DOI: https://doi.org/10.3389/fenvs.2025.1657984
تاريخ النشر: 2026-01-21
المؤلف: Harshavardhini Bagavathyraj وآخرون
الموضوع الرئيسي: تغير المناخ والتربة المتجمدة
نظرة عامة
الساحل القطبي الشمالي حاسم للمجتمعات الأصلية والنظام البيئي القطبي الأوسع، ومع ذلك، فإنه يواجه تهديدات كبيرة من تغير المناخ، بما في ذلك ذوبان الجليد الدائم، وارتفاع مستوى البحر، وتآكل السواحل. إن رسم الخرائط بدقة لشاطئ التندرا وحافة المنحدر أمر ضروري لاتخاذ قرارات مستنيرة بشأن هذه التغيرات. تقيم هذه الدراسة تقنيتين لتجزئة الصور لتحديد واجهات الأرض والماء من صور الأقمار الصناعية عالية الدقة: U-Net، وهو شبكة عصبية تلافيفية تحت إشراف، وDifferentiable Feature Clustering (DifFeat)، وهو نموذج غير خاضع للإشراف مع إشراف ضئيل.
أظهرت النتائج أن DifFeat تفوقت على U-Net في دقة التجزئة، حيث حققت قيم التقاطع على الاتحاد (IoU) تبلغ 0.95 للماء و0.92 للأرض، مقارنةً بـ 0.58 و0.50 لـ U-Net، على التوالي. بينما قدمت U-Net نتائج موثوقة باستخدام مؤشرات الطيف تحت الحمراء والنباتات، إلا أنها كانت تتطلب توضيحًا يدويًا مكثفًا وكانت تعاني من صعوبة في التعميم على صور الطائرات بدون طيار. بالمقابل، سمح نهج DifFeat الفعال في التسمية بعملية تدريب أسرع بنسبة 99.87% دون الحاجة إلى توضيح يدوي. تؤكد هذه النتائج على مزايا الجمع بين النماذج الخاضعة للإشراف ونصف الخاضعة للإشراف لرسم خرائط السواحل القطبية، حيث يقدم DifFeat حلاً قابلاً للتوسع لمراقبة التغيرات الساحلية المستمرة. ستركز الأبحاث المستقبلية على دمج بيانات الارتفاع لتعزيز قدرات الكشف عن حافة المنحدر.
مقدمة
تسلط مقدمة ورقة البحث الضوء على الاحترار المتسارع في القطب الشمالي، الذي يحدث بمعدل يقارب أربعة أضعاف المعدل العالمي المتوسط، مما يؤثر بشكل كبير على استقرار الجليد الدائم وديناميات الكربون. مع ذوبان الجليد الدائم، يتعطل توازن الكربون ويزداد تآكل السواحل، حيث تضاعفت المعدلات خلال الخمسين عامًا الماضية ومن المتوقع أن تتصاعد أكثر بحلول عام 2100. يهدد هذا التآكل البنية التحتية المحلية والممارسات الأصلية، مما يستلزم تحسين طرق المراقبة لتغيرات السواحل القطبية. الطرق الحالية، التي تعتمد بشكل أساسي على المسوحات الميدانية وطرق نظم المعلومات الجغرافية التقليدية، تتطلب موارد كبيرة وصعبة التوسع في المناطق النائية.
تقترح الدراسة استخدام تقنيات التعلم العميق، وتحديدًا U-Net وDifferentiable Feature Clustering (DifFeat)، لتعزيز دقة تجزئة الأرض والماء وتحديد الشاطئ في البيئات القطبية. يتم مقارنة U-Net، وهو نموذج خاضع للإشراف، ضد DifFeat الذي يتطلب إشرافًا ضئيلاً. يتم تدريب كلا النموذجين على صور الأقمار الصناعية عالية الدقة من WorldView-2 وتقييمهما على صور الطائرات بدون طيار لتقييم قدراتهما على التعميم عبر دقة مكانية مختلفة. تهدف هذه الدراسة إلى إنشاء إطار عمل لمراقبة السواحل القطبية بشكل فعال من خلال فحص التوازن بين الأساليب الخاضعة للإشراف ونصف الخاضعة للإشراف من حيث دقة التجزئة وجهد التوضيح، مما يساهم في فهم أفضل للتغيرات الساحلية المدفوعة بالجليد الدائم.
الطرق
في هذه الدراسة، تم استخدام منهجيتين للتعلم العميق، U-Net وDifferentiable Feature Clustering (DifFeat)، لتجزئة السطوح الأرضية والمائية باستخدام صور بصرية عالية الدقة. توضح قسم المنهجية إعداد مجموعة البيانات، وخط أنابيب المعالجة المسبقة، واستخراج الواجهات، إلى جانب عمليات التنفيذ والاستدلال لكلا النموذجين.
تتكون مجموعة البيانات من خمس صور قمر صناعي من WorldView-2 (WV2) تم جمعها بين عامي 2010 و2024، والتي تم تقسيمها بشكل منهجي إلى مجموعات تدريب، والتحقق، والاختبار. تم تخصيص ثلاث صور للتدريب، وصورة واحدة للتحقق، وصورة واحدة للاختبار، مما أسفر عن 528 بلاطة تدريب، و196 بلاطة تحقق، و255 بلاطة اختبار، كل منها بحجم 512 × 512 بكسل. للحفاظ على نزاهة عملية التقييم، تم اشتقاق جميع بلاطات الاختبار فقط من صورة التقييم المحفوظة، مما يضمن فصلًا واضحًا عن مجموعات بيانات التدريب والتحقق. على الرغم من أن بعض البلاطات أظهرت تداخلًا مكانيًا عبر عمليات الاستحواذ المختلفة، فإن الاختلافات في سنة الالتقاط، والإضاءة، وزاوية الرؤية ضمنت أن صور التقييم كانت متميزة، مما يقلل من خطر الإفراط في التكيف ويوفر إطارًا قويًا لمقارنة النماذج.
النتائج
يقدم قسم النتائج تقييمًا شاملاً لنهجين للتجزئة—U-Net وDifFeat—المطبقين على تصنيف الأرض والماء واستخراج الحدود في صور السواحل القطبية. تم هيكلة النتائج في ثلاثة مكونات رئيسية:
1. تقييم كمي لأداء النماذج عبر مجموعات مختلفة من المدخلات الطيفية لتجزئة الأرض والماء، مع تسليط الضوء على فعالية كل تكوين.
2. تحليل مقارن يركز على جودة التجزئة، وكفاءة التدريب، وتماسك الحدود بين النموذجين، مما يوفر رؤى حول نقاط القوة والضعف النسبية لهما.
3. تقييم أداء النماذج على صور كبيرة ومتعددة المصادر، بهدف تقييم قدرتها على التعميم عبر مجالات مختلفة.
تؤكد هذه المكونات مجتمعة على قدرات وقيود نهج التجزئة في سياق تحليل صور السواحل القطبية.
المناقشة
في هذا القسم، يناقش المؤلفون المنهجية والنتائج من تجارب التجزئة الخاصة بهم باستخدام خمس صور عالية الدقة من WorldView-2 (WV2) لبحيرة إلسون، التي تم الحصول عليها بين عامي 2010 و2024. تم توضيح مجموعة البيانات، التي تتميز بتغطية سحابية ضئيلة وميزات جغرافية متنوعة، يدويًا لتحديد مناطق الأرض والماء، مما يخدم كعلامات حقيقية لتدريب نماذج التعلم الآلي. استخدم المؤلفون U-Net وDifferentiable Feature Clustering (DifFeat) للتجزئة الدلالية، حيث استخدمت U-Net دالة خسارة هجينة لتعزيز تحديد الحدود و leveraged DifFeat التعلم غير الخاضع للإشراف لتجميع البكسلات بناءً على تمثيلات الميزات. تضمنت خطوات المعالجة المسبقة تطبيع الصور ومحاذاة مكانية، لضمان التوافق مع النماذج.
أشارت النتائج إلى أن أداء U-Net تحسن بشكل كبير مع معلومات طيفية إضافية، خاصة في تجزئة الماء، حيث ارتفع التقاطع على الاتحاد (IoU) من 0.16 (RGB) إلى 0.60 (RGB+IR). بالمقابل، تفوقت DifFeat باستمرار على U-Net عبر جميع التكوينات الطيفية، محققة IoU قدره 0.92 مع مدخلات RGB و0.98 مع RGB+IR، مما يظهر قوتها في التعامل مع التغيرات الطيفية. علاوة على ذلك، أظهرت DifFeat كفاءة تدريب ملحوظة، حيث أكملت 100 دورة في 4.61 ثانية فقط مقارنةً بـ 58 دقيقة لـ U-Net، مما يبرز إمكاناتها للنشر السريع في مراقبة السواحل القطبية حيث تكون البيانات المعلّمة نادرة. بشكل عام، تؤكد الدراسة على فعالية كلا النموذجين في تجزئة واجهات الأرض والماء، مع تقديم DifFeat قابلية تكيف وكفاءة متفوقة في البيئات القطبية الصعبة.
DOI: https://doi.org/10.3389/fenvs.2025.1657984
Publication Date: 2026-01-21
Author(s): Harshavardhini Bagavathyraj et al.
Primary Topic: Climate change and permafrost
Overview
The Arctic coastline is crucial for Indigenous communities and the broader Arctic ecosystem, yet it faces significant threats from climate change, including permafrost thaw, sea-level rise, and coastal erosion. Accurate mapping of the tundra shoreline and bluff edge is essential for informed decision-making regarding these changes. This study evaluates two image segmentation techniques for delineating land and water interfaces from high-resolution satellite imagery: U-Net, a supervised convolutional neural network, and Differentiable Feature Clustering (DifFeat), an unsupervised model with minimal supervision.
The results demonstrated that DifFeat outperformed U-Net in segmentation accuracy, achieving Intersection over Union (IoU) values of 0.95 for water and 0.92 for land, compared to U-Net’s 0.58 and 0.50, respectively. While U-Net provided reliable results utilizing infrared and vegetation spectral indices, it required extensive manual annotation and struggled with generalization to UAV imagery. In contrast, DifFeat’s label-efficient approach allowed for a 99.87% faster training process without the need for manual annotation. These findings underscore the advantages of combining supervised and semi-supervised models for Arctic coastal mapping, with DifFeat presenting a scalable solution for ongoing coastal change monitoring. Future research will focus on integrating elevation data to enhance bluff edge detection capabilities.
Introduction
The introduction of the research paper highlights the accelerated warming of the Arctic, which is occurring at nearly four times the global average rate, significantly impacting permafrost stability and carbon dynamics. As permafrost thaws, it disrupts the carbon balance and increases coastal erosion, with rates having doubled over the past fifty years and projected to escalate further by 2100. This erosion threatens local infrastructure and indigenous practices, necessitating improved monitoring methods for Arctic coastal changes. Current approaches, primarily reliant on field surveys and traditional GIS methods, are resource-intensive and challenging to scale in remote areas.
The study proposes the use of deep learning techniques, specifically U-Net and Differentiable Feature Clustering (DifFeat), to enhance the accuracy of land-water segmentation and shoreline delineation in Arctic environments. U-Net, a supervised model, is compared against the minimally supervised DifFeat, which requires less annotated data. Both models are trained on high-resolution WorldView-2 satellite imagery and evaluated on UAV imagery to assess their generalization capabilities across different spatial resolutions. This research aims to establish a framework for effective Arctic coastal monitoring by examining the trade-offs between supervised and minimally supervised approaches in terms of segmentation accuracy and annotation effort, ultimately contributing to a better understanding of permafrost-driven coastal changes.
Methods
In this study, two deep learning methodologies, U-Net and Differentiable Feature Clustering (DifFeat), were employed for the semantic segmentation of land and water surfaces using high-resolution optical imagery. The methodology section details the dataset preparation, preprocessing pipeline, and interface extraction, alongside the implementation and inference processes for both models.
The dataset comprised five WorldView-2 (WV2) satellite images collected between 2010 and 2024, which were systematically divided into training, validation, and testing subsets. Specifically, three images were allocated for training, one for validation, and one for testing, resulting in 528 training tiles, 196 validation tiles, and 255 testing tiles, each sized at 512 × 512 pixels. To maintain the integrity of the evaluation process, all testing tiles were derived solely from the held-out evaluation image, ensuring a clear separation from the training and validation datasets. Although some tiles exhibited spatial overlap across different acquisitions, variations in capture year, illumination, and viewing geometry guaranteed that the evaluation imagery was distinct, thereby minimizing the risk of overfitting and providing a robust framework for model comparison.
Results
The results section presents a comprehensive evaluation of two segmentation approaches—U-Net and DifFeat—applied to land-water classification and boundary extraction in Arctic coastal imagery. The findings are structured into three key components:
1. A quantitative assessment of the models’ performance across various combinations of spectral inputs for land-water segmentation, highlighting the effectiveness of each configuration.
2. A comparative analysis focusing on segmentation quality, training efficiency, and boundary coherence between the two models, providing insights into their relative strengths and weaknesses.
3. An evaluation of the models’ performance on large-scale and multisource imagery, aimed at assessing their ability to generalize across different domains.
These components collectively underscore the capabilities and limitations of the segmentation approaches in the context of Arctic coastal imagery analysis.
Discussion
In this section, the authors discuss the methodology and findings from their segmentation experiments using five high-resolution WorldView-2 (WV2) images of Elson Lagoon, acquired between 2010 and 2024. The dataset, characterized by minimal cloud cover and diverse geomorphic features, was annotated manually to delineate land and water regions, serving as ground-truth labels for training machine learning models. The authors employed U-Net and Differentiable Feature Clustering (DifFeat) for semantic segmentation, with U-Net utilizing a hybrid loss function to enhance boundary delineation and DifFeat leveraging unsupervised learning to cluster pixels based on feature representations. The preprocessing steps included image normalization and spatial alignment, ensuring compatibility with the models.
The results indicated that U-Net’s performance improved significantly with additional spectral information, particularly in water segmentation, where the Intersection over Union (IoU) rose from 0.16 (RGB) to 0.60 (RGB+IR). In contrast, DifFeat consistently outperformed U-Net across all spectral configurations, achieving an IoU of 0.92 with RGB inputs and 0.98 with RGB+IR, demonstrating its robustness in handling spectral variations. Furthermore, DifFeat exhibited a remarkable training efficiency, completing 100 epochs in just 4.61 seconds compared to U-Net’s 58 minutes, highlighting its potential for rapid deployment in Arctic coastal monitoring where annotated data is scarce. Overall, the study underscores the effectiveness of both models in segmenting land-water interfaces, with DifFeat offering superior adaptability and efficiency in challenging Arctic environments.