Blog

Oct 31, 2023

Eislinien

Wissenschaftliche Daten Band 10,

Scientific Data Band 10, Artikelnummer: 138 (2023) Diesen Artikel zitieren

1338 Zugriffe

9 Altmetrisch

Details zu den Metriken

Die Frontposition eines Schelfeises ist ein wichtiger Parameter für die Modellierung der Eisdynamik, die Berechnung von Massenflüssen, die Kartierung von Gletscherflächenveränderungen, die Berechnung der Eisbergproduktionsraten und die Schätzung des Eisabflusses in den Ozean. Aufgrund der zeitaufwändigen manuellen Abgrenzung der Fronten und der bisher begrenzten Menge geeigneter Erdbeobachtungsdaten sind kontinuierliche und aktuelle Informationen über die Standorte der Kalbungsfronten in der Antarktis bislang rar. Hier präsentieren wir IceLines, einen neuartigen Datensatz über die Positionen der Eisschelffronten in der Antarktis, um die Veränderung der Kalbungsfront mit einer beispiellosen zeitlichen und räumlichen Auflösung zu beurteilen. Mehr als 19.400 Kalbungsfrontpositionen wurden automatisch extrahiert, wodurch dichte inter- und intrajährliche Zeitreihen der Kalbungsfrontveränderungen für die Ära von Sentinel-1 (2014 bis heute) erstellt wurden. Die Kalbungsfrontzeitreihe ist über den vom DLR gehosteten EOC GeoService abrufbar und wird monatlich aktualisiert. Der vorgestellte IceLines-Datensatz bietet erstmals die Möglichkeit, die Kalbungsfrontdynamik einfach in wissenschaftliche Studien und Modellierungen einzubeziehen, um unser Verständnis der Eisschilddynamik zu verbessern.

Drei Viertel der antarktischen Küste bestehen aus schwimmenden Eisschelfs, die den Eisabfluss des antarktischen Eisschildes (AIS)1 regulieren. Sich zurückziehende oder sogar zerfallende Eisschelfs können die Stützeffekte verringern und zu einem verstärkten Massenverlust des AIS2 führen. In den letzten Jahrzehnten haben Zerfallsereignisse entlang der Antarktischen Halbinsel (AP) und des Westantarktischen Eisschildes (WAIS) das dynamische Verhalten und den gefährdeten Zustand der antarktischen Schelfeise gezeigt3,4,5. Insgesamt überwiegt seit 1997 der Flächenverlust des antarktischen Schelfeises aufgrund von Zerfall und Kalbungen im Vergleich zum Flächengewinn des Schelfeises durch vorrückende Fronten6,7. Das Wachstum und der Zerfall eines Schelfeises wird durch mehrere Faktoren gesteuert, wie z. B. die interne Eisdynamik, die Schelfeisgeometrie, die Fixierungspunkte, die Bodentopographie sowie äußere mechanische und klimatische Kräfte. Es gibt immer mehr Hinweise darauf, dass langfristige atmosphärische und ozeanische Einflüsse zu einem Rückzug der Schelfeisfront entlang der AP- und WAIS-Region führen3,4,8,9,10. Für den Ostantarktischen Eisschild (EAIS) sind die Belege nicht so eindeutig, da die Zeitreihen der Kalbungsfronten kürzer und seltener sind7,11,12,13. Die Position der Kalbungsfront ist für antarktische Studien mit Schwerpunkt auf Ozeanographie, Meereis, Glaziologie und terrestrischer oder ozeanischer Ökologie von erheblichem Wert. Insbesondere in der Glaziologie ist die Frontposition ein wichtiger Parameter für die Modellierung der Eisdynamik14, die Berechnung von Massenflüssen15, die Kartierung von Gletscherflächenveränderungen8, die Berechnung der Eisbergproduktionsrate16 und die Schätzung des Exports von Eismasse in den Ozean17. Daher sind Kenntnisse über die halbjährliche Kalbungsfrontdynamik und ihre kurzfristigen Kontrollmechanismen von wesentlicher Bedeutung für ein besseres Verständnis der Eisschilddynamik, die den Massenverlust oder -zuwachs des AIS bestimmt12,15. Aufgrund zeitaufwändiger manueller Frontabgrenzungen und der bisher begrenzten Verfügbarkeit von Satellitenbildern liegen solche Daten jedoch bislang nicht für das gesamte AIS vor12. Um die mühsame manuelle Arbeit der Kalbungsfrontabgrenzung zu vermeiden, wurden traditionelle Bildgebungstechniken verwendet, um automatisierte Ansätze zu entwickeln, die aufgrund saisonaler Schwankungen des Meereises und der Oberflächenschmelze nicht für die unterjährliche Kalbungsfrontextraktion geeignet sind18,19,20. Bisher sind nur auf Deep Learning basierende Ansätze in der Lage, genaue und dichte Zeitreihen der Ortsveränderung der Kalbungsfront zu liefern21,22,23.

Wir machen uns diese innovativen Techniken zunutze und führen IceLines24 ein, einen Datensatz der Frontpositionen des antarktischen Schelfeises, der kontinuierliche und aktuelle Zeitreihen der Kalbungsfronten liefert. IceLines ist ein neuartiges, auf Deep Learning basierendes Framework, das Kalbungsfrontpositionen (CFL) auf verschiedenen Zeitskalen (täglich, monatlich, vierteljährlich, jährlich) für antarktische Schelfeise bereitstellt, die automatisch aus Sentinel-1-Radarbildern extrahiert werden. Der Datensatz umfasst alle im SCAR Composite Gazetter25 aufgeführten intakten antarktischen Schelfeise mit einer Breite von mindestens 30 km. Darüber hinaus wurden sechs dynamische Gletscherfronten von besonderem Interesse (z. B. Pine Island Glacier) für die Überwachung ausgewählt. Abbildung 1 zeigt die Schelfeisfronten und Gletscherzungen, die derzeit von IceLines überwacht werden. Abhängig von der Sentinel-1-Datenverfügbarkeit deckt die bereitgestellte Kalbungsfront-Zeitreihe den Zeitraum von 2014 bis heute ab und wird monatlich automatisch aktualisiert. Die IceLines-Daten24 sind über den GeoService des DLR (https://geoservice.dlr.de/web/maps/eoc:icelines) frei verfügbar.

Übersicht aller mit IceLines kontinuierlich überwachten Schelfeisfronten. An den Seiten sind beispielhafte Zeitreihen der Schelfeisfront dargestellt, die mit IceLines erstellt wurden. Copernicus Sentinel-1-Daten 2022.

IceLines24 wurde entwickelt, um die Positionen der antarktischen Schelfeisfronten automatisch zu überwachen und dichte Zeitreihen zum Kalbungsfrontwechsel zu liefern. Dies erfordert ein hohes Maß an Automatisierung, da zeitaufwändige manuelle Frontabgrenzungen nicht mit den schnell wachsenden Satellitenarchiven mithalten können12. Abbildung 2 zeigt die gesamte Verarbeitungspipeline von IceLines, die in die folgenden sechs Schritte unterteilt ist: Datendownload, Vorverarbeitung von Satellitendaten, Training des Convolutional Neural Network (CNN), Inferenz für automatisierte Frontextraktion, Nachverarbeitung von Frontvorhersagen und die Zeitreihengenerierung. Im Folgenden werden alle einzelnen Bearbeitungsschritte erläutert.

Der IceLines-Workflow gliedert sich in den Download von Satellitenszenen, die Vorverarbeitung, das Training des Convolutional Neural Network (CNN), die Inferenz für die automatisierte Frontextraktion, die Nachverarbeitung von Frontvorhersagen und die Zeitreihengenerierung.

Monatlich werden verfügbare Sentinel-1 GRD EW-Szenen (40 m Auflösung) für jedes überwachte Schelfeis, das durch ein Interessengebiet (Area of ​​Interest, AOI) definiert ist, vom Alaska Satellite Facility Distributed Active Archive Center (ASF DAAC)26 heruntergeladen. Wir haben EW-Daten ausgewählt, da sie dem Deep-Learning-Modell bei einer definierten Kachelgröße (in Pixeln) mehr räumlichen Kontext bieten und die Datenabdeckung für dual polarisierte EW-Szenen über der antarktischen Küste besser ist als für IW-Daten. Um unnötig große Datenmengen und die Verarbeitung von Szenen zu vermeiden, die ausgewählte Fronten nur teilweise abdecken, wird der Download durch Filterung nach geeigneten Satellitenumlaufbahnen, die jede Front vollständig abdecken, begrenzt. Daher hängt die Verfügbarkeit täglicher Frontpositionen von Sentinel-1-Erfassungen ab, die die Front abdecken, und kann zwischen einer und acht Beobachtungen pro Monat variieren. Die Verfügbarkeit von Sentinel-1-Daten in der Antarktis ist vor der Anpassung des Erfassungsschemas im Mai 2017 aufgrund des Starts von Sentinel-B und nach seinem Scheitern im Dezember 2021 begrenzt. In Fällen, in denen eine Front nie vollständig von einer gesamten Szene abgedeckt wird, angrenzend Am selben Tag aufgenommene Szenen werden nach der Vorverarbeitung zusammengeführt. Die Vorverarbeitung erfolgt mit dem Graph Processing Tool der ESA SNAP Toolbox27 auf einem Hadoop-Cluster mit 63 Knoten (32/64 GB RAM) innerhalb eines Docker-Containers. Für einfach polarisierte Szenen umfasst die Vorverarbeitung eine Unterteilung in die Schelfausdehnung, die Entfernung von thermischem Rauschen, eine radiometrische Kalibrierung, eine geometrische Geländekorrektur mit dem TanDEM-X PolarDEM 90 m28 und die Maskierung der Bilder durch einen 100 km breiten Küstenlinienpuffer. Darüber hinaus wird für dual polarisierte Bilder das Verhältnis zwischen der HH- und HV-Polarisation berechnet und dem Szenenstapel hinzugefügt, wie in Baumhoer et al. beschrieben. 2019 (Ref. 23).

Die Kalbungsfront wird mit einem HED-UNet extrahiert, das ursprünglich von Heidler et al.29 entwickelt und für eine zirkumantarktische Nutzung in IceLines angepasst wurde. Die Anpassung umfasste einen vielfältigeren Trainingsdatensatz mit 81 Sentinel-1-Szenen (anstelle von 11 Szenen), der 17 Küstenregionen (anstelle von nur 2) abdeckt, und die Fähigkeit des Netzwerks, duale und einfach polarisierte Bilder automatisch zu erkennen und vorherzusagen. Dies ist notwendig, da Sentinel-1-Bilder, die vor 2017 aufgenommen wurden, nur eine Polarisation enthalten. Darüber hinaus sind für einige Küstengebiete während des gesamten Aufnahmezeitraums von Sentinel-1 nur einfach polarisierte Bilder verfügbar (z. B. Bellingshausensee).

Das HED-UNet ist eine neuronale Netzwerkarchitektur, die speziell für die Extraktion von Kalbefronten entwickelt wurde und auf den beiden Prinzipien der Segmentierung und Kantenerkennung aufbaut. Während die Segmentierung darauf abzielt, Gletscherpixel von Ozeanpixeln zu unterscheiden, klassifiziert die Kantenerkennung direkt die Pixel an der Kalbungsfront. HED-UNet integriert beide Ansätze, um das Modell zum Erlernen visueller Muster zu ermutigen, die für den Eisschild, den Ozean und die Kalbungszone charakteristisch sind. Durch die Arbeit auf mehreren Auflösungsebenen kann das Modell einen größeren räumlichen Kontext als frühere Modelle berücksichtigen, was sich für die Aufgabe der Kalbungsfronterkennung als wichtig erwiesen hat. Die Trainingsdaten umfassen den Zeitraum Mai 2017 bis August 2019.

Abbildung 3 zeigt die Verteilung der Trainingsdaten, aufgeschlüsselt für jedes einzelne Schelfeis oder jeden Gletscher. Beachten Sie, dass einige Schelfeise von der gleichen Szene abgedeckt werden und daher die Trainingstermine für einige Schelfeise gleich sind.

Verteilung der Trainings- und Validierungsdaten für jedes Schelfeis oder jeden Gletscher. Trainingsdaten sind in Hellblau dargestellt, Validierungsdaten in Dunkelblau. Violette und graue Punkte zeigen die Polarisation der verwendeten Satellitenbilder an. Für das Training wurde das dual polarisierte Bild zusätzlich verwendet, um Gewichtungen für einfach polarisierte Bilder zu trainieren, indem nur der erste Kanal (HH-Polarisation) verwendet wurde. Kreise und Dreiecke zeigen an, ob die gesamte Vorderseite oder ein Teil davon für das Training/die Validierung verwendet wurde.

Der Nachbearbeitungsschritt nutzt die Vorhersagewahrscheinlichkeit des HED-UNet-Segmentierungskopfes für die Klassen „Eisschild“ und „Ozean“, wobei die Grenze beider Klassen die Küstenlinie markiert. Auf die Vorhersagewahrscheinlichkeit wird ein Höhenschwellenwert angewendet, um Gebiete oberhalb der Aufsetzlinie auszuschließen, indem alle Gebiete oberhalb eines empirisch festgelegten Höhenschwellenwerts von 110 m (TanDEM-X PolarDEM 90 m28 bezogen auf das WGS84-Ellipsoid) der Klasse Eisschild zugeordnet werden. Dieser Schwellenwert gilt auch für zukünftige Frontpositionen, es sei denn, ganze Eisschelfs zerfallen in Kombination mit einem drastischen Rückzug der Grundlinie. Dadurch werden fehlerhafte Klassifizierungen über der Trockenschneezone in hochgelegenen Eisschildgebieten beseitigt (manchmal mit Gebieten mit geringer Rückstreuung über dem Ozean verwechselt), haben jedoch keinen Einfluss auf Vorhersagen über tiefer gelegene Schelfeisgebiete. Die höhengestützte Vorhersagewahrscheinlichkeit wird mit einem Schwellenwert von 50 % (66 % für Jahresprodukte, die aus den Saisonprodukten abgeleitet werden) binarisiert. Anschließend wird eine morphologische Filterung angewendet, um sicherzustellen, dass es sich bei beiden Klassen um zusammenhängende Gebiete handelt. Nach Erhalt des endgültigen Klassifizierungsergebnisses wird eine zeitliche Aggregation angewendet, indem alle verfügbaren Segmentierungsergebnisse pro Monat, Saison und Jahr zusammengeführt werden. Bei Monatsprodukten wird die tägliche Vorhersagewahrscheinlichkeit durch Mittelung zusammengeführt. Bei saisonalen und jährlichen Produkten werden die monatlichen und saisonalen Klassifizierungen durch Mittelung der Binärmasken zusammengeführt.

IceLines bietet Kalbungsfront-Zeitreihen auf verschiedenen Zeitskalen, da die zeitliche Aggregation von Vorhersagen für mehrere Zeitschritte robustere Frontabgrenzungen ermöglicht. Beispielsweise werden gelegentlich fehlerhafte Vorhersagen über dem Ozean aufgrund von windaufgerautem Meer, Melange, Eisbergen oder Meereis durch die Zusammenführung mehrerer Klassifizierungsergebnisse ausgeglichen. Das binärisierte Klassifizierungsergebnis wird verwendet, um ein Polygon aus dem als Eisschild klassifizierten Gebiet zu extrahieren. Das Polygon-Shapefile wird auf Gültigkeit getestet (begrenzter Bereich, keine Selbstüberschneidungen, mehrteilige Geometrien, versuchen, Kerben des Polygons zu erhalten), bevor eine Linie aus dem Polygon extrahiert wird. Die Linie wird abgeschnitten, um die Szenengrenzen zu entfernen und die Küstenlinie wiederherzustellen. Das Ausschnittsmaß entspricht dem Ausmaß des ursprünglichen Satellitenbildes, das um 15 Pixel abgetragen wurde. Bei monatlich gemittelten Produkten kann es dennoch zu Szenengrenzen kommen, wenn die Szenenausdehnung innerhalb eines Monats variiert. Schließlich wird die Küstenlinie durch das AOI für jedes überwachte Schelfeis oder jeden Gletscher beschnitten, um die endgültige Position der Kalbungsfront zu ermitteln.

Tiefe neuronale Netze haben in mehreren Studien hinsichtlich der Geschwindigkeit ihre überlegene Leistung bei der Kalbungsfronterkennung gezeigt und erreichen dennoch bessere oder vergleichbare Genauigkeiten als manuelle Abgrenzungen21,22,23,29,30,31. Dennoch kommt es gelegentlich zu Ausfällen, wenn aufgrund von Eisbergen, Mélange, Oberflächenschmelze oder Wolkendecke falsche Frontpositionen ermittelt werden. Diese fehlerhaften Fronten können visuell leicht erkannt werden, die Automatisierung dieses Prozesses ist jedoch immer noch eine Herausforderung. Entweder können ungeeignete optische Bilder (z. B. Wolkendecke, unsichtbare Front) vorab eliminiert werden21 oder die Front selbst kann durch Polygonkomplexitätsmessungen verifiziert werden22. In unserem Fall lieferten beide Ansätze keine zufriedenstellenden Ergebnisse, was uns dazu veranlasste, ein Zuverlässigkeitsmaß basierend auf der Zeitreihe der Kalbungsfront zu erstellen. Die Zeitreihe der Kalbungsfront wird entlang senkrechter Mittellinien berechnet, vergleichbar mit der in Lea et al.32 beschriebenen Mittellinienmethode. Anstelle einer einzelnen Mittellinie haben wir mehrere Mittellinien verwendet, um die Schelfeisfront besser abzudecken und den seeseitigen Schnittpunkt zu messen, wenn mehrere Schnittpunkte (z. B. aufgrund von Gletscherspalten) vorhanden sind. Die Anzahl (3 bis 15 Mittellinien pro Schelf) und der Abstand (3 bis 65 km) der Mittellinien variieren je nach Größe des Schelfeises und der Komplexität der Front. In seltenen Fällen, in denen bekannt ist, dass die Frontbereiche des Schelfeises wiederholt mehrdeutig extrahiert werden (z. B. beim D-15-Eisberg vor dem Westlichen Schelfeis, Festeisbereich vor dem Filchner-Schelfeis), werden Mittellinien entweder übersprungen oder verschoben, um die tatsächlichen Werte zu erhalten Bewegungsmuster der Front, das nicht durch diese Bereiche beeinflusst wird. Innerhalb der Zeitreihe können möglicherweise falsche Frontpositionen erkannt werden, da sie entweder im Falle von Oberflächenschmelze deutlich landeinwärts oder aufgrund von Mélange- oder Meereisbedeckung seewärts gerichtet sind. Um diese Ausreißer zu erkennen, wird davon ausgegangen, dass die Position der Kalbungsfront nicht mehr als um den Mittelwert plus/minus der Standardabweichung (mindestens 2 Pixel (80 Meter) zur Berücksichtigung eines bestimmten Variationsgrads) von acht (vier für monatliche, Saison- und Jahresprodukte) vorherige und nachfolgende Frontpositionen. Die Anzahl von acht (vier) Frontpositionen gewährleistet die Abdeckung aufeinanderfolgender Fehlfronten, z. B. während Perioden von Oberflächenschmelze. Die aktuellsten Frontpositionen am Ende der Zeitreihe werden bei der Ausreißererkennung bei der monatlichen Verarbeitung erneut berücksichtigt, um sicherzustellen, dass Frontpositionen großer Abkalbungen letztendlich nicht als Ausreißer klassifiziert werden. In der Praxis bedeutet dies, dass bei der Suche nach einer vorderen Position eines kürzlich erfolgten Kalbeereignisses die Wahrscheinlichkeit größer ist, dass diese innerhalb der ersten drei Monate im Ordner „Fronten eliminiert“ gefunden wird. Als Ausreißer klassifizierte Frontpositionen werden in einem separaten Ordner gespeichert und weisen den Benutzer darauf hin, diese Fronten visuell zu überprüfen. Dieser Ansatz funktioniert zuverlässig bei Fronten mit klaren Bewegungsmustern von Vorwärts- und Rückzugsbewegungen, schließt jedoch oft zu viele sichere Frontpositionen aus, wenn häufige und kleinere Abkalbungen auftreten, insbesondere beim täglichen Produkt. Der Anteil zwischen zuverlässigen und potenziell unzuverlässigen Frontdetektionen schwankt zwischen <1 % und 99 % und hängt stark von der Geometrie der Schelfeisfront, Perioden der Oberflächenschmelze, Festeisgebieten und Kalbungsmuster ab. Im Durchschnitt bedürfen 47,4 % der täglichen und 38,8 % der monatlichen Frontpositionen einer weiteren Sichtprüfung.

Der IceLines-Datensatz24 ist im GeoService des DLR verfügbar und wird monatlich aktualisiert. Die vorderen Positionen werden als Linien-Shapefiles für jedes Schelfeis bereitgestellt. Falls die Schelfeise größer sind als die erfassten Sentinel-1-Szenen, werden die Frontpositionen in Unterfronten unterteilt und wie in Abb. 1 angegeben nummeriert. Jeder Ordner enthält Shapefiles, die auf täglicher, monatlicher, saisonaler und jährlicher Basis aggregiert werden. Sie sind in sicher extrahierte Fronten (Ordner „Fronten“) und Fronten unterteilt, die weitere manuelle Überprüfungen erfordern, bevor sie für die weitere Analyse verwendet werden können (Ordner „Fronten-eliminiert“). Die Dateinamenskonvention für ein Tages-, Monats-, Saison- und Jahresprodukt lautet:

Täglich:[Polarisation]_[JJJJMMTT]_[S1 eindeutige Produkt-ID]-[Schelfeisname].gpkg

Monatlich:[Polarisation]_[JJJJMM]-[Name des Schelfeises].gpkg

Saisonal:[YYYY][Quartal]_mean-[Schelfeisname].gpkg

Jährlich:[YYYY]noQ1_mean-[Name des Schelfeises].gpkg

„1SDH“ zeigt an, dass die Vorderseite aus einer doppelt polarisierten Eingangsszene extrahiert wurde, „1SSH“ aus einer einfach polarisierten Eingangsszene. Die Quartale sind als australische Jahreszeiten definiert, mit Q1 Sommer (Dez, Jan, Feb), Q2 Herbst (März, April, Mai), Q3 Winter (Jun, Jul, Aug) und Q4 Frühling (Sep, Okt, Nov). Der Jahresdurchschnitt schließt die Sommersaison aus, in der hauptsächlich Oberflächenschmelze auftritt (gekennzeichnet durch „noQ1“ im Dateinamen). Die Attributtabelle jeder Datei enthält das Datum der vorderen Position ('DATE_'), den Namen des Schelfeises ('name'), das Datum der letzten Aktualisierung ('updated', yyyymmdd) und die Versionsnummer ('version'). Bei Tages- und Monatsprodukten ist der Name der entsprechenden Sentinel-1-Szene enthalten („s1name“). Die Shapefiles liegen in der polaren stereografischen Projektion der Antarktis vor (EPSG:3031). Alle IceLines24-Produkte können vom DLR GeoService (https://download.geoservice.dlr.de/icelines/files/) als einzelnes GeoPackage oder kombinierte ZIP-Dateien für jedes zeitliche Produkt und Eisschelf getrennt in den Ordnern „fronts“ und heruntergeladen werden 'Fronten-eliminiert. Darüber hinaus ist eine visuelle Erkundung der jährlichen und monatlichen Kalbefrontpositionen über den Webbrowser des DLR GeoService (https://geoservice.dlr.de/web/maps/eoc:icelines) möglich.

IceLines wird validiert, indem der Abstandsunterschied zwischen den automatisch extrahierten Tagesfronten und manuellen Frontabgrenzungen berechnet wird. Dies ist eine häufig angewandte Methode zur Beurteilung der Genauigkeit der abgeleiteten Frontpositionen21,23,31. Dennoch ist die manuelle Frontabgrenzung eine sehr anspruchsvolle Aufgabe und unterliegt einem hohen Maß an Subjektivität. Wenn mehrere Experten an derselben Front arbeiten, werden immer unterschiedliche Ergebnisse erzielt12,30,33,34. Daher ist die automatisierte Frontposition nicht unbedingt falsch, wenn sie nicht mit der manuellen Referenz übereinstimmt. Um eine umfassende Validierung durchzuführen, die alle Arten unterschiedlicher Kalbungsfrontmorphologien und Erwerbsdaten berücksichtigt, wurden 92 Kalbungsfronten für eine Genauigkeitsbewertung ausgewählt. Die Auswahlkriterien erforderten zwei Fronten für jedes Schelfeis, eine abgeleitet aus einfach polarisierten Bildern zwischen Oktober 2014 und April 2017 und eine abgeleitet aus dual polarisierten Bildern zwischen August 2018 und Oktober 2021. Wenn nur einfach polarisierte Bilder verfügbar waren, waren es zwei einfach polarisierte Proben genommen. Beide Zeiträume wurden so gewählt, dass sie außerhalb der Zeitspanne der Trainingsdaten liegen. Die genaue Verteilung der Trainings- und Validierungsdaten ist in Abb. 3 dargestellt. Die Validierungsdaten wurden durch die Entnahme einer Zufallsstichprobe für jedes Schelfeis und jeden Zeitraum ermittelt. Aus den zuverlässigen Frontextraktionen wurde die verfügbare Frontposition, die dem zufällig ausgewählten Datum am nächsten liegt, zur Validierung herangezogen. Es muss erwähnt werden, dass auf der Grundlage einzelner polarisierter Bilder keine verlässlichen Frontpositionen für Filchner, Ronne und Teile des Ross- und West-Schelfeises abgeleitet werden konnten. Daher konnten sie nicht zur Validierung einbezogen werden. Dies gilt auch für Teile des Baudouin- und Getz-Schelfeises, da entweder während der ersten bzw. zweiten Validierungsperiode keine Bilder erfasst wurden. Zur Validierung größerer Schelfeise wurde die Front in mehrere Teile unterteilt (in Abb. 3 durch Dreiecke gekennzeichnet), um sicherzustellen, dass die extrahierte Front nur von einer klar identifizierbaren Satellitenszene abgeleitet wurde. Zusammengenommen bedecken alle Frontteile die gesamte Schelfeisfront.

Der Abstandsunterschied zwischen manuellen und automatisierten Fronten wurde getestet, indem der Abstand von der manuellen zur automatisierten Front entlang von Punkten im Pixelabstand (40 m) gemessen wurde. Diese Messung gibt einen Eindruck davon, wie gut die extrahierte Front mit der manuellen Abgrenzung übereinstimmt. Abbildung 4 zeigt den mittleren Entfernungsfehler für jedes Schelfeis mit 95-prozentiger Sicherheit in Hellblau. Darüber hinaus sind alle Validierungswerte in Tabelle S1 zusammengefasst. Die Genauigkeit variiert abhängig von der bewerteten Kalbungsfront und der Polarisation der Eingabebilder. Beispielsweise ist die mittlere Entfernungsgenauigkeit für das Amery- und das Sulzberger-Schelfeis gering, da die Frontextraktion mit einfach polarisierten Bildern nicht in der Lage war, Festeisbereiche zu erkennen, wie in Abb. 5 dargestellt. Die Vorderseite des Sulzberger-Schelfeises wird mit Ausnahme von sehr genau extrahiert die riesige (>30 km) Festeisfläche, die den mittleren Entfernungsfehler deutlich erhöht. Die besten mittleren Entfernungsgenauigkeiten wurden für die Eisschelfs Cosgrove, Bach und Stange erreicht (<1 Pixel). Im Durchschnitt beträgt der wahre mittlere Entfernungsfehler für Fronten, die aus Dual-Pol-Bildern extrahiert wurden, 209 ± 12 m (5,2 Pixel) mit 95 % Konfidenz und 432 ± 21 m (8,8 Pixel) für einfach polarisierte Bilder, was mit bestehenden Studien zum Kalben vergleichbar ist Frontextraktion für die Antarktis. Frühere Studien zur CNN-basierten Kalbungsfronterkennung veröffentlichten mittlere Entfernungsgenauigkeiten zwischen 96,32 m (1,97 Pixel)34, 86,76 ± 1,43 m (2,25 Pixel)21, 38 m (~6 Pixel)30 und 86 m22 für Grönland und 108 m (2,7). Pixel)23, 222 ± 23 (Wilkes Land)29, 345 ± 24 (Antarktische Halbinsel)29, 237,12 m35 und 330,63 m (2,35 Pixel)21 für die Antarktis. Es ist zu beachten, dass diese Genauigkeiten aufgrund zeitlicher und räumlicher Schwankungen in den Validierungsdatensätzen, die sich über 130,34 bis 6221 Gletscher in verschiedenen Zeiträumen erstrecken, nicht direkt vergleichbar sind. Zum weiteren Vergleich können manuelle Abgrenzungen verschiedener Experten zwischen 92,5 m34, 33 m (5,5 Pixel)30 und 183 m (4,6 Pixel)23 variieren, je nach Bildauflösung und Schwierigkeit der Abgrenzung der Kalbungsfront.

Validierungsgenauigkeiten für den IceLines-Datensatz. Für jedes Schelfeis und jeden Gletscher werden die mittlere Entfernung und die Genauigkeit der Mittellinie mit einer Zuverlässigkeit von 95 % angezeigt.

Automatisiert (blau) und manuell (violett) abgeleitete Kalbungsfronten für das Sulzberger-Schelfeis, den Holmes-Gletscher und das Thwaites-Schelfeis. Copernicus Sentinel-1-Daten 2022.

Um zu beurteilen, wie genau die Frontalbewegung einer Kalbungsfront mit dem IceLines-Datensatz24 bestimmt werden kann, wurde die Distanzgenauigkeit entlang senkrechter Mittellinien berechnet, die bereits für die Zeitreihengenerierung verwendet wurden. Die Genauigkeit der Frontalbewegung wird als mittlerer Abstand zwischen der manuellen und automatisierten Front entlang der definierten Mittellinien bestimmt. Abbildung 4 zeigt die Genauigkeit der Frontalbewegung in Dunkelblau. Darüber hinaus sind die Ergebnisse der Genauigkeitsbewertung in Tabelle S2 zusammengefasst. Im Durchschnitt beträgt der Fehler 63 ± 68 m (1,6 Pixel) für dual polarisierte Bilder und 107 ± 126 m (2,7 Pixel) für einfach polarisierte Bilder mit einer Sicherheit von 95 %. Die höchsten mittleren Mittellinienungenauigkeiten bestehen bei Gletschern mit häufigen und kleinen Kalbungsereignissen (z. B. Holmes- und Totten-Gletscher sowie Thwaites-Gletscherzunge), da es schwierig ist, Eisberge von Gletscherspalteneis zu unterscheiden, wie für den Holmes-Gletscher in Abb. 5 dargestellt. Abgesehen von bestimmten anspruchsvollen Fronten kann die Frontalbewegung mit hoher Genauigkeit beurteilt werden. Für 84 % der Kalbungsfronten im Validierungsdatensatz kann die Frontalbewegung unabhängig von der Polarisation der Eingabebilder mit einer Genauigkeit von besser als 2 Pixeln (<80 m) beurteilt werden.

Die umfassende Validierung von IceLines zeigt, dass von CNN abgeleitete Kalbungsfronten eine gute und genaue Alternative zu mühsamen manuellen Frontabgrenzungen darstellen. Die Frontposition kann aufgrund von Festeis, Mélange und Eisbergen nahe der Front um 209 ± 12 m (5,2 Pixel) bei dual polarisierten Bildern und 432 ± 21 m (8,8 Pixel) bei einfach polarisierten Bildern von der Frontposition abweichen Die Bewegung kann mit einer höheren Genauigkeit von 63 ± 68 m (1,6 Pixel) für duale und 107 ± 126 m (2,7 Pixel) für einfach polarisierte Bilder bestimmt werden. Aufgrund der SAR-spezifischen Rückstreueigenschaften bestehen Einschränkungen des IceLines-Datensatzes24. Die Erkennung von Kalbungsfronten während des Auftretens von Oberflächenschmelze oder innerhalb der Trockenschneezone (z. B. Ronne-, Ross- und Filchner-Schelfeis) bleibt eine Herausforderung, insbesondere bei einfach polarisierten SAR-Bildern. Aber die Vorteile von beleuchtungs- und wolkenunabhängigen SAR-Bildern überwiegen diese Einschränkungen und haben keinen nennenswerten Einfluss auf den beispiellosen Wert des IceLines-Datensatzes24, der durch regelmäßig aktualisierte, antarktische Zeitreihen des Kalbungsfrontwechsels repräsentiert wird.

Abschließend geben wir einen letzten Eindruck des sehr detaillierten IceLines-Datensatzes, um neue Möglichkeiten zur Analyse des Kalbungsfrontwechsels mit IceLines24 aufzuzeigen. Abbildung 6 zeigt die monatliche Veränderung der Kalbungsfront in Pine Island Bay zwischen 2015 und 2021. Die unterschiedliche Dynamik der Kalbungsfront in Pine Island Bay wird sichtbar und reicht von einem leichten Vorrücken der Cosgrove (+1,01 km) und Thwaites Ice Shelfs (+0,78 km) über das stetige Vordringen des Crosson-Schelfeises (+8,80 km), der starke Rückzug der Thwaites-Gletscherzunge (−16,86 km) bis zum Rückzug und das häufige Kalben des Pine-Island-Gletschers (Gesamtveränderung −19,05 km) zwischen 2015 und 2021. Abbildung 7 zeigt die frontalen Vortriebsraten antarktischer Schelfeise in den Jahren 2015 und 2021, die entlang einer senkrechten Mittellinie auf der Grundlage aller zuverlässigen Frontpositionen innerhalb des jeweiligen Jahres berechnet wurden. Wenn innerhalb des Jahres 2015 oder 2021 ein Kalbungsereignis stattfand, wurde der Vorstoß der Schelfeisfront anhand der längeren verbleibenden Vorwärtszeitreihe berechnet. Der Pine-Island-Gletscher weist mit 4,72 km/Jahr im Jahr 2021 die höchste Vortriebsgeschwindigkeit auf, gefolgt vom Thwaites-Gletscher mit 4,20 km/Jahr im Jahr 2015. Der Pine-Island-Gletscher beschleunigte sich zwischen 2015 und 2021 im Gegensatz zum zerfallenden Tongue of Thwaites. Bezogen auf alle Schelfeise zeigt die lineare Regressionstrendlinie (R2 = 0,89) eine leichte Tendenz zu höheren Vortriebsraten im Jahr 2015 im Vergleich zu 2021 für stärker vorrückende Schelfeise (>0,65 km/Jahr). Es muss erwähnt werden, dass dieser Trend stark dadurch dominiert wird, dass die zerfallende Gletscherzunge von Thwaites im Jahr 2021 im Vergleich zu 2015 keine klare Vorwärtsfront aufweist. Im Gegensatz zu dieser Gesamttendenz ist die Frontalvorwärtsbewegung von Pine Island, Totten, Ross West und Ronne , Larsen C und Brunt1 haben sich im Jahr 2021 im Vergleich zu 2015 beschleunigt. Darüber hinaus ist es bemerkenswert, dass Schelfe mit einem Kalbungsereignis zwischen 2015 und 2021 im Vergleich zu Schelfen ohne Kalbung wahrscheinlicher ihre frontale Vortriebsrate veränderten (siehe cyanfarbene Punkte in Abb. 7). . Zur weiteren Erkundung enthält die Ergänzung Tabelle S3 mit allen Vortriebsraten und eine interaktive und zoombare Version von Abb. 7 kann unter https://download.geoservice.dlr.de/icelines/files/icelines_auxiliary_v1.zip abgerufen werden.

Veränderung der Kalbungsfront in der Pine Island Bay zwischen 2015 und 2021, visualisiert mit den monatlichen Kalbungsfrontpositionen von IceLines. Das Diagramm oben rechts zeigt die Kalbungsfrontzeitreihe für jeden Schelf/Gletscher entlang einer zentralen Mittellinie in Fließrichtung. Copernicus Sentinel-1-Daten 2022.

Vortriebsraten der antarktischen Schelfeise im Jahr 2015 im Vergleich zu 2021. Bezogen auf alle Schelfeise zeigt die blaue Trendlinie eine leichte Tendenz zu höheren Vortriebsraten für sich schnell bewegende Fronten im Jahr 2015. Als Referenz steht die graue Linie für eine stetige Vormarschrate mit Nr Veränderung zwischen 2015 und 2021. Punkte über der Referenzlinie zeigen eine beschleunigte Vortriebsrate im Jahr 2021 im Vergleich zu 2015, Punkte darunter zeigen das Gegenteil. Punkte in Cyan zeigen an, ob das Schelfeis zwischen dem Vorstoß in den Jahren 2015 und 2021 gekalbt ist.

Der IceLines-Datensatz24 wurde erstellt, um Wissenschaftlern und Modellierern aktuelle Kalbungsfrontpositionen bereitzustellen, ohne dass zeitaufwändige manuelle Abgrenzungen erforderlich sind. Obwohl für viele Fronten Genauigkeiten auf Pixelebene erreicht werden können, sollten einige extrahierte Fronten vor der Verwendung manuell überprüft werden, insbesondere solche, die sich im Ordner „fronts-eliminated“ befinden. Dies kann in einem geografischen Informationssystem (z. B. QGIS - qgis.org) erfolgen. Bereiche mit fehlgeschlagener Frontextraktion können leicht durch gewundene Linien identifiziert werden, die nicht zwischen vorherigen und aufeinanderfolgenden Frontpositionen liegen. Im Zweifelsfall können die Frontpositionen anhand der eindeutigen Sentinel-1-ID und des Aufnahmedatums oder des Sentinel-1-Szenennamens in der Attributtabelle jeder Datei mit den ursprünglichen Sentinel-1-Bildern verglichen werden. Sentinel-1-Bilder können von ASF (search.asf.alaska.edu) und ESA (scihub.copernicus.eu) heruntergeladen werden. Auf vorverarbeitete Sentinel-1-Bilder kann über Google Earth Engine (earthengine.google.com) zugegriffen werden. Darüber hinaus nimmt die Wahrscheinlichkeit einer fehlgeschlagenen Frontextraktion mit zunehmender zeitlicher Aggregation ab. Dies bedeutet, dass zeitlich aggregierte Produkte (z. B. monatlich, saisonal, jährlich) gegenüber Tagesprodukten bevorzugt werden sollten. Der IceLines-Datensatz ist unter dem DOI https://doi.org/10.15489/btc4qu75gr92 registriert.

Die Verarbeitung von IceLines wurde im Calvalus-System und GPU-Cluster des Erdbeobachtungszentrums des DLR mithilfe proprietärer Software und dedizierter Python-Skripte (v3.6 und v3.7) durchgeführt. Aufgrund der Verwendung proprietärer Tools kann die implementierte Verarbeitungspipeline nicht öffentlich zugänglich gemacht werden. Alle Verarbeitungsschritte können jedoch wie folgt abgerufen und reproduziert werden: Die Vorverarbeitung der Sentinel-1-Bilder kann mit der Open-Source-ESA SNAP Toolbox 8.0 und den in Abb. 2 beschriebenen Verarbeitungsschritten nachgebildet werden. Der Code des HED- Unet basierend auf Pytorch (v1.7) ist unter https://github.com/khdlr/HED-UNet verfügbar und das endgültige Nachbearbeitungsskript (Python v3.7) ist unter https://download.geoservice.dlr verfügbar .de/icelines/files/icelines_auxiliary_v1.zip. Darüber hinaus enthält dieser Ordner Daten, die für die Genauigkeitsbewertung verwendet werden, ein Python-Skript für den Massen-Download (bulk-download-icelines.py) und ein beispielhaftes Skript ('display-icelines-gee.js') zur Anzeige von IceLines-Daten mit dem entsprechenden Sentinel -1 Szenen in Google Earth Engine.

Rignot, E., Jacobs, S., Mouginot, J. & Scheuchl, B. Schmelzendes Schelfeis rund um die Antarktis. Wissenschaft 341, 266–270 (2013).

Artikel ADS CAS PubMed Google Scholar

Fürst, JJ et al. Das Sicherheitsband des antarktischen Schelfeises. Nat. Aufstieg. Änderung 6, 479–482 (2016).

Artikel ADS Google Scholar

Cook, AJ et al. Ozean forciert den Gletscherrückgang auf der westlichen Antarktischen Halbinsel. Wissenschaft 353, 283–286 (2016).

Artikel ADS CAS PubMed Google Scholar

Cook, AJ, Fox, AJ, Vaughan, DG & Ferrigno, JG Rückzug der Gletscherfronten auf der Antarktischen Halbinsel im letzten halben Jahrhundert. Wissenschaft 308, 541–544 (2005).

Artikel ADS CAS PubMed Google Scholar

Cook, AJ & Vaughan, DG Überblick über die räumlichen Veränderungen der Eisschelfs auf der Antarktischen Halbinsel in den letzten 50 Jahren. Die Kryosphäre 4, 77–98 (2010).

Artikel ADS Google Scholar

Greene, CA, Gardner, AS, Schlegel, N.-J. & Fraser, AD Der Verlust von Kalben in der Antarktis konkurriert mit der Ausdünnung des Schelfeises. Natur (2022).

Baumhoer, CA, Dietz, AJ, Kneisel, C., Paeth, H. & Kuenzer, C. Umweltbedingte Ursachen für den Rückgang der Gletscher und Schelfeisfronten rund um die Antarktis in den letzten zwei Jahrzehnten. Die Kryosphäre 15, 2357–2381 (2021).

Artikel ADS Google Scholar

Davies, BJ, Carrivick, JL, Glasser, NF, Hambrey, MJ & Smellie, JL Variable Gletscherreaktion auf atmosphärische Erwärmung, nördliche Antarktische Halbinsel, 1988–2009. Die Kryosphäre 6, 1031–1048 (2012).

Artikel ADS Google Scholar

Doake, CSM & Vaughan, DG Rascher Zerfall des Wordie-Schelfeises als Reaktion auf die Erwärmung der Atmosphäre. Nature 350, 328–330 (1991).

Artikel ADS Google Scholar

Jenkins, A. et al. Der Rückgang des westantarktischen Eisschildes im Amundsenmeer wird durch dekadische ozeanische Variabilität verursacht. Nat. Geosci. 11, 733–738 (2018).

Artikel ADS CAS Google Scholar

Miles, BWJ, Stokes, CR & Jamieson, SSR Pan-Eisschild-Gletscher-Terminus-Veränderung in der Ostantarktis zeigt Empfindlichkeit von Wilkes Land gegenüber Meereisveränderungen. Wissenschaft. Adv. 2, e1501350 (2016).

Artikel ADS PubMed PubMed Central Google Scholar

Baumhoer, CA, Dietz, AJ, Dech, S. & Kuenzer, C. Fernerkundung der Dynamik antarktischer Gletscher und Eisschelffronten – Ein Rückblick. Remote Sens. 10, 1445 (2018).

Artikel ADS Google Scholar

Lovell, AM, Stokes, CR & Jamieson, SSR Subdekadische Variationen der Endpositionen der Auslassgletscher im Victoria Land, Oates Land und George V Land, Ostantarktis (1972–2013). Antarktis. Wissenschaft. 29, 468–483 (2017).

Artikel ADS Google Scholar

Marshall, SJ Jüngste Fortschritte beim Verständnis der Dynamik der Eisdecke. Planet Erde. Wissenschaft. Lette. 240, 191–204 (2005).

Artikel ADS CAS Google Scholar

Wuite, J. et al. Unterjährliche Kalbungsfrontwanderung, Flächenveränderung und Kalbungsraten aus der Schwadmodus-CryoSat-2-Höhenmessung auf dem Filchner-Ronne-Schelfeis, Antarktis. Remote Sens. 11, 2761 (2019).

Artikel ADS Google Scholar

Frezzotti, M. Eisfrontschwankung, Eisbergkalbungsfluss und Massenbilanz der Victoria-Land-Gletscher. Antarktis. Wissenschaft. 9, 61–73 (1997).

Artikel ADS MathSciNet Google Scholar

Liu, Y. et al. Die vom Meer verursachte Ausdünnung fördert das Kalben von Eisbergen und den Rückzug der antarktischen Schelfeise. Proz. Natl. Acad. Wissenschaft. 112, 3263–3268 (2015).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Sohn, H.-G. & Jezek, KC Kartierung der Eisschildränder anhand von ERS-1 SAR- und SPOT-Bildern. Int. J. Remote Sens. 20, 3201–3216 (1999).

Artikel Google Scholar

Liu, H. & Jezek, KC Automatisierte Extraktion der Küstenlinie aus Satellitenbildern durch Integration von Canny-Kantenerkennung und lokal adaptiven Schwellenwertmethoden. Int. J. Remote Sens. 25, 937–958 (2004).

Artikel Google Scholar

Wu, SY & Liu, AK Auf dem Weg zu einem automatisierten Schema zur Erkennung, Extraktion und Klassifizierung von Meeresmerkmalen für SAR-Bilder. Int. J. Remote Sens. 24, 935–951 (2003).

Artikel Google Scholar

Cheng, D. et al. Calving Front Machine (CALFIN): Gletschertermini-Datensatz und automatisierte Deep-Learning-Extraktionsmethode für Grönland, 1972–2019. Die Kryosphäre 15, 1663–1675 (2021).

Artikel ADS MathSciNet Google Scholar

Zhang, E., Liu, L., Huang, L. & Ng, KS Eine automatisierte, verallgemeinerte, Deep-Learning-basierte Methode zur Abgrenzung der Kalbungsfronten grönländischer Gletscher anhand von Multisensor-Fernerkundungsbildern. Fernerkundung. Umwelt. 254, 112265 (2021).

Artikel ADS Google Scholar

Baumhoer, CA, Dietz, AJ, Kneisel, C. & Kuenzer, C. Automatisierte Extraktion antarktischer Gletscher- und Eisschelffronten aus Sentinel-1-Bildern mithilfe von Deep Learning. Remote Sens. 11, 2529 (2019).

Artikel ADS Google Scholar

Baumhoer, C. IceLines – Zeitreihen zum Schelfeis und zur Gletscherfront. EOC GeoService https://doi.org/10.15489/btc4qu75gr92 (2022).

Sekretariat SCAR (Wissenschaftlicher Ausschuss für Antarktisforschung). Zusammengesetzter Ortsverzeichnis der Antarktis. GCMD-Metadaten 1992 (aktualisiert 2014 und 2017) https://data.aad.gov.au/aadc/gaz/scar/ (2017).

Alaska-Satellitenanlage. Verteiltes aktives Archivzentrum (ASF DAAC). https://search.asf.alaska.edu/#/ (2022).

ESA SNAP – Sentinel Application Platform, Version 8.0. http://step.esa.int (2020).

Wessel, B. et al. TanDEM-X PolarDEM 90 der Antarktis: Erzeugung und Fehlercharakterisierung. Die Kryosphäre 15, 5241–5260 (2021).

Artikel ADS Google Scholar

Heidler, K., Mou, L., Baumhoer, C., Dietz, A. & Zhu, XX HED-UNet: Kombinierte Segmentierung und Kantenerkennung zur Überwachung der antarktischen Küste. IEEE Trans. Geosci. Remote Sens. 1–14 (2021).

Zhang, E., Liu, L. & Huang, L. Automatische Abgrenzung der Kalbungsfront von Jakobshavn Isbræ aus multitemporalen TerraSAR-X-Bildern: ein Deep-Learning-Ansatz. Die Kryosphäre 13, 1729–1741 (2019).

Artikel ADS Google Scholar

Loebel, E. et al. Extraktion von Gletscherkalbungsfronten durch Deep Learning: der Nutzen multispektraler, topografischer und struktureller Eingabemerkmale. IEEE Trans. Geosci. Remote Sens. 1–1 (2022).

Lea, JM, Mair, DWF & Rea, BR Bewertung bestehender und neuer Methoden zur Verfolgung von Gletscherendpunktveränderungen. J. Glaciol. 60, 323–332 (2014).

Artikel ADS Google Scholar

Goliber, S. et al. TermPicks: Ein Jahrhundert grönländischer Gletscherendpunktdaten zur Verwendung in wissenschaftlichen und maschinellen Lernanwendungen. Die Kryosphäre 16, 3215–3233 (2022).

Artikel ADS Google Scholar

Mohajerani, Y., Wood, M., Velicogna, I. & Rignot, E. Erkennung von Gletscherkalbungsrändern mit Faltungs-Neuronalen Netzen: Eine Fallstudie. Remote Sens. 11, 1–13 (2019).

Artikel Google Scholar

Holzmann, M. et al. Segmentierung der Gletscherkalbungsfront mithilfe von Attention U-Net. im Jahr 2021 IEEE International Geoscience and Remote Sensing Symposium IGARSS 3483–3486 (IEEE, 2021).

Referenzen herunterladen

Wir danken Jan-Karl Haug und Rouven Volkmann für die Visualisierung von IceLines im GeoService und die Bereitstellung der Daten-Download-Schnittstelle. Wir danken dem Copernicus-Programm der Europäischen Union und der Alaska Satellite Facility (ASF) für die Bereitstellung des Zugangs zu Sentinel-1-Daten. Wir danken dem DLR für die Förderung des Projekts „Polar Monitor“. Abschließend möchten wir den Herausgebern, James Lea und einem anonymen Gutachter für ihre hilfreichen Kommentare und Vorschläge zur Verbesserung dieses Manuskripts danken.

Open-Access-Förderung ermöglicht und organisiert durch Projekt DEAL.

Earth Observation Center (EOC), Deutsches Zentrum für Luft- und Raumfahrt (DLR), Weßling, Deutschland

Celia A. Baumhoer, Andreas J. Dietz & Claudia Künzer

Datenwissenschaft in der Erdbeobachtung, Technische Universität München (TUM), München, Deutschland

Konrad Heideler

Institut für Geographie und Geologie, Universität Würzburg, Würzburg, Deutschland

Claudia Kuenzer

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

CK, AD und CB entwickelten die Idee für IceLines. CB hat IceLines codiert und implementiert, die Validierungs- und Trainingsdaten erstellt, die Zeitreihen verarbeitet, die Validierung durchgeführt, die Abbildungen erstellt und den Originalentwurf des Manuskripts geschrieben. KH hat das HED-UNet codiert und trainiert. Er war auch am Schreiben des Absatzes über HED-UNet beteiligt. Alle Autoren haben das Manuskript redigiert und überarbeitet.

Korrespondenz mit Celia A. Baumhoer.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Anmerkung des Herausgebers Springer Nature bleibt hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten neutral.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht durch gesetzliche Vorschriften zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Baumhoer, CA, Dietz, AJ, Heidler, K. et al. IceLines – Ein neuer Datensatz der Frontpositionen des antarktischen Schelfeises. Sci Data 10, 138 (2023). https://doi.org/10.1038/s41597-023-02045-x

Zitat herunterladen

Eingegangen: 14. September 2022

Angenommen: 28. Februar 2023

Veröffentlicht: 15. März 2023

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

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt