DOI: https://doi.org/10.5194/essd-18-6017-2026
تاريخ النشر: 2026-08-25
المؤلف: Kaihong Jiao وآخرون
الموضوع الرئيسي: ديناميات الجليد في القطب الشمالي والقطب الجنوبي
نظرة عامة
تتناول هذه الدراسة الفجوة الكبيرة في رسم الخرائط الآلي للجبال الجليدية الثابتة حول القارة القطبية الجنوبية، والتي تعتبر حاسمة لإنتاجية البحار الساحلية والنظم البيئية القاعية. باستخدام صور رادار الفتحة الاصطناعية (SAR) من Sentinel-1، طور الباحثون إطار عمل للكشف الآلي يدمج شبكة التعلم العميق ResUNet مع خوارزمية تحديد متعددة الزمن. تعمل هذه الطريقة على تقليل الإيجابيات الكاذبة البيئية من خلال دمج القيود الفيزيائية من العمق البحري وتركيز الجليد البحري، مما يحقق أداءً قويًا في الكشف مع درجة F1 تتجاوز 0.91 وحجم جبل جليدي قابل للكشف لا يقل عن 0.016 كم².
تحدد مجموعة البيانات عالية الدقة على مستوى القارة 39,619 جبلًا جليديًا ثابتًا في مارس 2025، مع تصنيف 67.4% منها كجبال جليدية ثابتة ذات ثقة عالية. ومن الجدير بالذكر أن الجبال الجليدية الصغيرة (< 1 كم²) شكلت 92.6% من العدد الإجمالي وساهمت بـ 53.9% من المساحة الإجمالية الثابتة، مما يدل على دورها الكبير في استقرار الجليد السريع من خلال تأثير "سياج الدعامات" المحتمل. تمتد توزيع هذه الجبال الجليدية الثابتة على 56.5% من الساحل القطبي الجنوبي، مع تركيز 80% منها في 14.2% فقط من الساحل. لا تعزز مجموعة البيانات هذه فقط فهم ديناميات الجبال الجليدية، بل تعمل أيضًا كمعيار حاسم لنمذجة استقرار الجليد السريع وتقييم تدفقات المغذيات في النظم البيئية البحرية في القارة القطبية الجنوبية.
مقدمة
تناقش مقدمة ورقة البحث أهمية الجبال الجليدية في القارة القطبية الجنوبية، التي تنشأ من انفصال الأرفف الجليدية والأنهار الجليدية الساحلية، ودورها في تنظيم توازن الكتلة لصفائح الجليد في القارة القطبية الجنوبية. تسهم أحداث الانفصال في فقدان الكتلة حوالي نصف كتلة القارة، مقارنة بالذوبان القاعدي. يمكن أن تتفاعل الجبال الجليدية، وخاصة تلك التي تحتوي على عمق كبير تحت السطح، مع قاع البحر، مما يجعلها ثابتة وتعمل كمرساة حاسمة لجليد البحر الثابت في القارة القطبية الجنوبية. تؤثر هذه التفاعلات على ديناميات الجليد-المحيط الساحلي، وتعزز تشكيل البولينيا، وتؤثر على النظم البيئية المحلية من خلال زيادة توفر المغذيات للفيتوبلانكتون ودعم المجتمعات الميكروبية الفريدة.
تسلط الورقة الضوء على التحديات المتعلقة بمراقبة الجبال الجليدية، وخاصة الأصغر منها، باستخدام الطرق التقليدية المعتمدة على تحليل الصور الفضائية اليدوي. يقترح المؤلفون استخدام بيانات رادار الفتحة الاصطناعية (SAR) من كوكبة الأقمار الصناعية Sentinel-1، والتي تسمح بالمراقبة على مدار السنة دون تأثرها بالظروف الجوية. يقدمون إطار عمل للتعلم العميق، ResUNet، للكشف الآلي والتجزئة للجبال الجليدية الثابتة، بهدف إنشاء مجموعة بيانات شاملة تلتقط دينامياتها وتفاعلاتها مع الجليد السريع. تركز هذه الدراسة على أواخر الصيف وأوائل الخريف من عام 2025، وهي فترة تتميز بمدى جليد سريع منخفض قياسي، مما يوفر فرصة فريدة لتحديد الجبال الجليدية الثابتة بدقة وفهم آثارها البيئية والمناخية.
طرق
تحدد قسم الطرق نهجًا منهجيًا لإنشاء مجموعة بيانات الجبال الجليدية الثابتة، منظمة في خمسة أقسام فرعية رئيسية: (3.1) إعداد البيانات، (3.2) كشف الجبال الجليدية، (3.3) تحديد الجبال الجليدية الثابتة، (3.4) تصفية القيود الفيزيائية، و(3.5) التحقق من الأداء. يتم تمثيل سير العمل بصريًا في الشكل 2، حيث تحتوي الصناديق I إلى IV على خط إنتاج رئيسي، ينتقل من إدخال البيانات الأولية إلى الناتج النهائي لمجموعة بيانات الجبال الجليدية الثابتة. تتناول الصندوق V بشكل خاص تقييم الدقة الذي تم إجراؤه على مجموعة تحقق مستقلة، مما يضمن موثوقية مجموعة البيانات الناتجة.
نتائج
في هذه الدراسة، تم تصنيف الجبال الجليدية المكتشفة وفقًا للنظام المقترح من قبل Wesche وDierking (2015)، الذي يصنفها إلى ست فئات حجم متميزة: الجبال الجليدية الدقيقة (A0، < 0.1 كم²)، الجبال الجليدية الصغيرة (A1، 0.1-1 كم²)، الجبال الجليدية المتوسطة (A2، 1-10 كم²)، الجبال الجليدية المتوسطة (A3، 10-100 كم²)، الجبال الجليدية الكبيرة (A4، 100-1000 كم²)، والجبال الجليدية العملاقة (A5، ≥ 1000 كم²). يسهل هذا التصنيف تحليل أنماط التوزيع المكاني بين الجبال الجليدية ذات الأحجام المختلفة. ومن الجدير بالذكر أن مجموعة البيانات لم تتضمن أي جبال جليدية ثابتة في فئات الكبيرة (A4) أو العملاقة (A5)، وهو ما يتماشى مع هدف الدراسة لمعالجة "السكان المفقودين" من الجبال الجليدية الأصغر (تلك < 100 كم²). لتحسين الكشف عن هذه الأهداف الممثلة تمثيلاً ناقصًا، تم تصميم استراتيجية التدريب بشكل خاص للتركيز على الجبال الجليدية الدقيقة إلى المتوسطة (A0-A3). يضمن هذا النهج حساسية أعلى في تحديد الجبال الجليدية الأصغر، مما يكمل السجلات الواسعة للجبال الجليدية الأكبر التي تحتفظ بها الوكالات التشغيلية، مثل المركز الوطني للجليد في الولايات المتحدة. تؤكد النتائج على أهمية استهداف سكان الجبال الجليدية الأصغر لتحسين جهود المراقبة والتصنيف العامة للجبال الجليدية.
مناقشة
في هذا القسم، يوضح المؤلفون المنهجية لإعداد مجموعة بيانات التدريب وبناء نموذج لكشف الجبال الجليدية باستخدام هياكل قائمة على U-Net. تم توليد عينات التدريب من 15 صورة رادار فتحة اصطناعية (SAR)، والتي تم وضع علامات عليها يدويًا لتحديد مناطق الجبال الجليدية. تم تقسيم هذه الصور إلى صور فرعية بحجم تقريبًا 250 × 250 بكسل، والتي تم تحسينها بعد ذلك إلى 1536 × 1536 بكسل لتعزيز دقة تجزئة الحدود. تم اختيار ما مجموعه 702 صورة فرعية للتدريب، مع التركيز على الجبال الجليدية التي تقل عن 100 كم² لتحسين الحساسية لهذه الأهداف الممثلة تمثيلاً ناقصًا. تم اشتقاق مجموعة بيانات التدريب من تسع مناطق ساحلية متنوعة في القارة القطبية الجنوبية، تغطي ظروف بيئية متنوعة وتغيرات سنوية من 2021 إلى 2025.
استخدم المؤلفون بنية U-Net المعدلة، المسماة ResUNet، التي تدمج مشفر ResNet152 ووحدة اهتمام الكتلة التلافيفية (CBAM) لتحسين استخراج الميزات من صور SAR. تم تدريب النموذج باستخدام دالة خسارة مركبة تتضمن خسارة Binary Cross-Entropy الموزونة وخسارة Tversky لمعالجة عدم توازن الفئات، مع تحسين المعلمات الفائقة من خلال طرق بايزي. استخدم عملية التدريب إعدادًا متعدد وحدات معالجة الرسوميات لتعزيز الكفاءة، وتم تنفيذ آلية إيقاف مبكر لمنع الإفراط في التكيف. تم تحقيق تحديد الجبال الجليدية الثابتة من خلال إطار عمل تصفية هرمي يأخذ في الاعتبار الخصائص الزمانية المكانية والقيود البيئية، مما يضمن ثقة عالية في دقة مجموعة البيانات من خلال تطبيق مرشحات القابلية الفيزيائية استنادًا إلى بيانات العمق البحري وتركيز الجليد البحري.
القيود
تسلط القيود في هذه الدراسة حول مجموعة بيانات الجبال الجليدية الثابتة حول القارة القطبية الجنوبية الضوء على عدة تحديات حاسمة تتعلق بتعليق البيانات، وقابلية التكيف الخوارزمية، والعوامل البيئية. يؤدي دمج بيانات رادار الفتحة الاصطناعية (SAR) غير المتجانسة، وخاصة من أوضاع Wide (IW) وExtra Wide (EW)، إلى عدم تناسق مكاني وإشعاعي، حيث تظهر وضعية EW قدرات كشف متفوقة. هذه الفجوة، المدفوعة أساسًا بتوافر البيانات وانحيازات تدريب النموذج بدلاً من الفيزياء الجوهرية لأوضاع SAR، تؤدي إلى أداء متغير عبر مناطق مختلفة. بالإضافة إلى ذلك، فإن اعتماد النموذج على قنوات الاستقطاب المتنوعة يعقد تباين الجبال الجليدية-المحيط، مما يؤدي إلى تقلبات في حساسية التجزئة وانحيازات محتملة في تقديرات كثافة الجبال الجليدية الإقليمية.
تتفاقم التحديات في الكشف عن الأهداف الصغيرة، وخاصة تلك التي تقل عن 25 بكسل، بسبب خلفيات الجليد البحري المعقدة، التي يمكن أن تحجب الحدود الحقيقية للجبال الجليدية وتدخل ضوضاء في التسميات إلى مجموعة بيانات التدريب. كما أن الخوارزمية تواجه صعوبة في المناطق التي تكتظ بالجبال الجليدية، حيث قد يتم التعرف على الجبال الجليدية الصغيرة المتداخلة ككيان واحد. علاوة على ذلك، قد يؤدي الاعتماد على القيود العمق البحري لإزالة الإيجابيات الكاذبة إلى الاستبعاد الخاطئ للجبال الجليدية الثابتة، خاصة في المناطق الضحلة من الرفوف القارية. بينما تستخدم الدراسة نهجًا مزدوجًا لتعزيز المتانة ضد التصنيف الخاطئ، لا تزال هناك شكوك بشأن دقة مجموعات البيانات المساعدة، والتي يمكن أن تؤثر على حالة تثبيت الجبال الجليدية. بشكل عام، بينما تعزز الدراسة منهجيات كشف الجبال الجليدية، تتطلب هذه القيود اعتبارًا دقيقًا في التطبيقات والتحليلات المستقبلية.
DOI: https://doi.org/10.5194/essd-18-6017-2026
Publication Date: 2026-08-25
Author(s): Kaihong Jiao et al.
Primary Topic: Arctic and Antarctic ice dynamics
Overview
This study addresses the significant gap in the automated mapping of grounded icebergs around Antarctica, which are crucial for coastal marine productivity and benthic ecosystems. Utilizing Sentinel-1 Synthetic Aperture Radar (SAR) imagery, the researchers developed an automated detection framework that integrates a ResUNet deep-learning network with a multi-temporal identification algorithm. This method effectively mitigates environmental false positives by incorporating physical constraints from bathymetry and sea ice concentration, achieving a robust detection performance with an F1 score exceeding 0.91 and a minimum detectable iceberg size of 0.016 km².
The resulting high-resolution, continent-wide dataset identified 39,619 stationary icebergs in March 2025, with 67.4% classified as high-confidence grounded icebergs. Notably, tiny icebergs (< 1 km²) comprised 92.6% of the total count and contributed 53.9% of the total grounded area, indicating their significant role in stabilizing fast ice through a potential "picket fence effect." The distribution of these grounded icebergs spans 56.5% of the Antarctic coastline, with 80% concentrated within just 14.2% of it. This dataset not only enhances the understanding of iceberg dynamics but also serves as a critical benchmark for modeling fast ice stability and assessing nutrient fluxes in Antarctic marine ecosystems.
Introduction
The introduction of the research paper discusses the significance of Antarctic icebergs, which originate from the calving of ice shelves and tidewater glaciers, and their role in regulating the mass balance of the Antarctic Ice Sheet. Calving events contribute to approximately half of the continent’s mass loss, comparable to basal melting. Icebergs, particularly those with substantial subsurface drafts, can interact with the seafloor, becoming grounded and serving as critical anchors for Antarctic landfast sea ice. This interaction influences coastal ice-ocean dynamics, promotes polynya formation, and affects local ecosystems by enhancing nutrient availability for phytoplankton and supporting unique microbial communities.
The paper highlights the challenges of monitoring icebergs, particularly smaller ones, using traditional methods reliant on manual satellite imagery analysis. The authors propose utilizing Synthetic Aperture Radar (SAR) data from the Sentinel-1 satellite constellation, which allows for year-round observations unaffected by weather conditions. They introduce a deep learning framework, ResUNet, for automated detection and segmentation of grounded icebergs, aiming to create a comprehensive dataset that captures their dynamics and interactions with fast ice. This study focuses on the late summer and early autumn of 2025, a period characterized by record low fast ice extent, providing a unique opportunity to accurately identify grounded icebergs and understand their ecological and climatic implications.
Methods
The Methods section delineates a systematic approach for creating the grounded iceberg dataset, organized into five key subsections: (3.1) data preparation, (3.2) iceberg detection, (3.3) grounded iceberg identification, (3.4) physical constraint filtering, and (3.5) performance validation. The workflow is visually represented in Figure 2, where Boxes I through IV encapsulate the primary production pipeline, transitioning from initial data input to the final output of the grounded iceberg dataset. Box V specifically addresses the accuracy assessment performed on an independent validation set, ensuring the reliability of the dataset generated.
Results
In this study, the detected icebergs were classified according to the scheme proposed by Wesche and Dierking (2015), which categorizes them into six distinct size classes: micro icebergs (A0, < 0.1 km²), tiny icebergs (A1, 0.1-1 km²), small icebergs (A2, 1-10 km²), medium icebergs (A3, 10-100 km²), large icebergs (A4, 100-1000 km²), and giant icebergs (A5, ≥ 1000 km²). This classification facilitates the analysis of spatial distribution patterns among icebergs of varying sizes. Notably, the dataset did not include any grounded icebergs in the large (A4) or giant (A5) categories, which is consistent with the study's aim to address the "missing" population of smaller icebergs (those < 100 km²). To enhance the detection of these underrepresented targets, the training strategy was specifically designed to focus on micro to medium icebergs (A0-A3). This approach ensures a higher sensitivity in identifying smaller icebergs, thereby complementing the extensive records of larger icebergs maintained by operational agencies, such as the U.S. National Ice Center. The findings underscore the importance of targeting smaller iceberg populations to improve overall iceberg monitoring and classification efforts.
Discussion
In this section, the authors detail the methodology for preparing the training dataset and constructing a model for iceberg detection using U-Net-based architectures. The training samples were generated from 15 synthetic aperture radar (SAR) images, which were manually annotated to identify iceberg regions. These images were segmented into sub-images of approximately 250 × 250 pixels, which were then upsampled to 1536 × 1536 pixels to enhance boundary segmentation accuracy. A total of 702 sub-images were selected for training, focusing on icebergs smaller than 100 km² to improve sensitivity for these under-represented targets. The training dataset was derived from nine diverse coastal regions of Antarctica, covering various environmental conditions and interannual variability from 2021 to 2025.
The authors employed a modified U-Net architecture, termed ResUNet, which integrates a ResNet152 encoder and a Convolutional Block Attention Module (CBAM) to improve feature extraction from SAR images. The model was trained using a combined loss function that incorporates weighted Binary Cross-Entropy and Tversky loss to address class imbalance, with hyperparameters optimized through Bayesian methods. The training process utilized a multi-GPU setup to enhance efficiency, and an early stopping mechanism was implemented to prevent overfitting. The identification of grounded icebergs was achieved through a hierarchical filtering framework that considers spatiotemporal characteristics and environmental constraints, ensuring high confidence in the dataset’s accuracy by applying physical plausibility filters based on bathymetry and sea ice concentration data.
Limitations
The limitations of this study on the circum-Antarctic grounded-iceberg dataset highlight several critical challenges related to data annotation, algorithmic adaptability, and environmental factors. The integration of heterogeneous Synthetic Aperture Radar (SAR) data, particularly from Interferometric Wide (IW) and Extra Wide (EW) modes, introduces spatial and radiometric inconsistencies, with the EW mode exhibiting superior detection capabilities. This disparity, primarily driven by data availability and model training biases rather than the SAR modes’ inherent physics, results in variable performance across different regions. Additionally, the model’s reliance on varying polarisation channels complicates iceberg-ocean contrast, leading to fluctuating segmentation sensitivities and potential biases in regional iceberg density estimates.
Challenges in detecting small targets, particularly those under 25 pixels, are exacerbated by complex sea ice backgrounds, which can obscure true iceberg boundaries and introduce label noise into the training dataset. The algorithm also struggles in densely packed iceberg regions, where overlapping small icebergs may be misidentified as a single entity. Furthermore, the reliance on bathymetric constraints for false positive removal may lead to the erroneous exclusion of grounded icebergs, particularly in shallower continental shelf regions. While the study employs a dual approach to enhance robustness against misclassification, uncertainties remain regarding the accuracy of auxiliary datasets, which could affect the grounding status of icebergs. Overall, while the study advances iceberg detection methodologies, these limitations necessitate careful consideration in future applications and analyses.