DOI: https://doi.org/10.5194/tc-19-1675-2025
تاريخ النشر: 2025-04-24
المؤلف: Rainey Aberle وآخرون
الموضوع الرئيسي: دراسات وملاحظات الكريوسفير
نظرة عامة
في هذه الدراسة، نقدم سير عمل آلي لاكتشاف الثلوج تم ضبطه خصيصًا للأنهار الجليدية الجبلية، والذي يظهر مزايا كبيرة مقارنة بأساليب تصنيف الثلوج الحالية. باستخدام مجموعات بيانات متعددة من الصور الفضائية، ينتج نهجنا ملاحظات شاملة لتغطية الثلوج على مدى عقد من الزمن، مع دقة زمنية تتراوح من كل شهرين إلى يوميًا خلال موسم ذوبان الثلوج في الصيف. يتأثر أداء سير العمل بشكل ملحوظ بعوامل مثل تغطية السحب والظل، ومع ذلك يحقق دقة تصنيف عالية، حيث تتجاوز الدقة العامة 92% وتراوح درجات κ من 84% إلى 96%. يتميز نموذج تصنيف الانعكاس السطحي Sentinel-2، بشكل خاص، بدقته وثباته في تمييز الثلوج عن الجليد والفيرن، حيث يحقق دقة عامة تزيد عن 95%.
تُخطط التطبيقات المستقبلية لهذا السير العمل لتقييمات أوسع للأنهار الجليدية عبر أمريكا الشمالية وفي بيئات مناخية متنوعة، مما سيسمح بتقييم قابلية نقل نماذج التصنيف. تشير نتائجنا إلى وجود تباينات مكانية كبيرة في ديناميات تغطية الثلوج، بما في ذلك توقيت تعرض الجليد العاري وبداية تساقط الثلوج عبر الأنهار الجليدية المختلفة. وهذا يبرز القيود المفروضة على استخدام تواريخ ثابتة لتقدير ارتفاعات خط التوازن (ELA)، حيث يمكن أن تؤدي الظروف المحددة للموقع إلى نتائج متحيزة. بشكل عام، لا يعزز سير العمل الآلي لاكتشاف الثلوج فقط مراقبة الأنهار الجليدية ولكنه يوفر أيضًا بيانات قيمة لنمذجة الغلاف الجوي والهيدرولوجيا والمناخ، مما يساهم في تحسين التنبؤات واستراتيجيات إدارة موارد المياه.
مقدمة
تناقش مقدمة الورقة الفقدان الكبير للكتلة في الأنهار الجليدية في ألاسكا وغرب الولايات المتحدة وكندا، والذي بلغ 267 ± 6 غيغاطن (Gt) من 2000 إلى 2019، مما يمثل أكثر من 25% من فقدان الكتلة الجليدية العالمية خارج الصفائح الجليدية. يرتبط هذا الانخفاض ارتباطًا وثيقًا بتقليص موارد المياه الثلجية ويتوافق مع التغيرات الإقليمية في هطول الأمطار ودرجات حرارة الصيف، مما يشير إلى أن انخفاض تراكم الثلوج هو عامل حاسم. تشير التوقعات إلى أن هذا الاتجاه لفقدان الكتلة الجليدية من المحتمل أن يستمر طوال القرن الحادي والعشرين بسبب التغيرات المستمرة في تراكم الثلوج.
تسلط الورقة الضوء على التحديات في مراقبة تغطية الثلوج في الأنهار الجليدية، خاصة بسبب الحجم الصغير للعديد من الأنهار الجليدية والخصائص الطيفية المتداخلة للثلوج والجليد والفيرن، مما يعقد جهود الاستشعار عن بعد. بينما تم تطوير تقنيات متنوعة، بما في ذلك دمج البيانات وتعلم الآلة، لتحسين رسم خرائط تغطية الثلوج، لا يزال هناك فجوة في الأساليب عبر المستشعرات خصيصًا للأنهار الجليدية. يهدف المؤلفون إلى إنشاء سير عمل آلي لاكتشاف الثلوج مصمم لأسطح الأنهار الجليدية، وتقييم خوارزميات تعلم الآلة المختلفة، وتحليل فعالية منتجات الصور المختلفة ومقاييس تغطية الثلوج في التقاط الاتجاهات المكانية والزمنية في تغطية الثلوج في الأنهار الجليدية. ستفصل الأقسام التالية المنهجية والنتائج والآثار المترتبة على نتائجهم.
طرق
في هذه الدراسة، تم تطوير سير عمل آلي لاكتشاف الثلوج باستخدام تسعة نماذج تعلم آلة (ML) تحت إشراف، كما هو موضح في القسم 3.3. تم تطبيق هذه النماذج على صور الأقمار الصناعية من Landsat 8 و9 وPlanetScope وSentinel-2، مع مجموعات بيانات تدريب واختبار مستمدة من أربعة أنهار جليدية عبر أمريكا الشمالية، تمثل مناخات متوسطة وعالية العرض. تم تقييم أداء كل مصنف ML من خلال مقارنة خرائط منطقة تغطية الثلوج (SCA) وخطوط الثلوج ضد مجموعة بيانات تحقق من ملاحظات تغطية الثلوج التي تم جمعها يدويًا من موقعين إضافيين للأنهار الجليدية.
سهلت خرائط SCA الناتجة، التي تم إنتاجها للفترة من 2013 إلى 2023، استخراج بيانات السلاسل الزمنية لنسبة منطقة التراكم المؤقتة (AAR) وخط الثلوج وارتفاع خط الثلوج الوسيط. تعمل AAR المؤقتة كمقياس موحد لمنطقة SCA الجليدية بالنسبة لإجمالي منطقة الجليد على مر الزمن، مما يوفر رؤى قيمة حول نسبة منطقة الجليد التي تحافظ على توازن كتلة سطح إيجابي في نهاية موسم الذوبان. يتم توضيح المزيد من التفاصيل المتعلقة بمواقع الدراسة المختارة وخطوات سير العمل في الأقسام الفرعية التالية.
نتائج
يقدم قسم “النتائج” في ورقة البحث النتائج الرئيسية المستمدة من التجارب أو التحليلات التي تم إجراؤها. يوضح النتائج التي توصلت إليها الدراسة، مع تسليط الضوء على نقاط البيانات والاتجاهات المهمة التي لوحظت طوال البحث. غالبًا ما تدعم النتائج تحليلات إحصائية، قد تشمل قيم p، وفترات الثقة، أو مقاييس أخرى ذات صلة تؤكد النتائج.
بالإضافة إلى البيانات العددية، قد يتضمن القسم تمثيلات بصرية مثل الرسوم البيانية أو الجداول لتوضيح النتائج بشكل أكثر فعالية. تعمل هذه المساعدات البصرية على تعزيز فهم القارئ للعلاقات والأنماط المحددة في البيانات. بشكل عام، تساهم النتائج في الآثار الأوسع للبحث، مما يوفر أساسًا لمزيد من المناقشة والتفسير في الأقسام التالية.
مناقشة
تؤكد قسم المناقشة في ورقة البحث على أهمية تتبع الثلوج الموسمية بدقة على الأنهار الجليدية لتقييم تعرضها لتغير المناخ. تقدم الدراسة سير عمل آلي لاكتشاف الثلوج باستخدام مصنفات تعلم آلة (ML) تحت إشراف تطبق على صور الأقمار الصناعية المختلفة، بما في ذلك Landsat 8 و9 وSentinel-2 وPlanetScope. ينتج سير العمل بيانات سلسلة زمنية حول توازن الكتلة الجليدية ومؤشرات ذوبان الثلوج، محققًا دقة تصنيف عالية (92%-98%) ويظهر فعالية مصنف آلة الدعم Sentinel-2 في تمييز الثلوج عن جليد الأنهار الجليدية والفيرن.
تسلط الأبحاث الضوء على الخصائص المتنوعة لمواقع الدراسة، التي تشمل أنهارًا جليدية ذات ارتفاعات وظروف مناخية متباينة، مما يعزز من قوة نماذج التصنيف. تكشف النتائج أن توقيت ظروف الحد الأدنى من تغطية الثلوج يمكن أن يختلف بشكل كبير بين المواقع القطبية والمناطق المتوسطة، مما يشير إلى تحيزات محتملة في تقدير تغطية الثلوج في الأنهار الجليدية من صور صيفية متأخرة واحدة. بشكل عام، يتمتع سير العمل الآلي بإمكانية تحسين التقييمات الإقليمية لتوازن الكتلة الجليدية وإبلاغ إدارة موارد المياه ودراسات تأثير تغير المناخ عبر نطاقات مكانية أوسع.
DOI: https://doi.org/10.5194/tc-19-1675-2025
Publication Date: 2025-04-24
Author(s): Rainey Aberle et al.
Primary Topic: Cryospheric studies and observations
Overview
In this study, we introduce an automated snow detection workflow specifically calibrated for mountain glaciers, which demonstrates significant advantages over existing snow classification methods. Utilizing multiple spaceborne imagery datasets, our approach generates extensive snow cover observations over a decade, with temporal resolutions varying from bi-monthly to daily during the summer melt season. The workflow’s performance is notably influenced by factors such as cloud cover and shading, yet it achieves high classification accuracy, with overall accuracies exceeding 92% and κ scores ranging from 84% to 96%. The Sentinel-2 surface reflectance classification model, in particular, stands out for its accuracy and consistency in distinguishing snow from ice and firn, achieving an overall accuracy greater than 95%.
Future applications of this workflow are planned for broader glacier assessments across North America and in diverse climatic settings, which will allow for the evaluation of the transferability of classification models. Our findings indicate significant spatial variations in snow cover dynamics, including the timing of bare-ice exposure and snowfall onset across various glaciers. This underscores the limitations of using fixed dates for estimating equilibrium line altitudes (ELA), as site-specific conditions can lead to biased results. Overall, the automated snow detection workflow not only enhances glacier monitoring but also provides valuable data for atmospheric, hydrological, and climate modeling, thereby contributing to improved predictions and water resource management strategies.
Introduction
The introduction of the paper discusses the significant mass loss of glaciers in Alaska and the western United States and Canada, which totaled 267 ± 6 gigatonnes (Gt) from 2000 to 2019, accounting for over 25% of the global glacier mass loss outside of ice sheets. This decline is closely linked to reductions in snow water resources and is correlated with regional changes in precipitation and summer temperatures, suggesting that decreased snow accumulation is a critical factor. Projections indicate that this trend of glacier mass loss will likely continue throughout the 21st century due to ongoing changes in snow accumulation.
The paper highlights the challenges in monitoring glacier snow cover, particularly due to the small size of many glaciers and the overlapping spectral characteristics of snow, ice, and firn, which complicate remote sensing efforts. While various techniques, including data fusion and machine learning, have been developed to improve snow cover mapping, there remains a gap in cross-sensor approaches specifically for glaciers. The authors aim to create an automated snow detection workflow tailored to glacier surfaces, evaluate different machine learning algorithms, and analyze the effectiveness of various image products and snow cover metrics in capturing spatiotemporal trends in glacier snow cover. The subsequent sections will detail the methodology, results, and implications of their findings.
Methods
In this study, an automated snow detection workflow was developed utilizing nine supervised machine learning (ML) models, as detailed in Section 3.3. These models were applied to satellite imagery from Landsat 8 and 9, PlanetScope, and Sentinel-2, with training and testing datasets derived from four glaciers across North America, representing diverse midlatitude and high latitude climates. The performance of each ML classifier was evaluated by comparing the generated snow cover area (SCA) maps and snow lines against a validation dataset of manually collected snow cover observations from two additional glacier sites.
The resulting SCA maps, produced for the period from 2013 to 2023, facilitated the extraction of time series data for the transient accumulation area ratio (AAR), snow line, and median snow line altitude. The transient AAR serves as a normalized metric of glacier SCA relative to total glacier area over time, providing valuable insights into the fraction of glacier area maintaining a positive surface mass balance at the end of the melt season. Further details regarding the selected study sites and the workflow steps are elaborated in subsequent subsections.
Results
The “Results” section of the research paper presents the key findings derived from the conducted experiments or analyses. It details the outcomes of the study, highlighting significant data points and trends observed throughout the research. The results are often supported by statistical analyses, which may include p-values, confidence intervals, or other relevant metrics that validate the findings.
In addition to numerical data, the section may include visual representations such as graphs or tables to illustrate the results more effectively. These visual aids serve to enhance the reader’s understanding of the relationships and patterns identified in the data. Overall, the results contribute to the broader implications of the research, providing a foundation for further discussion and interpretation in subsequent sections.
Discussion
The discussion section of the research paper emphasizes the significance of accurately tracking seasonal snow on glaciers to assess their vulnerability to climate change. The study introduces an automated snow detection workflow utilizing supervised machine learning (ML) classifiers applied to various satellite imagery, including Landsat 8 and 9, Sentinel-2, and PlanetScope. The workflow generates time series data on glacier mass balance and snowmelt indicators, achieving high classification accuracies (92%-98%) and demonstrating the effectiveness of the Sentinel-2 support vector machine classifier in distinguishing snow from glacier ice and firn.
The research highlights the diverse characteristics of the study sites, which include glaciers with varying elevations and climatic conditions, thereby enhancing the robustness of the classification models. The findings reveal that the timing of minimum snow cover conditions can vary significantly between Arctic and midlatitude sites, suggesting potential biases in estimating glacier snow cover from single late-summer images. Overall, the automated workflow has the potential to improve regional assessments of glacier mass balance and inform water resource management and climate change impact studies across broader spatial scales.