Multi-Sensor Deep Learning for Glacier Mapping

要約

氷床の外側にある 20 万以上の氷河は、海面上昇、水資源管理、自然災害、生物多様性、観光に影響を与え、私たちの社会において重要な役割を果たしています。
しかし、これらの氷河のほんの一部だけが、その状態と時間の経過に伴う変化を評価できる、一貫した詳細な現地観察の恩恵を受けています。
この制限は、衛星ベースの地球観測技術に依存することで部分的に克服できます。
衛星ベースの氷河マッピング アプリケーションは、これまで主に手動および半自動の検出方法に依存してきましたが、最近ではディープラーニング技術への急速かつ顕著な移行が始まりました。
この章では、マルチセンサーのリモートセンシングデータとディープラーニングを組み合わせることで、どのようにして氷河をより正確に描写（つまりマッピング）し、その時間的変化を検出できるようになるかをレビューします。
深層学習マルチセンサー フレームワークに依存して氷河をマッピングすることで、地域および世界規模の氷河目録が広範囲に入手できることからどのようなメリットがあるかを説明します。
また、氷河マッピングの背後にある理論的根拠、深層学習手法の利点、マルチセンサー地球観測データを深層学習アルゴリズムと統合する際の固有の課題も分析します。
私たちのレビューは、氷河マッピングの取り組みの広範な概要を提供することを目的としていますが、ディープラーニング マルチセンサー リモート センシング アプリケーションが大きな潜在的な付加価値をもたらすいくつかのセットアップに焦点を当てます。
これには、周囲と視覚的に区別するのが難しい、破片に覆われた氷河や岩の氷河、および海と接する氷河の崩壊への応用が含まれます。
これらの具体的なケースは、一連の視覚画像を通じて示されており、季節的な積雪への対処、瓦礫被覆の変化、氷河前線と周囲の海氷の区別など、氷河の変化を検出する際のいくつかの重要な利点と課題が強調されています。

要約(オリジナル)

The more than 200,000 glaciers outside the ice sheets play a crucial role in our society by influencing sea-level rise, water resource management, natural hazards, biodiversity, and tourism. However, only a fraction of these glaciers benefit from consistent and detailed in-situ observations that allow for assessing their status and changes over time. This limitation can, in part, be overcome by relying on satellite-based Earth Observation techniques. Satellite-based glacier mapping applications have historically mainly relied on manual and semi-automatic detection methods, while recently, a fast and notable transition to deep learning techniques has started. This chapter reviews how combining multi-sensor remote sensing data and deep learning allows us to better delineate (i.e. map) glaciers and detect their temporal changes. We explain how relying on deep learning multi-sensor frameworks to map glaciers benefits from the extensive availability of regional and global glacier inventories. We also analyse the rationale behind glacier mapping, the benefits of deep learning methodologies, and the inherent challenges in integrating multi-sensor earth observation data with deep learning algorithms. While our review aims to provide a broad overview of glacier mapping efforts, we highlight a few setups where deep learning multi-sensor remote sensing applications have a considerable potential added value. This includes applications for debris-covered and rock glaciers that are visually difficult to distinguish from surroundings and for calving glaciers that are in contact with the ocean. These specific cases are illustrated through a series of visual imageries, highlighting some significant advantages and challenges when detecting glacier changes, including dealing with seasonal snow cover, changing debris coverage, and distinguishing glacier fronts from the surrounding sea ice.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google