Blog

Oct 31, 2023

Líneas de Hielo

Volumen de datos científicos 10,

Scientific Data volumen 10, Número de artículo: 138 (2023) Citar este artículo

1338 Accesos

9 Altmetric

Detalles de métricas

La posición frontal de una plataforma de hielo es un parámetro importante para el modelado de la dinámica del hielo, el cálculo de los flujos de masa, el mapeo del cambio de área de los glaciares, el cálculo de las tasas de producción de icebergs y la estimación de la descarga de hielo al océano. Hasta ahora, la información continua y actualizada sobre las ubicaciones de los frentes de parto antárticos es escasa debido a la delineación manual de los frentes que requiere mucho tiempo y la cantidad previamente limitada de datos adecuados de observación de la tierra. Aquí, presentamos IceLines, un nuevo conjunto de datos sobre las posiciones del frente de la plataforma de hielo antártico para evaluar el cambio del frente de parto con una resolución temporal y espacial sin precedentes. Se extrajeron automáticamente más de 19 400 posiciones de frentes de partos, lo que creó una densa serie de tiempo interanual e intraanual de cambio de frentes de partos para la era de Sentinel-1 (2014-hoy). Se puede acceder a la serie temporal del frente de parto a través del EOC GeoService alojado por DLR y se actualiza mensualmente. Por primera vez, el conjunto de datos de IceLines presentado brinda la posibilidad de incluir fácilmente la dinámica del frente de parto en estudios científicos y modelos para mejorar nuestra comprensión sobre la dinámica de la capa de hielo.

Las tres cuartas partes de la costa antártica consisten en plataformas de hielo flotantes que regulan la descarga de hielo de la capa de hielo antártica (AIS)1. La retirada o incluso la desintegración de las plataformas de hielo puede reducir los efectos de refuerzo, lo que da como resultado una mayor pérdida de masa del AIS2. En las últimas décadas, los eventos de desintegración a lo largo de la Península Antártica (AP) y la capa de hielo de la Antártida Occidental (WAIS) demostraron el comportamiento dinámico y el estado vulnerable de las plataformas de hielo antárticas3,4,5. En total desde 1997, la pérdida de área de la plataforma de hielo antártica debido a eventos de desintegración y desprendimiento ha sido dominante en comparación con la ganancia de área de la plataforma de hielo por el avance de los frentes6,7. El crecimiento y la descomposición de una plataforma de hielo están controlados por varios factores, como la dinámica interna del hielo, la geometría de la plataforma de hielo, los puntos de fijación, la topografía del lecho y las fuerzas mecánicas y climáticas externas. Cada vez hay más pruebas de que el forzamiento atmosférico y oceánico a largo plazo provoca el retroceso del frente de la plataforma de hielo a lo largo de AP y WAIS3,4,8,9,10. Para la capa de hielo de la Antártida Oriental (EAIS), el cuerpo de evidencia no es tan claro, ya que las series de tiempo del frente de parto son más cortas y menos frecuentes7,11,12,13. La posición del frente de parto tiene un valor significativo para los estudios antárticos que se centran en la oceanografía, el hielo marino, la glaciología y la ecología terrestre u oceánica. Especialmente en glaciología, la posición frontal es un parámetro importante para el modelado de la dinámica del hielo14, el cálculo de los flujos de masa15, el mapeo del cambio de área del glaciar8, el cálculo de la tasa de producción de icebergs16 y la estimación de la exportación de masa de hielo al océano17. Por lo tanto, el conocimiento de la dinámica del frente de parto subanual y sus mecanismos de control a corto plazo son esenciales para una mejor comprensión de la dinámica de la capa de hielo que determina la pérdida o ganancia de masa del AIS12,15. Pero hasta ahora, dichos datos no existen para todo el AIS debido a las delineaciones manuales del frente que consumen mucho tiempo y la disponibilidad previamente limitada de imágenes satelitales12. Para superar el tedioso trabajo manual de delimitación del frente de parto, se han utilizado técnicas de imagen tradicionales para desarrollar enfoques automatizados que no son adecuados para la extracción del frente de parto intraanual18,19,20 debido a las variaciones estacionales en el hielo marino y el derretimiento de la superficie. Hasta la fecha, solo los enfoques basados ​​en el aprendizaje profundo pueden proporcionar series temporales precisas y densas del cambio de ubicación del frente de parto21,22,23.

Aprovechamos estas técnicas innovadoras y presentamos IceLines24, un conjunto de datos de las posiciones del frente de la plataforma de hielo antártico que proporciona series de tiempo de frente de parto continuas y actualizadas. IceLines es un marco novedoso basado en el aprendizaje profundo que proporciona ubicaciones de frentes de parto (CFL) en diferentes escalas temporales (diaria, mensual, trimestral, anual) para las plataformas de hielo antárticas extraídas automáticamente de las imágenes del radar Sentinel-1. El conjunto de datos incluye todas las plataformas de hielo antárticas intactas enumeradas por el SCAR Composite Gazetter25 con un ancho de al menos 30 km. Además, se han seleccionado para el seguimiento seis frentes de glaciares dinámicos que son de interés clave (p. ej., el glaciar Pine Island). La Figura 1 muestra los frentes de las plataformas de hielo y las lenguas de los glaciares actualmente monitoreados por IceLines. Dependiendo de la disponibilidad de datos de Sentinel-1, la serie de tiempo de frente de parto proporcionada cubre el período de tiempo desde 2014 hasta hoy y se actualiza automáticamente mensualmente. Los datos de IceLines24 están disponibles gratuitamente a través de GeoService de DLR (https://geoservice.dlr.de/web/maps/eoc:icelines).

Visión general de todos los frentes de plataformas de hielo monitoreados continuamente con IceLines. A los lados se muestran series de tiempo ejemplares del frente de la plataforma de hielo generadas con IceLines. Copernicus Sentinel-1 Datos 2022.

IceLines24 fue desarrollado para monitorear automáticamente las posiciones del frente de la plataforma de hielo antártico y para entregar series de tiempo densas sobre el cambio del frente de parto. Esto requiere un alto grado de automatización, ya que las delineaciones frontales manuales que consumen mucho tiempo no pueden seguir el ritmo de los archivos satelitales en rápido crecimiento12. La figura 2 muestra todo el proceso de procesamiento de IceLines, que se subdivide en los siguientes seis pasos: descarga de datos, preprocesamiento de datos satelitales, entrenamiento de la red neuronal convolucional (CNN), inferencia para extracción frontal automatizada, procesamiento posterior de predicciones frontales y la generación de series de tiempo. Todos los pasos de procesamiento individuales se explican a continuación.

El flujo de trabajo de IceLines se dividió en descarga de escenas satelitales, preprocesamiento, entrenamiento de la red neuronal convolucional (CNN), inferencia para extracción frontal automatizada, procesamiento posterior de predicciones frontales y generación de series temporales.

Mensualmente, las escenas Sentinel-1 GRD EW disponibles (resolución de 40 m) se descargan para cada plataforma de hielo monitoreada definida por un área de interés (AOI) del Centro de Archivo Activo Distribuido de la Instalación Satelital de Alaska (ASF DAAC)26. Seleccionamos datos EW porque proporcionan más contexto espacial al modelo de aprendizaje profundo en un tamaño de mosaico definido (en píxeles) y la cobertura de datos para escenas EW polarizadas duales sobre la costa antártica es mejor que para datos IW. Para evitar grandes cantidades de datos innecesarias y el procesamiento de escenas que solo cubren parcialmente los frentes seleccionados, la descarga se limita mediante el filtrado de órbitas satelitales adecuadas que cubren completamente cada frente. Por lo tanto, la disponibilidad de posiciones de frente diarias depende de las adquisiciones de Sentinel-1 que cubran el frente y puede variar aproximadamente de una a ocho observaciones por mes. La disponibilidad de datos de Sentinel-1 en la Antártida es limitada antes del ajuste del esquema de adquisición en mayo de 2017 debido al lanzamiento de Sentinel-B y después de su falla en diciembre de 2021. En los casos en que un frente nunca está completamente cubierto por una escena completa, adyacente las escenas adquiridas el mismo día se fusionan después del preprocesamiento. El preprocesamiento se realiza con Graph Processing Tool de ESA SNAP Toolbox27 sobre un Hadoop Cluster de 63 nodos (32/64 GB de RAM) dentro de un contenedor Docker. Para escenas polarizadas individuales, el preprocesamiento incluye el subconjunto de la extensión de la plataforma, la eliminación de ruido térmico, la calibración radiométrica, la corrección geométrica del terreno con el TanDEM-X PolarDEM 90 m28 y el enmascaramiento de las imágenes mediante un búfer de costa de 100 km de ancho. Además, para imágenes polarizadas duales, la relación entre la polarización HH y HV se calcula y se agrega a la pila de escenas como se describe en Baumhoer et al. 2019 (ref. 23).

El frente de parto se extrae con un HED-UNet que fue inicialmente desarrollado por Heidler et al.29 y adaptado para una utilización circunantártica en IceLines. La adaptación incluyó un conjunto de datos de entrenamiento más diverso con 81 escenas Sentinel-1 (en lugar de 11 escenas) que cubren 17 regiones costeras (en lugar de solo 2) y la capacidad de la red para reconocer y predecir automáticamente imágenes polarizadas dobles y simples. Esto es necesario ya que las imágenes de Sentinel-1 adquiridas antes de 2017 solo incluyen una polarización. Además, para algunas áreas costeras solo se dispone de imágenes polarizadas simples (p. ej., el mar de Bellingshausen) durante todo el período de adquisición de Sentinel-1.

HED-UNet es una arquitectura de red neuronal diseñada específicamente para la extracción de frentes de parto que se basa en los dos principios de segmentación y detección de bordes. Mientras que la segmentación tiene como objetivo diferenciar los píxeles del glaciar de los píxeles del océano, la detección de bordes clasifica directamente los píxeles en el frente de parto. HED-UNet incorpora ambos enfoques para alentar al modelo a aprender patrones visuales que son característicos de la capa de hielo, el océano y la zona de parto. Al trabajar en múltiples niveles de resolución, el modelo puede considerar un contexto espacial más grande que los modelos anteriores, lo que se ha encontrado importante para la tarea de detección de frente de parto. Los datos de entrenamiento cubren el período de tiempo de mayo de 2017 hasta agosto de 2019.

La Figura 3 muestra la distribución de los datos de entrenamiento desglosados ​​para cada plataforma de hielo o glaciar individual. Tenga en cuenta que algunas plataformas de hielo están cubiertas por la misma escena, por lo tanto, las fechas de entrenamiento son las mismas para algunas plataformas de hielo.

Distribución de datos de entrenamiento y validación para cada plataforma de hielo o glaciar. Los datos de entrenamiento se representan en azul claro, los datos de validación en azul oscuro. Los puntos violetas y grises indican la polarización de las imágenes satelitales utilizadas. Para el entrenamiento, la imagen polarizada dual se usó adicionalmente para entrenar pesos para imágenes polarizadas simples usando solo el primer canal (polarización HH). Los círculos y triángulos indican si se utilizó todo el frente o una parte del mismo para el entrenamiento/validación.

El paso de procesamiento posterior utiliza la probabilidad de predicción del cabezal de fusión de segmentación HED-UNet para las clases "capa de hielo" y "océano" donde el borde de ambas clases marca la costa. Se aplica un umbral de elevación a la probabilidad de predicción para excluir las áreas por encima de la línea de tierra mediante la asignación de todas las áreas por encima de un umbral de elevación establecido empíricamente de 110 m (TanDEM-X PolarDEM 90 m28 con referencia al elipsoide WGS84) al manto de hielo de clase. Este umbral también es aplicable para futuras posiciones frontales, excepto que se desintegren plataformas de hielo completas en combinación con una retirada drástica de la línea de puesta a tierra. Esto elimina las clasificaciones erróneas sobre la zona de nieve seca en áreas de capas de hielo de gran altitud (a veces confundidas con áreas de baja retrodispersión sobre el océano), pero no influye en las predicciones sobre áreas de plataformas de hielo más bajas. La probabilidad de predicción compatible con la elevación se binariza en un umbral del 50 % (66 % para productos anuales derivados de los productos estacionales). Posteriormente, se aplica un filtrado morfológico para asegurar que ambas clases sean áreas contiguas. Después de obtener el resultado final de la clasificación, se aplica la agregación temporal fusionando todos los resultados de segmentación disponibles por mes, temporada y año. Para los productos mensuales, la probabilidad de predicción diaria se combina con el promedio. Para los productos estacionales y anuales, las clasificaciones mensuales y estacionales se fusionan promediando las máscaras binarias, respectivamente.

IceLines proporciona series de tiempo de frente de parto en diferentes escalas temporales, ya que la agregación temporal de predicciones para varios pasos de tiempo permite delineaciones de frente más sólidas. Por ejemplo, las predicciones ocasionalmente fuera de lugar sobre el océano debido al mar agitado por el viento, la mezcla, los icebergs o el hielo marino se compensan fusionando varios resultados de clasificación. El resultado de la clasificación binarizada se utiliza para extraer un polígono del área clasificada como capa de hielo. Se prueba la validez del archivo de forma de polígono (área delimitada, sin autointersecciones, geometrías de varias partes, intente obtener muescas de polígono) antes de que se extraiga una línea del polígono. La línea se recorta para eliminar los límites de la escena y recuperar la línea de costa. La extensión de recorte es igual a la extensión de la imagen satelital inicial erosionada en 15 píxeles. En el caso de productos promediados mensualmente, los límites de la escena aún pueden ocurrir si la extensión de la escena varía dentro de un mes. Por último, el AOI recorta la línea de costa para cada plataforma de hielo o glaciar monitoreado para obtener la posición final del frente de separación.

Las redes neuronales profundas demostraron su rendimiento superior para la detección frontal de partos en varios estudios en términos de velocidad y aún logran precisiones mejores o comparables a las delineaciones manuales21,22,23,29,30,31. Sin embargo, ocurren fallas ocasionales cuando se extraen posiciones frontales incorrectas debido a icebergs, mezcla, derretimiento de la superficie o cubierta de nubes. Estos frentes erróneos se pueden detectar visualmente con facilidad, pero la automatización de este proceso sigue siendo un desafío. O bien, las imágenes ópticas inadecuadas (p. ej., cobertura de nubes, frente invisible) pueden eliminarse de antemano21 o el propio frente puede verificarse mediante medidas de complejidad de polígonos22. En nuestro caso, ambos enfoques no proporcionaron resultados satisfactorios, lo que nos llevó a la creación de una medida de confiabilidad basada en la serie temporal del frente de parto. La serie de tiempo del frente de parto se calcula a lo largo de líneas centrales perpendiculares comparables al método de línea central descrito en Lea et al.32. En lugar de una sola línea central, usamos varias líneas centrales para cubrir mejor el frente de la plataforma de hielo y medir la intersección hacia el mar si existen varias intersecciones (por ejemplo, debido a grietas). El número (de 3 a 15 líneas centrales por plataforma) y el espaciado (de 3 a 65 km) de las líneas centrales varía según el tamaño de la plataforma de hielo y la complejidad del frente. En casos raros, donde se sabe que las áreas frontales de la plataforma de hielo se extraen repetidamente de manera ambigua (por ejemplo, en el iceberg D-15 frente a la plataforma de hielo oeste, área de hielo fijo frente a la plataforma de hielo Filchner), las líneas centrales se omiten o se mueven para obtener el real. patrón de movimiento del frente no sesgado por estas áreas. Se pueden detectar posiciones frontales potencialmente incorrectas dentro de la serie temporal, ya que están significativamente hacia tierra adentro en caso de derretimiento de la superficie o hacia el mar debido a la mezcla o la capa de hielo marino. Para detectar estos valores atípicos, se supone que una posición de frente de parto no puede desviarse más que la media más/menos la desviación estándar (mínimo 2 píxeles (80 metros) para dar cuenta de cierto grado de variación) de ocho (cuatro para mensual, productos de temporada y anuales) posiciones frontales anteriores y sucesivas. El número de ocho (cuatro) posiciones frontales asegura cubrir frentes erróneos consecutivos, por ejemplo, durante períodos de derretimiento superficial. Las posiciones iniciales más recientes al final de la serie de tiempo se consideran nuevamente en la detección de valores atípicos durante el procesamiento mensual para garantizar que las posiciones iniciales de grandes eventos de parto finalmente no se clasifiquen como valores atípicos. En la práctica, esto significa que cuando se busca una posición frontal de un evento de parto reciente, es más probable encontrarla en la carpeta 'frentes eliminados' dentro de los primeros tres meses. Las posiciones de los frentes clasificadas como valores atípicos se almacenan en una carpeta separada que indica al usuario que verifique estos frentes visualmente. Este enfoque funciona de manera confiable para frentes con patrones claros de movimiento de avance y retroceso, pero a menudo excluye demasiadas posiciones de frente seguras cuando ocurren partos frecuentes y más pequeños, especialmente para el producto diario. La proporción entre detecciones de frente confiables y potencialmente no confiables varía entre <1% y 99% dependiendo en gran medida de la geometría del frente de la plataforma de hielo, los períodos de derretimiento de la superficie, las áreas de hielo fijo y el patrón de desprendimiento. En promedio, el 47,4% de las posiciones frontales diarias y el 38,8% de las mensuales requieren una inspección visual adicional.

El conjunto de datos de IceLines24 está disponible en GeoService de DLR y se actualiza mensualmente. Las posiciones frontales se proporcionan como archivos de forma de línea para cada plataforma de hielo. En caso de que las plataformas de hielo sean más grandes que las escenas Sentinel-1 adquiridas, las posiciones frontales se dividen en subfrentes y se numeran como se indica en la Fig. 1. Cada carpeta incluye archivos de forma agregados por día, mes, temporada y año. Se separan en frentes extraídos con confianza (carpeta 'frentes') y frentes que requieren controles manuales adicionales antes de usarlos para un análisis posterior (carpeta 'frentes-eliminados'). La convención de nomenclatura de archivos para un producto diario, mensual, estacional y anual es:

Diariamente:[polarización]_[AAAAMMDD]_[ID único del producto S1]-[nombre de la plataforma de hielo].gpkg

Mensual:[polarización]_[AAAAMM]-[nombre de la plataforma de hielo].gpkg

Estacional:[YYYY][Quartal]_mean-[nombre de la plataforma de hielo].gpkg

Anual:[YYYY]noQ1_mean-[nombre de la plataforma de hielo].gpkg

"1SDH" indica que el frente se extrajo de una escena de entrada polarizada dual, "1SSH" de una polarizada simple. Los trimestres se definen como estaciones australes con Q1 verano (diciembre, enero, febrero), Q2 otoño (marzo, abril, mayo), Q3 invierno (junio, julio, agosto) y Q4 primavera (septiembre, octubre, noviembre). El promedio anual excluye la temporada de verano, donde ocurre principalmente el derretimiento de la superficie (indicado por "noQ1" en el nombre del archivo). La tabla de atributos de cada archivo incluye la fecha de la posición frontal ('DATE_'), el nombre de la plataforma de hielo ('name'), la fecha de la última actualización ('updated', aaaammdd) y el número de versión ('version'). Para productos diarios y mensuales, se incluye el nombre de la escena Sentinel-1 correspondiente ('s1name'). Los archivos de forma están en proyección estereográfica polar antártica (EPSG:3031). Todos los productos IceLines24 se pueden descargar desde DLR GeoService (https://download.geoservice.dlr.de/icelines/files/) como GeoPackage único o archivos ZIP combinados para cada producto temporal y plataforma de hielo separados en las carpetas 'fronts' y 'frentes eliminados. Además, la exploración visual de las posiciones de los frentes de parto anuales y mensuales es posible a través del navegador web de DLR GeoService (https://geoservice.dlr.de/web/maps/eoc:icelines).

IceLines se valida calculando la diferencia de distancia entre los frentes diarios extraídos automáticamente y las delineaciones de frentes manuales. Este es un método comúnmente aplicado para evaluar la precisión de las posiciones frontales derivadas21,23,31. Sin embargo, la delineación frontal manual es una tarea muy desafiante y subyace a un alto grado de subjetividad. Tener varios expertos delineando un mismo frente siempre generará resultados diferentes12,30,33,34. Por lo tanto, la posición frontal automatizada no es necesariamente incorrecta si no se alinea con la referencia manual. Para realizar una validación exhaustiva que incluyera todo tipo de morfologías de frentes de parto y fechas de adquisición diferentes, se seleccionaron 92 frentes para una evaluación de precisión. Los criterios de selección requerían dos frentes para cada plataforma de hielo, uno derivado de imágenes polarizadas simples entre octubre de 2014 y abril de 2017 y otro derivado de imágenes polarizadas duales entre agosto de 2018 y octubre de 2021. Si solo se disponía de imágenes polarizadas simples, se tomarían dos muestras polarizadas simples. tomado. Ambos períodos de tiempo se seleccionaron para estar fuera del lapso de tiempo de los datos de entrenamiento. La distribución exacta de los datos de capacitación y validación se muestra en la Fig. 3. Las fechas de validación se determinaron tomando una muestra de fecha aleatoria para cada plataforma de hielo y período de tiempo. De las extracciones de los frentes de confianza, se tomó para validación la posición del frente disponible más cercana a la fecha seleccionada al azar. Debe mencionarse que no se pudieron derivar posiciones frontales confiables para Filchner, Ronne y partes de las plataformas de hielo de Ross y West basadas en imágenes polarizadas simples. Por lo tanto, no pudieron ser incluidos para la validación. Eso también se aplica a partes de las plataformas de hielo de Baudouin y Getz, ya que no se adquirieron imágenes durante el primer o segundo período de validación, respectivamente. Para la validación de plataformas de hielo más grandes, el frente se subdividió en varias partes (indicadas por triángulos en la Fig. 3) para garantizar que el frente extraído se derivara de una sola escena satelital claramente identificable. En conjunto, todas las partes frontales cubren todo el frente de la plataforma de hielo.

La diferencia de distancia entre los frentes manual y automatizado se probó midiendo la distancia entre el frente manual y el automatizado a lo largo de puntos espaciados entre píxeles (40 m). Esta medida da una impresión de lo bien que coincide el frente extraído con la delineación manual. La Figura 4 muestra el error de distancia promedio para cada plataforma de hielo con un 95 % de confianza en azul claro. Además, todos los valores de validación se resumen en la Tabla S1. La precisión varía según el frente de parto evaluado y la polarización de las imágenes de entrada. Por ejemplo, la precisión de la distancia media para las plataformas de hielo de Amery y Sulzberger es baja, ya que la extracción frontal con imágenes polarizadas simples no pudo detectar áreas de hielo rápido como se muestra en la Fig. 5. El frente de la plataforma de hielo de Sulzberger se extrae con mucha precisión, excepto por la vasta (>30 km) área de hielo fijo que aumenta significativamente el error de distancia media. Las mejores precisiones de distancia media se alcanzaron para las plataformas de hielo de Cosgrove, Bach y Stange (<1 píxel). En promedio, el verdadero error de distancia media para los frentes extraídos de imágenes de polarización dual es de 209 ± 12 m (5,2 píxeles) con un 95 % de confianza y de 432 ± 21 m (8,8 píxeles) para imágenes de polarización simple, lo que es comparable con los estudios existentes sobre partos. extracción frontal para la Antártida. Estudios previos sobre detección de frente de parto basada en CNN publicaron precisiones de distancia media entre 96,32 m (1,97 píxel)34, 86,76 ± 1,43 m (2,25 píxel)21, 38 m (~6 píxel)30 y 86 m22 para Groenlandia y 108 m (2,7 pixel)23, 222 ± 23 (Tierra de Wilkes)29, 345 ± 24 (Península Antártica)29, 237,12 m35 y 330,63 m (2,35 pixel)21 para la Antártida. Cabe señalar que estas precisiones no son directamente comparables debido a las variaciones temporales y espaciales en los conjuntos de datos de validación que abarcan desde uno30,34 hasta 6221 glaciares durante diferentes períodos de tiempo. Para una mayor comparación, las delineaciones manuales de diferentes expertos pueden desviarse entre 92,5 m34, 33 m (5,5 píxeles)30 y 183 m (4,6 píxeles)23 dependiendo de la resolución de la imagen y la dificultad de la delineación del frente de parto.

Exactitudes de validación para el conjunto de datos de IceLines. Para cada plataforma de hielo y glaciar, se muestran las precisiones de la distancia media y la línea central con un 95 % de confianza.

Frentes de parto automatizados (azul) y manualmente (violeta) para la plataforma de hielo Sulzberger, el glaciar Holmes y la plataforma de hielo Thwaites. Copernicus Sentinel-1 Datos 2022.

Para evaluar con qué precisión se puede determinar el movimiento frontal de un frente de parto con el conjunto de datos de IceLines24, se calculó la precisión de la distancia a lo largo de las líneas centrales perpendiculares ya utilizadas para la generación de series temporales. La precisión del movimiento frontal se determina como la distancia media entre el frente manual y el automatizado a lo largo de las líneas centrales definidas. La figura 4 muestra la precisión del movimiento frontal en azul oscuro. Además, los resultados de la evaluación de la precisión se resumen en la Tabla S2. En promedio, el error es de 63 ± 68 m (1,6 píxeles) para imágenes polarizadas duales y de 107 ± 126 m (2,7 píxeles) para imágenes polarizadas simples con un 95 % de confianza. Las inexactitudes medias más altas en la línea central existen para los glaciares con eventos de desprendimiento frecuentes y pequeños (p. ej., glaciares Holmes y Totten, así como la lengua del glaciar Thwaites) debido a las dificultades para distinguir los icebergs del hielo glaciar agrietado, como se muestra para el glaciar Holmes en la Fig. 5. Además de ciertos frentes desafiantes , el movimiento frontal se puede evaluar con gran precisión. Para el 84 % de los frentes de parto dentro del conjunto de datos de validación, el movimiento frontal se puede evaluar con una precisión superior a 2 píxeles (<80 m) independientemente de la polarización de las imágenes de entrada.

La validación integral de IceLines demuestra que los frentes de parto derivados de CNN ofrecen una alternativa buena y precisa a las laboriosas delimitaciones manuales de frentes. La posición frontal puede desviarse de los frentes delineados manualmente debido al hielo fijo, la mezcla y los icebergs cerca del frente en 209 ± 12 m (5,2 píxeles) en imágenes polarizadas duales y 432 ± 21 m (8,8 píxeles) para imágenes polarizadas simples, mientras que el frente el movimiento se puede determinar con precisiones más altas de 63 ± 68 m (1,6 píxeles) para imágenes duales y 107 ± 126 m (2,7 píxeles) para imágenes polarizadas simples. Existen limitaciones del conjunto de datos de IceLines24 debido a las propiedades de retrodispersión específicas de SAR. Las detecciones de frentes de parto durante el derretimiento de la superficie o dentro de la zona de nieve seca (por ejemplo, las plataformas de hielo de Ronne, Ross y Filchner) siguen siendo un desafío, especialmente con imágenes SAR polarizadas simples. Pero los beneficios de las imágenes SAR independientes de la iluminación y las nubes superan estas limitaciones y no afectan significativamente el valor sin precedentes del conjunto de datos de IceLines24 representado por series de tiempo circunantárticas actualizadas regularmente de cambio de frente de parto.

Para concluir, proporcionamos una impresión final del conjunto de datos muy detallado de IceLines para mostrar nuevas posibilidades para analizar el cambio del frente de parto con IceLines24. La Figura 6 muestra el cambio mensual del frente de parto en Pine Island Bay entre 2015 y 2021. Las diferentes dinámicas del frente de parto en Pine Island Bay se hacen visibles, desde un ligero avance de las plataformas de hielo Cosgrove (+1,01 km) y Thwaites (+0,78 km) sobre el avance constante de la plataforma de hielo Crosson (+8,80 km), el fuerte retroceso de la lengua del glaciar Thwaites (−16,86 km) hacia el retroceso y el desprendimiento frecuente del glaciar Pine Island (cambio total −19,05 km) entre 2015 y 2021. Figura 7 muestra las tasas de avance frontal de las plataformas de hielo antárticas en 2015 y 2021 que se calcularon a lo largo de una línea central perpendicular sobre la base de todas las posiciones frontales confiables dentro del año respectivo. Si ocurrió un evento de parto dentro de 2015 o 2021, el avance del frente de la plataforma de hielo se calculó en la serie de tiempo de avance restante más larga. Pine Island Glacier tiene la tasa de avance más alta con 4,72 km/año en 2021, seguido de Thwaites Tongue con 4,20 km/año en 2015. Pine Island Glacier aceleró entre 2015 y 2021 en contraste con la desintegración de Tongue of Thwaites. Con base en todas las plataformas de hielo, la línea de tendencia de regresión lineal (R2 = 0,89) muestra una ligera tendencia a tasas de avance más altas en 2015 en comparación con 2021 para plataformas de avance más fuerte (>0,65 km/año). Debe mencionarse que esta tendencia está fuertemente dominada por la desintegración de la lengua glaciar de Thwaites que no tiene un frente de avance claro en 2021 en comparación con 2015. En contraste con esta tendencia general, el avance frontal de Pine Island, Totten, Ross West, Ronne , Las plataformas de hielo Larsen C y Brunt1 se aceleraron en 2021 en comparación con 2015. Además, cabe destacar que las plataformas con un evento de parto entre 2015 y 2021 probablemente cambiaron su tasa de avance frontal en comparación con las plataformas sin parto (ver puntos cian en la Fig. 7) . Para una mayor exploración, el suplemento incluye la Tabla S3 con todas las tasas de avance y se puede acceder a una versión interactiva y ampliable de la Fig. 7 en https://download.geoservice.dlr.de/icelines/files/icelines_auxiliary_v1.zip.

Cambio de frente de parto en Pine Island Bay entre 2015 y 2021 visualizado con las posiciones mensuales de frente de parto de IceLines. El gráfico en la parte superior derecha muestra la serie de tiempo del frente de parto para cada plataforma/glaciar a lo largo de una línea central central en la dirección del flujo. Copernicus Sentinel-1 Datos 2022.

Tasas de avance de las plataformas de hielo antárticas en 2015 en comparación con 2021. Con base en todas las plataformas de hielo, la línea de tendencia azul muestra una ligera tendencia a tasas de avance más altas para frentes de rápido movimiento en 2015. Como referencia, la línea gris representa una tasa de avance constante sin cambio entre 2015 y 2021. Los puntos sobre la línea de referencia muestran una tasa de avance acelerada en 2021 en comparación con 2015, los puntos debajo muestran lo contrario. Los puntos en cian indican si la plataforma de hielo se derrumbó entre el avance de 2015 y 2021.

El conjunto de datos de IceLines24 se creó para proporcionar a los científicos y modeladores posiciones actualizadas del frente de parto sin necesidad de delineaciones manuales que consumen mucho tiempo. Aunque para muchos frentes se pueden lograr precisiones a nivel de píxeles, algunos frentes extraídos deben verificarse manualmente antes de su uso, especialmente aquellos ubicados en la carpeta "frentes eliminados". Esto se puede hacer en un sistema de información geográfica (por ejemplo, QGIS - qgis.org). Las áreas de extracción frontal fallida se pueden identificar fácilmente mediante líneas sinuosas que no se encuentran entre las posiciones frontales anteriores y consecutivas. En caso de duda, las posiciones frontales se pueden comparar con las imágenes originales de Sentinel-1 por la ID única de Sentinel-1 y la fecha de adquisición o el nombre de escena de Sentinel-1 en la tabla de atributos de cada archivo. Las imágenes de Sentinel-1 se pueden descargar de ASF (search.asf.alaska.edu) y ESA (scihub.copernicus.eu). Se puede acceder a las imágenes preprocesadas de Sentinel-1 a ​​través de Google Earth Engine (earthengine.google.com). Además, la probabilidad de una extracción de frente fallida disminuye con una mayor agregación temporal. Esto significa que los productos agregados temporales (por ejemplo, mensuales, estacionales, anuales) deben preferirse a los productos diarios. El conjunto de datos de IceLines está registrado bajo el DOI https://doi.org/10.15489/btc4qu75gr92.

El procesamiento de IceLines se ha llevado a cabo en el sistema Calvalus y el clúster GPU disponible en el Centro de Observación de la Tierra de DLR mediante software propietario y scripts Python (v3.6 y v3.7) dedicados. Dado el uso de herramientas propietarias, la canalización de procesamiento implementada no puede divulgarse abiertamente al público. Sin embargo, se puede acceder a todos los pasos de procesamiento y reproducirlos de la siguiente manera: El procesamiento previo de las imágenes de Sentinel-1 se puede replicar con el código abierto ESA SNAP Toolbox 8.0 y los pasos de procesamiento descritos en la Fig. 2. El código del HED- Unet basado en Pytorch (v1.7) está disponible en https://github.com/khdlr/HED-UNet y el script de posprocesamiento final (Python v3.7) está disponible en https://download.geoservice.dlr .de/icelines/files/icelines_auxiliary_v1.zip. Además, esta carpeta incluye datos utilizados para la evaluación de la precisión, un script de Python para descarga masiva (bulk-download-icelines.py) y un script de ejemplo ('display-icelines-gee.js') para mostrar los datos de IceLines con el Sentinel correspondiente. -1 escenas en Google Earth Engine.

Rignot, E., Jacobs, S., Mouginot, J. y Scheuchl, B. La plataforma de hielo se derrite alrededor de la Antártida. Ciencia 341, 266–270 (2013).

Artículo ADS CAS PubMed Google Scholar

Furst, JJ et al. La banda de seguridad de las plataformas de hielo antárticas. Nat. Clima Cambio 6, 479–482 (2016).

Artículo ANUNCIOS Google Académico

Cook, AJ et al. Forzamiento oceánico del retroceso de los glaciares en la península antártica occidental. Ciencia 353, 283–286 (2016).

Artículo ADS CAS PubMed Google Scholar

Cook, AJ, Fox, AJ, Vaughan, DG & Ferrigno, JG Frentes de glaciares en retirada en la Península Antártica durante el último medio siglo. Ciencia 308, 541–544 (2005).

Artículo ADS CAS PubMed Google Scholar

Cook, AJ & Vaughan, DG Descripción general de los cambios de área de las plataformas de hielo en la Península Antártica durante los últimos 50 años. La criosfera 4, 77–98 (2010).

Artículo ANUNCIOS Google Académico

Greene, CA, Gardner, AS, Schlegel, N.-J. & Fraser, AD La pérdida de partos en la Antártida rivaliza con el adelgazamiento de la plataforma de hielo. Naturaleza (2022).

Baumhoer, CA, Dietz, AJ, Kneisel, C., Paeth, H. y Kuenzer, C. Impulsores ambientales del retroceso del frente de la plataforma de hielo y los glaciares circunantárticos durante las últimas dos décadas. La criosfera 15, 2357–2381 (2021).

Artículo ANUNCIOS Google Académico

Davies, BJ, Carrivick, JL, Glasser, NF, Hambrey, MJ y Smellie, JL Respuesta variable de los glaciares al calentamiento atmosférico, norte de la Península Antártica, 1988–2009. La criosfera 6, 1031–1048 (2012).

Artículo ANUNCIOS Google Académico

Doake, CSM & Vaughan, DG Rápida desintegración de la plataforma de hielo de Wordie en respuesta al calentamiento atmosférico. Naturaleza 350, 328–330 (1991).

Artículo ANUNCIOS Google Académico

Jenkins, A. et al. Retiro de la capa de hielo de la Antártida occidental en el mar de Amundsen impulsado por la variabilidad oceánica decenal. Nat. Geosci. 11, 733–738 (2018).

Artículo ADS CAS Google Académico

Miles, BWJ, Stokes, CR & Jamieson, SSR Pan-el cambio en el extremo del glaciar de la capa de hielo en la Antártida oriental revela la sensibilidad de Wilkes Land a los cambios en el hielo marino. ciencia Adv. 2, e1501350 (2016).

Artículo ADS PubMed PubMed Central Google Scholar

Baumhoer, CA, Dietz, AJ, Dech, S. y Kuenzer, C. Detección remota de la dinámica del frente de la plataforma de hielo y el glaciar antártico: una revisión. Sensor remoto 10, 1445 (2018).

Artículo ANUNCIOS Google Académico

Lovell, AM, Stokes, CR y Jamieson, SSR Variaciones subdecadales en las posiciones terminales de los glaciares de salida en Victoria Land, Oates Land y George V Land, East Antarctica (1972–2013). Antártida. ciencia 29, 468–483 (2017).

Artículo ANUNCIOS Google Académico

Marshall, SJ Avances recientes en la comprensión de la dinámica de la capa de hielo. Planeta Tierra. ciencia Letón. 240, 191–204 (2005).

Artículo ADS CAS Google Académico

Wuite, J. et al. Migración del frente de parto subanual, cambio de área y tasas de parto de la altimetría CryoSat-2 en modo de barrido, en la plataforma de hielo Filchner-Ronne, Antártida. Sensor remoto 11, 2761 (2019).

Artículo ANUNCIOS Google Académico

Frezzotti, M. Fluctuación del frente de hielo, flujo de desprendimiento de iceberg y balance de masa de los glaciares de la Tierra Victoria. Antártida. ciencia 9, 61–73 (1997).

Artículo ADS MathSciNet Google Scholar

Liu, Y. et al. El adelgazamiento impulsado por el océano mejora el desprendimiento de icebergs y la retirada de las plataformas de hielo antárticas. proc. nacional Academia ciencia 112, 3263–3268 (2015).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Sohn, H.-G. & Jezek, KC Mapeo de los márgenes de la capa de hielo a partir de imágenes ERS-1 SAR y SPOT. En t. J. Remote Sens. 20, 3201–3216 (1999).

Artículo Google Académico

Liu, H. & Jezek, KC Extracción automatizada de la costa a partir de imágenes de satélite mediante la integración de la detección de bordes de Canny y métodos de umbrales adaptables localmente. En t. J. Remote Sens. 25, 937–958 (2004).

Artículo Google Académico

Wu, SY & Liu, AK Hacia un esquema automatizado de detección, extracción y clasificación de características oceánicas para imágenes SAR. En t. J. Remote Sens. 24, 935–951 (2003).

Artículo Google Académico

Cheng, D. et al. Calving Front Machine (CALFIN): conjunto de datos de terminales glaciales y método automatizado de extracción de aprendizaje profundo para Groenlandia, 1972–2019. La criosfera 15, 1663–1675 (2021).

Artículo ADS MathSciNet Google Scholar

Zhang, E., Liu, L., Huang, L. y Ng, KS Un método automatizado, generalizado y basado en el aprendizaje profundo para delinear los frentes de desprendimiento de los glaciares de Groenlandia a partir de imágenes de sensores remotos de múltiples sensores. Sensores Remotos Entorno. 254, 112265 (2021).

Artículo ANUNCIOS Google Académico

Baumhoer, CA, Dietz, AJ, Kneisel, C. y Kuenzer, C. Extracción automatizada de frentes de glaciares y plataformas de hielo antárticos a partir de imágenes de Sentinel-1 mediante aprendizaje profundo. Sensor remoto 11, 2529 (2019).

Artículo ANUNCIOS Google Académico

Baumhoer, C. IceLines - Serie temporal de la plataforma de hielo y el frente del glaciar. Geoservicio EOC https://doi.org/10.15489/btc4qu75gr92 (2022).

Secretaría SCAR (Comité Científico de Investigaciones Antárticas). Diccionario geográfico compuesto de la Antártida. Metadatos de GCMD 1992 (actualizado en 2014 y 2017) https://data.aad.gov.au/aadc/gaz/scar/ (2017).

Instalación Satelital de Alaska. Centro de Archivo Activo Distribuido (ASF DAAC). https://search.asf.alaska.edu/#/ (2022).

ESA SNAP - Plataforma de aplicaciones Sentinel, versión 8.0. http://step.esa.int (2020).

Wessel, B. et al. TanDEM-X PolarDEM 90 de la Antártida: generación y caracterización de errores. La criosfera 15, 5241–5260 (2021).

Artículo ANUNCIOS Google Académico

Heidler, K., Mou, L., Baumhoer, C., Dietz, A. y Zhu, XX HED-UNet: segmentación combinada y detección de bordes para monitorear la costa antártica. Trans. IEEE. Geosci. Sensores remotos 1–14 (2021).

Zhang, E., Liu, L. y Huang, L. Delineación automática del frente de parto de Jakobshavn Isbræ a partir de imágenes multitemporales de TerraSAR-X: un enfoque de aprendizaje profundo. La criosfera 13, 1729-1741 (2019).

Artículo ANUNCIOS Google Académico

Loebel, E. et al. Extracción de frentes de desprendimiento de glaciares mediante aprendizaje profundo: el beneficio de las características de entrada multiespectrales, topográficas y texturales. Trans. IEEE. Geosci. Sensor remoto 1–1 (2022).

Lea, JM, Mair, DWF y Rea, BR Evaluación de métodos existentes y nuevos para rastrear el cambio en el extremo del glaciar. J. Glaciol. 60, 323–332 (2014).

Artículo ANUNCIOS Google Académico

Goliber, S. et al. TermPicks: un siglo de datos de terminales de glaciares de Groenlandia para su uso en aplicaciones científicas y de aprendizaje automático. La criosfera 16, 3215–3233 (2022).

Artículo ANUNCIOS Google Académico

Mohajerani, Y., Wood, M., Velicogna, I. & Rignot, E. Detección de márgenes de desprendimiento de glaciares con redes neuronales convolucionales: un estudio de caso. Sensores remotos 11, 1–13 (2019).

Artículo Google Académico

Holzmann, M. et al. Segmentación del frente de parto de un glaciar mediante el uso de Atención U-Net. en 2021 Simposio internacional de geociencia y teledetección del IEEE IGARSS 3483–3486 (IEEE, 2021).

Descargar referencias

Nos gustaría agradecer a Jan-Karl Haug y Rouven Volkmann por visualizar IceLines en GeoService y proporcionar la interfaz de descarga de datos. Agradecemos al programa Copernicus de la Unión Europea y al Alaska Satellite Facility (ASF) por proporcionar acceso a los datos de Sentinel-1. Agradecemos a DLR por financiar el proyecto "Monitor Polar". Finalmente, nos gustaría agradecer a los editores, James Lea y un revisor anónimo por sus útiles comentarios y sugerencias para mejorar este manuscrito.

Financiamiento de acceso abierto habilitado y organizado por Projekt DEAL.

Centro de Observación de la Tierra (EOC), Centro Aeroespacial Alemán (DLR), Weßling, Alemania

Celia A. Baumhoer, Andreas J. Dietz y Claudia Kuenzer

Data Science in Earth Observation, Universidad Técnica de Munich (TUM), Munich, Alemania

Konrad Heidler

Instituto de Geografía y Geología, Universidad de Wurzburg, Wurzburg, Alemania

Claudia Kuenzer

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

CK, AD y CB desarrollaron la idea de IceLines. CB codificó e implementó IceLines, creó los datos de validación y entrenamiento, procesó la serie temporal, realizó la validación, creó las figuras y escribió el borrador original del manuscrito. KH codificó y entrenó el HED-UNet. También participó en la redacción del párrafo sobre HED-UNet. Todos los autores editaron y revisaron el manuscrito.

Correspondencia a Celia A. Baumhoer.

Los autores declaran no tener conflictos de intereses.

Nota del editor Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Baumhoer, CA, Dietz, AJ, Heidler, K. et al. IceLines: un nuevo conjunto de datos de posiciones frontales de la plataforma de hielo antártica. Datos científicos 10, 138 (2023). https://doi.org/10.1038/s41597-023-02045-x

Descargar cita

Recibido: 14 Septiembre 2022

Aceptado: 28 de febrero de 2023

Publicado: 15 de marzo de 2023

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

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt