Энн Браакманн-Фольгманн, ведущий автор статьи, опубликованной в журнале The Cryosphere, проводила свое исследование во время учебы в докторантуре в Университете Лидса в Великобритании. Сейчас, будучи сотрудником Арктического университета Норвегии в Тромсе, она подчеркивает значение крупных айсбергов в окружающей среде Антарктики.

"Они влияют на физику океана, химию, биологию и, конечно же, на человеческую деятельность. Поэтому крайне важно обнаруживать айсберги и отслеживать их размеры, чтобы количественно определить, сколько талой воды они выбрасывают в океан" — отметила исследовательница.

Предоставляя изображения вне зависимости от облачности и отсутствия дневного света, радар Copernicus Sentinel-1 играет ключевую роль в инновационном подходе к использованию искусственного интеллекта для картографирования этих ледяных гор.

На изображениях со спутников, оснащенных приборами, похожими на камеры, айсберги, морской лед и облака кажутся белыми, что затрудняет их различение. В то же время, на большинстве радиолокационных изображений, полученных от Sentinel-1, они выглядят как яркие объекты на более темном фоне океана и морского льда.

Тем не менее, в особо сложных условиях идентификация объектов может становиться настоящим вызовом. "Иногда нам тяжело отличить айсберги от окружающего их морского льда, который более грубый и старый и поэтому выглядит ярче на спутниковых изображениях. То же самое касается и взволнованного ветром океана, — объясняет Браакманн-Фольгманн. — Кроме того, более мелкие фрагменты, которые часто встречаются рядом с айсбергами, легко ошибочно группируются вместе с основным объектом".

По словам ученой, дополнительные сложности возникают из-за того, что береговая линия Антарктики на спутниковых изображениях может напоминать айсберги, поэтому стандартные алгоритмы часто выделяют и побережье, а не только искомые массы льда.

Однако новый подход в использовании нейронной сети превосходно справляется с поставленной задачей даже в этих сложных условиях. Его сила заключается в способности математической модели понимать сложные нелинейные отношения и принимать во внимание весь контекст изображения.

Нейронная сеть, представленная в этом исследовании, очень хорошо распознает самый большой айсберг на каждом изображении, в отличие от сравнительных методов, которые часто выбирают массивы льда немного меньшего размера поблизости.

Архитектура модели основана на известной конструкции U-net. Она был тщательно обучена с использованием изображений Sentinel-1, демонстрирующих гигантские айсберги в различных условиях, а в качестве цели служили контуры, полученные вручную.

На протяжении всего процесса, система постоянно уточняет свои прогнозы, корректируя параметры на основе разницы между полученной вручную структурой и прогнозируемым результатом. Обучение прекращается автоматически, когда система достигает оптимальной производительности, обеспечивая ее адаптируемость и успех на новых примерах.

Алгоритм был протестирован на семи айсбергах размером от 54 до 1052 кв.км, что примерно соответствует площади города Берн в Швейцарии и Гонконга соответственно.

Ученые собрали разнообразный набор данных, включающий от 15 до 46 изображений каждого айсберга, охватывающий различные сезоны в промежутке с 2014 по 2020 годы. Для обеспечения разнообразия, для каждого айсберга ученые использовали снимки Sentinel-1 сделанные с промежутком в месяц. Результаты оказались впечатляющими: точность составила 99%.

"Возможность автоматически картировать протяженность айсбергов с повышенной скоростью и точностью позволит нам легче наблюдать изменения в их площади и открывает путь для оперативного применения" — добавляет Браакманн-Фольгманн.

Для отслеживания изменений площади и толщины айсбергов, решающее значение имеет точное определение конкретного объекта для его постоянного мониторинга. Это важно для понимания того, как они таят и выделяют пресную воду и питательные вещества в океан.