DOI: https://doi.org/10.1029/2025ea004453
تاريخ النشر: 2026-02-01
المؤلف: Giulio Passerotti وآخرون
الموضوع الرئيسي: ديناميات الجليد في القطب الشمالي والقطب الجنوبي
نظرة عامة
تقيّم هذه القسم ثلاث طرق تقسيم لتحليل كتل الجليد البحري في منطقة الجليد الهامشية (MIZ) خلال شتاء القارة القطبية الجنوبية، مع التركيز على فعاليتها في اكتشاف حدود الكتل وتقدير تركيز الجليد. تشمل الطرق التي تم تقييمها طريقة تدفق متجه التدرج (GVF) النشطة، ونموذج تقسيم أي شيء قائم على التعلم العميق (SAM) في كلا الوضعين التلقائي (SAM-A) والموجه (SAM-P)، ونهج هجين يجمع بين SAM-P و GVF (SAM-GVF). تم تطوير خط معالجة الصور الآلي الشامل لتوحيد وتعزيز الصور للتقسيم، باستخدام مجموعة بيانات مرجعية تضم 20 صورة مقسمة يدويًا تمثل أكثر من 2800 كتلة تحت ظروف متغيرة.
تشير النتائج إلى أن SAM-P يتفوق على الطرق الأخرى من حيث دقة اكتشاف الكتل وتوزيع الحجم، مما يوفر تقديرات موثوقة لتركيز الجليد البحري عبر ظروف متنوعة. بينما يظهر SAM-A أداءً قويًا في البيئات ذات حواف الكتل الواضحة، فإن فعاليته تتناقص في السيناريوهات المعقدة. تعاني طريقة GVF، على الرغم من قدرتها على التقاط أشكال الكتل المنتظمة، من مشاكل في اكتشاف الكتل بشكل عام وتقدير التركيز. يوفر الجمع بين SAM-GVF تحسينًا في تحديد الحدود ولكن بتكلفة حسابية أعلى، مما يجعله أكثر ملاءمة للتحليلات التي تتطلب أشكال كتل دقيقة. بشكل عام، تم تحديد SAM-P و SAM-GVF كأكثر الطرق فعالية، حيث يعتبر SAM-P مفيدًا بشكل خاص للتطبيقات في الوقت الحقيقي ومعالجة مجموعات البيانات الكبيرة.
مقدمة
تسلط مقدمة ورقة البحث الضوء على الدور الحاسم للجليد البحري في تعديل التفاعلات الجوية والمحيطية عند خطوط العرض العالية، وخاصة ضمن منطقة الجليد الهامشية (MIZ). تتميز هذه المنطقة بوجود كتل جليدية متقطعة ومتحركة، مما يقدم تعقيدات بسبب تباين الجليد البحري، الذي يؤثر على نقل طاقة الموجات، وميزانيات الطاقة على سطح المحيط، وديناميات الجليد بشكل عام. إن التوصيف الدقيق لجيومترية الكتل، وحجمها، ودينامياتها أمر ضروري لتحسين نماذج الجليد البحري وفهم ردود الفعل المناخية، مما يتطلب مجموعات بيانات رصدية على نطاق واسع تلتقط التباين المكاني والزماني لتوزيعات أحجام الكتل.
تناقش الورقة التحديات المرتبطة بالطرق التقليدية لتوصيف الكتل، بما في ذلك التحديد اليدوي والتقنيات الآلية الكلاسيكية، التي غالبًا ما تواجه صعوبات تحت ظروف جوية معقدة. أظهرت التقدمات الأخيرة في التعلم العميق، وخاصة من خلال الشبكات العصبية التلافيفية (CNNs)، وعدًا في اكتشاف الكائنات والتقسيم، على الرغم من استمرار مشاكل مثل الإفراط في التقسيم والحاجة إلى مجموعات بيانات موسومة كبيرة. يقدم إدخال نماذج الأساس للرؤية، مثل نموذج تقسيم أي شيء (SAM)، حلاً محتملاً من خلال تمكين التقسيم دون الحاجة إلى تدريب إضافي مكثف. تهدف الدراسة إلى تقييم فعالية طرق التقسيم المختلفة، بما في ذلك الطرق التقليدية والمتقدمة، باستخدام مجموعة بيانات شاملة تم الحصول عليها خلال بعثات القارة القطبية الجنوبية، مع السعي في النهاية لتحديد أكثر التقنيات فعالية لاكتشاف وتحليل كتل الجليد البحري تحت ظروف متنوعة.
نقاش
في هذا القسم، يناقش المؤلفون المنهجيات والنتائج من بحثهم حول صور الجليد البحري البصرية عن قرب التي تم الحصول عليها خلال بعثة يوليو-أغسطس 2022 إلى منطقة الجليد الهامشية (MIZ) في القارة القطبية الجنوبية على متن السفينة S.A. Agulhas II. استخدمت الدراسة كاميرا صناعية أحادية اللون GigE لالتقاط حوالي 90,000 صورة، والتي تم تصحيحها هندسيًا لتصحيح التشويه الناتج عن ميل الكاميرا. شمل هذا العملية تصحيح المعلمات الداخلية والخارجية لضمان تحويلات دقيقة من بكسل إلى متر، مما يسمح بقياسات موثوقة لأبعاد كتل الجليد. كما أجرى المؤلفون تحليل حساسية لتقييم تأثير حركة السفينة على دقة الصورة، وخلصوا إلى أن التغيرات في الارتفاع، والميل، والدوران كان لها تأثيرات طفيفة على تقديرات حجم الكتل.
علاوة على ذلك، استخدم المؤلفون تقنيات متقدمة لتحسين الصور والتقسيم لتحسين وضوح حدود كتل الجليد في الصور الملتقطة. قاموا بدمج نماذج الكنتور النشطة (GVF) ونموذج تقسيم أي شيء (SAM) لأتمتة عملية التقسيم. بينما أظهر SAM كفاءة في تحديد الكتل، إلا أنه واجه صعوبة مع الصور ذات التباين المنخفض، مما دفع المؤلفين إلى تفضيل النموذج الأصلي SAM على نسخته الأحدث. تم اقتراح الجمع بين SAM و GVF للاستفادة من نقاط القوة في كلا الطريقتين، مما يعزز تقسيم الكتل المجاورة ذات الحواف غير الواضحة. بشكل عام، تبرز الدراسة فعالية الجمع بين تقنيات معالجة الصور التقليدية مع الأساليب الحديثة المدفوعة بالذكاء الاصطناعي لتحليل خصائص الجليد البحري بدقة في ظروف صعبة.
DOI: https://doi.org/10.1029/2025ea004453
Publication Date: 2026-02-01
Author(s): Giulio Passerotti et al.
Primary Topic: Arctic and Antarctic ice dynamics
Overview
This section evaluates three segmentation methods for analyzing sea ice floes in the marginal ice zone (MIZ) during an Antarctic winter, focusing on their effectiveness in detecting floe boundaries and estimating ice concentration. The methods assessed include the gradient vector flow (GVF) active contour method, the deep learning-based Segment Anything Model (SAM) in both automatic (SAM-A) and prompt-guided (SAM-P) modes, and a hybrid approach combining SAM-P with GVF (SAM-GVF). A comprehensive automated image processing pipeline was developed to standardize and enhance imagery for segmentation, utilizing a benchmark dataset of 20 manually segmented images representing over 2800 floes under varying conditions.
Results indicate that SAM-P outperforms the other methods in terms of floe detection accuracy and size distribution, providing reliable sea ice concentration estimates across diverse conditions. While SAM-A shows strong performance in environments with clear floe edges, its effectiveness diminishes in complex scenarios. The GVF method, although capable of capturing regular floe shapes, struggles with overall floe detection and concentration estimation. The SAM-GVF combination offers improved boundary delineation but at a higher computational cost, making it more suitable for analyses requiring precise floe shapes. Overall, SAM-P and SAM-GVF are identified as the most effective methods, with SAM-P being particularly advantageous for real-time applications and large dataset processing.
Introduction
The introduction of the research paper highlights the critical role of sea ice in modulating atmospheric and oceanic interactions at high latitudes, particularly within the marginal ice zone (MIZ). This region, characterized by fragmented and mobile sea ice floes, presents complexities due to the heterogeneity of sea ice, which affects wave energy transmission, ocean surface energy budgets, and overall ice dynamics. Accurate characterization of floe geometry, size, and dynamics is essential for improving sea ice models and understanding climate feedbacks, necessitating large-scale observational datasets that capture the spatial and temporal variability of floe size distributions.
The paper discusses the challenges associated with traditional methods of floe characterization, including manual delineation and classical automated techniques, which often struggle under complex atmospheric conditions. Recent advancements in deep learning, particularly through convolutional neural networks (CNNs), have shown promise in object detection and segmentation, although issues such as over-segmentation and the need for large labeled datasets persist. The introduction of vision foundation models, like the Segment Anything Model (SAM), offers a potential solution by enabling segmentation without extensive additional training. The study aims to evaluate the effectiveness of various segmentation approaches, including traditional and advanced methods, using a comprehensive dataset acquired during Antarctic expeditions, ultimately seeking to identify the most effective techniques for detecting and analyzing sea ice floes under diverse conditions.
Discussion
In this section, the authors discuss the methodologies and findings from their research on close-range optical sea ice imagery acquired during the July-August 2022 expedition to the Antarctic marginal ice zone (MIZ) aboard the S.A. Agulhas II. The study utilized a GigE monochrome industrial camera to capture approximately 90,000 images, which were orthorectified to correct for perspective distortion caused by the camera’s tilt. This orthorectification process involved calibrating intrinsic and extrinsic parameters to ensure accurate pixel-to-meter conversions, allowing for reliable measurements of ice floe dimensions. The authors also conducted a sensitivity analysis to evaluate the impact of ship motion on image accuracy, concluding that variations in elevation, tilt, and roll had minimal effects on floe size estimates.
Furthermore, the authors employed advanced image enhancement and segmentation techniques to improve the clarity of ice floe boundaries in the captured imagery. They integrated active contour models (GVF) and the Segment Anything Model (SAM) to automate the segmentation process. While SAM demonstrated efficiency in identifying floes, it struggled with low-contrast images, leading the authors to favor the original SAM model over its newer version. The combination of SAM and GVF was proposed to leverage the strengths of both methods, enhancing the segmentation of adjacent floes with indistinct edges. Overall, the study highlights the effectiveness of combining traditional image processing techniques with modern AI-driven approaches to accurately analyze sea ice characteristics in challenging conditions.