Globally Scalable Glacier Mapping by Deep Learning Matches Expert Delineation Accuracy

要約

正確な地球規模の氷河マッピングは、気候変動の影響を理解する上で極めて重要である。その重要性にもかかわらず、地球規模での氷河マッピングの自動化はほとんど未解明のままである。ここでは、このギャップに対処し、畳み込み変換ディープラーニングモデルであるGlacier-VisionTransformer-U-Net（GlaViTU）と、オープン衛星画像を用いた多時間グローバルスケールの氷河マッピングのための5つの戦略を提案する。空間的、時間的、センサ横断的な汎化性を評価した結果、我々の最良の戦略は、ほとんどのケースで、以前に観測されたことのない画像において、0.85を超える交差を達成し、高山アジアのようなデブリの多い地域では0.75を超え、きれいな氷が支配的な地域では0.90を超える交差を達成した。面積と距離の偏差という点で、人間の専門家の不確実性との比較検証により、GlaViTUの性能が強調され、専門家レベルの線引きに近づいたり、一致したりした。合成開口レーダーデータ、すなわち後方散乱と干渉コヒーレンスを追加することで、利用可能なすべての地域で精度が向上する。氷河の広がりの較正された信頼度が報告され、予測はより信頼でき、解釈しやすくなりました。また、世界中の氷河の9％をカバーするベンチマーク・データセットも公開している。我々の結果は、自動化された多時間的かつグローバルな氷河マッピングに向けた取り組みをサポートするものである。

要約(オリジナル)

Accurate global glacier mapping is critical for understanding climate change impacts. Despite its importance, automated glacier mapping at a global scale remains largely unexplored. Here we address this gap and propose Glacier-VisionTransformer-U-Net (GlaViTU), a convolutional-transformer deep learning model, and five strategies for multitemporal global-scale glacier mapping using open satellite imagery. Assessing the spatial, temporal and cross-sensor generalisation shows that our best strategy achieves intersection over union >0.85 on previously unobserved images in most cases, which drops to >0.75 for debris-rich areas such as High-Mountain Asia and increases to >0.90 for regions dominated by clean ice. A comparative validation against human expert uncertainties in terms of area and distance deviations underscores GlaViTU performance, approaching or matching expert-level delineation. Adding synthetic aperture radar data, namely, backscatter and interferometric coherence, increases the accuracy in all regions where available. The calibrated confidence for glacier extents is reported making the predictions more reliable and interpretable. We also release a benchmark dataset that covers 9% of glaciers worldwide. Our results support efforts towards automated multitemporal and global glacier mapping.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL