に発生した場合、棚氷前線の前進は、残っている長い前進時系列に基づいて計算されました。 パイン アイランド氷河の進行速度が最も高く、2021 年には年間 4.72 km で、次にスウェイツの舌が 2015 年に年間 4.20 km で続きました。パイン アイランド氷河は、崩壊しつつあるスウェイツの舌とは対照的に、2015 年から 2021 年にかけて加速しました。 すべての棚氷に基づくと、線形回帰トレンドライン (R2 = 0.89) は、より強力な棚氷 (>0.65 km/年) の棚の前進率が 2021 年と比較して 2015 年に若干高くなる傾向を示しています。 この傾向は、2015 年と比較して 2021 年には明確な前進前線が見られないスウェイツの崩壊しつつある氷河舌によって強く支配されていることに言及しなければなりません。この全体的な傾向とは対照的に、パイン アイランド、トッテン、ロス ウェスト、ロンネの前線の前進は顕著です。 、ラーセン C 棚氷とブラント 1 棚氷は、2015 年と比較して 2021 年に加速しました。さらに、2015 年から 2021 年の間に分娩イベントがあった棚は、分娩のない棚と比較して前方前進速度が変化する可能性が高いことは注目に値します (図 7 のシアンの点を参照)。 。 さらに詳しく調べるために、補足にはすべての事前レートを記載した表 S3 が含まれており、図 7 のインタラクティブでズーム可能なバージョンは https://download.geoservice.dlr.de/icelines/files/icelines_auxiliary_v1.zip からアクセスできます。

2015 年から 2021 年までのパイン アイランド湾の分娩前線の変化を、IceLines の毎月の分娩前線の位置で視覚化しました。 右上のプロットは、流れ方向の中心線に沿った各棚/氷河の分断フロントの時系列を示しています。 コペルニクス センチネル-1 データ 2022。

2015 年の南極の棚氷の前進率を 2021 年と比較したものです。すべての棚氷に基づくと、青色の傾向線は、2015 年に高速で移動する前線の前進率が若干高くなる傾向を示しています。参考までに、灰色の線は、変化のない安定した前進率を表しています。基準線より上の点は、2015 年と比較して 2021 年の進歩率が加速していることを示し、下の点はその逆を示しています。 シアンの点は、棚氷が 2015 年と 2021 年の氷河上昇の間に崩壊したかどうかを示します。

IceLines データ セット 24 は、時間のかかる手動による描写を必要とせずに、科学者やモデラーに最新の分娩前部の位置を提供するために作成されました。 多くのフロントではピクセル レベルの精度が達成できますが、抽出された一部のフロント、特に「フロント削除」フォルダーにあるフロントは使用前に手動でチェックする必要があります。 これは地理情報システム (例: QGIS - qgis.org) で行うことができます。 フロント抽出に失敗した領域は、前の位置と連続するフロント位置の間に位置しない巻き線によって簡単に特定できます。 疑わしい場合は、各ファイルの属性テーブルにある固有の Sentinel-1 ID と取得日、または Sentinel-1 のシーン名によって、正面の位置を元の Sentinel-1 画像と比較できます。 Sentinel-1 の画像は、ASF (search.asf.alaska.edu) および ESA (scihub.copernicus.eu) からダウンロードできます。 前処理された Sentinel-1 画像には、Google Earth Engine (earthengine.google.com) 経由でアクセスできます。 さらに、時間的集約が高くなると、フロント抽出が失敗する確率が減少します。 これは、時間的に集計された製品 (月次、季節、年次など) が日次製品よりも優先されるべきであることを意味します。 IceLines データセットは、DOI https://doi.org/10.15489/btc4qu75gr92 に登録されています。

IceLine の処理は、DLR の地球観測センターで利用可能な Cal​​valus システムと GPU クラスターで、独自のソフトウェアと専用の Python (v3.6 および v3.7) スクリプトを使用して実行されます。 独自のツールを使用しているため、実装された処理パイプラインを公に公開することはできません。 ただし、すべての処理ステップは次のようにアクセスして再現できます。Sentinel-1 画像の前処理は、オープン ソースの ESA SNAP ツールボックス 8.0 と図 2 で説明されている処理ステップを使用して再現できます。 Pytorch (v1.7) に基づく Unet は https://github.com/khdlr/HED-UNet で入手でき、最終的な後処理スクリプト (Python v3.7) は https://download.geoservice.dlr で入手できます。 .de/icelines/files/icelines_auxiliary_v1.zip。 さらに、このフォルダーには、精度評価に使用されるデータ、一括ダウンロード用の Python スクリプト (bulk-download-icelines.py)、および対応する Sentinel で IceLines データを表示するためのサンプル スクリプト (「display-icelines-gee.js」) が含まれています。 Google Earth Engine の -1 シーン。

Rignot、E.、Jacobs、S.、Mouginot、J.、および Scheuchl、B. 南極周囲の棚氷が溶ける。 サイエンス 341、266–270 (2013)。

論文 ADS CAS PubMed Google Scholar

フュルスト、JJら。 南極の棚氷の安全バンド。 ナット。 登る。 Change 6、479–482 (2016)。

記事 ADS Google Scholar

クック、AJ 他南極半島西部の氷河の後退を海洋強制。 サイエンス 353、283–286 (2016)。

論文 ADS CAS PubMed Google Scholar

Cook, AJ, Fox, AJ, Vaughan, DG & Ferrrigno, JG 過去半世紀にわたり、南極半島の氷河前線が後退しています。 サイエンス 308、541–544 (2005)。

論文 ADS CAS PubMed Google Scholar

AJ クック氏と DG ヴォーン氏 過去 50 年間にわたる南極半島の棚氷の面積変化の概要。 The Cryosphere 4、77–98 (2010)。

記事 ADS Google Scholar

カリフォルニア州グリーン、アスファルト州ガードナー、ニュージャージー州シュレーゲル & Fraser, AD 南極の出産の損失は、棚氷の減少に匹敵します。 自然 (2022)。

Baumhoer, CA、Dietz, AJ、Kneisel, C.、Paeth, H. & Kuenzer, C. 過去 20 年間に環南極氷河と棚氷前線の後退を引き起こした環境要因。 Cryosphere 15、2357–2381 (2021)。

記事 ADS Google Scholar

Davies, BJ、Carrivick, JL、Glasser, NF、Hambrey, MJ & Smellie, JL 大気温暖化に対する氷河の変動反応、南極半島北部、1988 ～ 2009 年。 The Cryosphere 6、1031–1048 (2012)。

記事 ADS Google Scholar

CSM ドーク氏および DG ヴォーン氏 大気温暖化に応じてワーディー棚氷が急速に崩壊。 ネイチャー 350、328–330 (1991)。

記事 ADS Google Scholar

ジェンキンス、A.ら。 数十年にわたる海洋変動により、アムンゼン海で西南極氷床が後退。 ナット。 地理学。 11、733–738 (2018)。

記事 ADS CAS Google Scholar

マイルズ、BWJ、ストークス、CR、ジェイミソン、SSR 東南極における汎氷床氷河終端の変化は、ウィルクスランドが海氷の変化に敏感であることを明らかにしている。 科学。 上級 2、e1501350 (2016)。

論文 ADS PubMed PubMed Central Google Scholar

Baumhoer, CA、Dietz, AJ、Dech, S. & Kuenzer, C. 南極氷河と棚氷前線ダイナミクスのリモート センシング - レビュー。 Remote Sens. 10、1445 (2018)。

記事 ADS Google Scholar

Lovell, AM、Stokes, CR、Jamieson, SSR 東南極のビクトリアランド、オーツランド、ジョージ V ランドにおける出口氷河終端位置の 10 年未満の変化（1972 ～ 2013 年）。 南極。 科学。 29、468–483 (2017)。

記事 ADS Google Scholar

サウスカロライナ州マーシャル 氷床の力学理解における最近の進歩。 地球惑星。 科学。 レット。 240、191–204 (2005)。

記事 ADS CAS Google Scholar

Ｗｕｉｔｅ、Ｊ．ら。 南極のフィルヒナー・ロンネ棚氷における、スワスモードCryoSat-2高度計による、年次分娩前線移動、領域変化および分娩速度。 Remote Sens. 11、2761 (2019)。

記事 ADS Google Scholar

Frezzotti, M. ビクトリアランド氷河の氷前線の変動、氷山分裂フラックス、および質量バランス。 南極。 科学。 9、61–73 (1997)。

記事 ADS MathSciNet Google Scholar

Liu、Y.ら。 海洋による薄化は、氷山の分裂と南極の棚氷の後退を促進します。 手順国立アカド。 科学。 112、3263–3268 (2015)。

論文 ADS CAS PubMed PubMed Central Google Scholar

ソン、H.-G. & Jezek、KC ERS-1 の SAR および SPOT 画像からの氷床縁のマッピング。 内部。 J. Remote Sens. 20、3201–3216 (1999)。

記事 Google Scholar

Liu, H. & Jezek, KC Canny エッジ検出と局所適応しきい値処理手法を統合することにより、衛星画像から海岸線を自動抽出しました。 内部。 J. Remote Sens. 25、937–958 (2004)。

記事 Google Scholar

SY 州ウー & AK 州リュー SAR 画像の自動海洋特徴検出、抽出、分類スキームを目指しています。 内部。 J. Remote Sens. 24、935–951 (2003)。

記事 Google Scholar

Cheng, D. et al. Calving Front Machine (CALFIN): 1972 ～ 2019 年のグリーンランドの氷河終末データセットと自動深層学習抽出手法。 雪氷圏 15、1663 ～ 1675 年 (2021)。

記事 ADS MathSciNet Google Scholar

Zhang, E.、Liu, L.、Huang, L. & Ng, KS マルチセンサーのリモート センシング画像からグリーンランド氷河の崩壊フロントの輪郭を描く、自動化された一般化された深層学習ベースの方法。 遠隔感覚環境。 254、112265 (2021)。

記事 ADS Google Scholar

Baumhoer, CA、Dietz, AJ、Kneisel, C. & Kuenzer, C. 深層学習を使用したセンチネル 1 の画像からの南極氷河と棚氷前面の自動抽出。 Remote Sens. 11、2529 (2019)。

記事 ADS Google Scholar

Baumhoer、C. IceLines – 棚氷と氷河前線の時系列。 EOC ジオサービス https://doi.org/10.15489/btc4qu75gr92 (2022)。

SCAR（南極調査科学委員会）事務局。 南極大陸の総合地名辞典。 GCMD メタデータ 1992 (2014 年および 2017 年に更新) https://data.aad.gov.au/aadc/gaz/scar/ (2017)。

アラスカ衛星施設。 分散アクティブ アーカイブ センター (ASF DAAC)。 https://search.asf.alaska.edu/#/ (2022)。

ESA SNAP - Sentinel アプリケーション プラットフォーム、バージョン 8.0。 http://step.esa.int (2020)。

Wessel, B. et al. 南極の TanDEM-X PolarDEM 90: 生成とエラーの特性評価。 The Cryosphere 15、5241–5260 (2021)。

記事 ADS Google Scholar

Heidler, K.、Mou, L.、Baumhoer, C.、Dietz, A. & Zhu, XX HED-UNet: 南極海岸線を監視するためのセグメンテーションとエッジ検出の組み合わせ。 IEEEトランス。 地理学。 リモートセンズ 1–14 (2021)。

Zhang, E.、Liu, L.、Huang, L. 多時間の TerraSAR-X 画像からヤコブシャウン イスブラエの分娩前線を自動的に描写する: 深層学習アプローチ。 雪氷圏 13、1729 ～ 1741 年 (2019)。

記事 ADS Google Scholar

Loebel、E. et al. 深層学習による氷河融解フロントの抽出: マルチスペクトル、地形、およびテクスチャ入力特徴の利点。 IEEEトランス。 地理学。 リモートセンズ 1–1 (2022)。

Lea、JM、Mair、DWF および Rea、BR 氷河末端の変化を追跡する既存および新しい方法の評価。 J.グラシオール。 60、323–332 (2014)。

記事 ADS Google Scholar

ゴリバー、S. et al. TermPicks: 科学および機械学習アプリケーションで使用するための、1 世紀にわたるグリーンランド氷河終点データ。 The Cryosphere 16、3215–3233 (2022)。

記事 ADS Google Scholar

Mohajerani, Y.、Wood, M.、Velicogna, I. & Rignot, E. 畳み込みニューラル ネットワークによる氷河の切除マージンの検出: ケーススタディ。 Remote Sens. 11、1–13 (2019)。

記事 Google Scholar

ホルツマン、M.ら。 アテンション U-Net を使用した氷河の分割フロント セグメンテーション。 2021 年の IEEE 国際地球科学およびリモート センシング シンポジウム IGARSS 3483–3486 (IEEE、2021)。

リファレンスをダウンロードする

GeoService で IceLine を視覚化し、データ ダウンロード インターフェイスを提供してくれた Jan-Karl Haug と Rouven Volkmann に感謝します。 Sentinel-1 データへのアクセスを提供してくださった欧州連合のコペルニクス プログラムとアラスカ衛星施設 (ASF) に感謝します。 「Polar Monitor」プロジェクトに資金を提供してくださった DLR に感謝します。 最後に、この原稿を改善するための有益なコメントと提案をくださった編集者の James Lea と 1 名の匿名の査読者に感謝いたします。

Projekt DEAL によって実現および組織されたオープンアクセス資金調達。

地球観測センター (EOC)、ドイツ航空宇宙センター (DLR)、ヴェスリング、ドイツ

セリア・A・バウムホル、アンドレアス・J・ディーツ、クラウディア・クエンツァー

地球観測におけるデータサイエンス、ミュンヘン工科大学 (TUM)、ミュンヘン、ドイツ

コンラート・ハイドラー

ヴュルツブルク大学地理学地質研究所、ヴュルツブルク、ドイツ

クラウディア・クエンツァー

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

CK、AD、CB は IceLine のアイデアを開発しました。 CB は、IceLines をコード化して実装し、検証データとトレーニング データを作成し、時系列を処理し、検証を実行し、図を作成し、原稿の元の草案を書きました。 KH は HED-UNet をコーディングしてトレーニングしました。 彼は、HED-UNet に関する記事の執筆にも参加しました。 著者全員が原稿を編集および改訂しました。

Celia A. Baumhoer への通信。

著者らは競合する利害関係を宣言していません。

発行者注記 Springer Nature は、発行された地図および所属機関の管轄権の主張に関して中立を保っています。

オープン アクセス この記事はクリエイティブ コモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブ コモンズ ライセンスへのリンクを提供し、変更が加えられたかどうかを示します。 この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブ コモンズ ライセンスに含まれています。 素材が記事のクリエイティブ コモンズ ライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。 このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

Baumhoer、CA、Dietz、AJ、Heidler、K. 他 IceLines – 南極の棚氷前部の位置に関する新しいデータセット。 サイ データ 10、138 (2023)。 https://doi.org/10.1038/s41597-023-02045-x

引用をダウンロード

受信日: 2022 年 9 月 14 日

受理日: 2023 年 2 月 28 日

公開日: 2023 年 3 月 15 日

DOI: https://doi.org/10.1038/s41597-023-02045-x

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供