DOI: https://doi.org/10.1038/s41597-025-05810-2
PMID: https://pubmed.ncbi.nlm.nih.gov/40877297
تاريخ النشر: 2025-08-29
المؤلف: Ingmar Nitze وآخرون
الموضوع الرئيسي: تغير المناخ والتربة المتجمدة
نظرة عامة
يقدم القسم قاعدة بيانات الانهيارات الذائبة الرجعية المكتشفة بواسطة الذكاء الاصطناعي (DARTS)، والتي تسجل حوالي 43,000 أثر فردي من الانهيارات الذائبة الرجعية النشطة (RtS) على نطاق بان-أركتي. تمتد على حوالي 1.6 مليون كيلومتر مربع من 2018 إلى 2023، توفر DARTS تغطية سنوية على الأقل من 2021 إلى 2023 على منطقة تبلغ حوالي 900,000 كيلومتر مربع. قاعدة البيانات متاحة على مستويين من المعالجة: آثار مضلعة مجمعة سنويًا وأخرى تحت سنوية، مصحوبة ببيانات وصفية مكانية وجدولية.
تستخدم DARTS سير عمل مؤتمت للغاية يعتمد على تقسيم التعلم العميق لصور الأقمار الصناعية متعددة الطيف من PlanetScope بدقة تتراوح بين 3-5 أمتار، مع بيانات الارتفاع. أسفرت عملية التحقق من صحة البيانات مقابل مجموعات بيانات RTS الإقليمية المختلفة عن درجات F1 تتراوح بين 0.263 و 0.700، مما يشير إلى دقة أعلى في المناطق التي تشهد نشاطًا كبيرًا في RTS. تعتبر هذه القاعدة أداة حيوية لرسم الخرائط النظامية، والتquantification، وتحليل توزيع الترمكارس النشطة وتغيراتها الزمنية عبر منطقة التربة المتجمدة المحيطة بالأركتيك.
مقدمة
تناقش مقدمة ورقة البحث الانهيارات الذائبة الرجعية (RTS)، وهي ميزات هامة من تدهور التربة المتجمدة السريع تتميز بمكونات شكلية مميزة مثل الجدران الرأسية وألسنة الحطام. يتأثر تشكيل RTS بتغير المناخ والظروف الجيومورفولوجية المحلية، وعادة ما يحدث في التضاريس المائلة التي تحتوي على تربة متجمدة غنية بالثلج. زادت نسبة RTS منذ الثمانينيات، خاصة في مناطق مثل سيبيريا، ومع ذلك لا تزال توزيعاتها المكانية غير موثقة بشكل جيد. تركزت جهود رسم الخرائط الحالية بشكل أساسي على مناطق في شمال غرب كندا وسيبيريا، وغالبًا ما تعتمد على تقنيات يدوية أو شبه مؤتمتة تتطلب جهدًا كبيرًا وتكون محدودة في قابلية التوسع.
لمعالجة هذه التحديات، تسلط الورقة الضوء على التقدم في طرق الكشف المؤتمتة باستخدام الاستشعار عن بعد وتقنيات التعلم العميق، والتي أظهرت وعدًا في رسم خرائط RTS بدقة وكفاءة أعلى. يقدم المؤلفون مجموعة بيانات DARTS، وهي نظام شامل للكشف عن RTS يغطي حوالي 1.64 مليون كيلومتر مربع من منطقة التربة المتجمدة المحيطة بالأركتيك، مع التركيز على مناطق الانهيار النشطة. تهدف هذه المجموعة إلى تعزيز فهم ديناميات RTS وتسهيل التحديثات المنتظمة من خلال الصور عالية الدقة ونماذج الشبكات العصبية المتقدمة. توضح الورقة المنهجية، وعمليات التحقق، والتطبيقات المحتملة لمجموعة بيانات DARTS، مع التأكيد على دورها في تحسين مراقبة تدهور التربة المتجمدة مع مرور الوقت.
الطرق
في هذا القسم، يوضح المؤلفون المنهجيات المستخدمة في معالجة مجموعة بياناتهم المعتمدة على التعلم العميق، والتي تصنف إلى سير عمل التدريب والاستدلال. تشمل كلا سير العمل خطوات شائعة مثل معالجة البيانات، لكنها تتكون بشكل أساسي من عمليات مميزة مصممة لوظائفها الخاصة. يقدم المؤلفون وصفًا تفصيليًا لهذه العمليات ويجعلون الشيفرة الكاملة بلغة بايثون متاحة على GitHub، مما يضمن الشفافية وقابلية إعادة الإنتاج لأساليبهم.
يتم تنفيذ مكون التعلم العميق من خط الأنابيب باستخدام PyTorch وحزمة نماذج التقسيم، بينما تستخدم معالجة البيانات مكتبات بايثون الجغرافية القياسية. كما يبرز المؤلفون إنشاء مجموعة بيانات DARTS، والتي تم تفصيلها في الجدول 2، بما في ذلك معلومات عن عدد النطاقات، ومجموعات البيانات المشتقة، وتطبيقها في النموذجين الذكيين. يتم صيانة قاعدة الشيفرة بنشاط، مما يعكس التحسينات المستمرة لتعزيز الوظائف، كما هو موضح في سير العمل التخطيطي المقدم في الشكل 3.
المناقشة
في هذا القسم، يناقش المؤلفون منهجيتهم لاستخدام صور الأقمار الصناعية متعددة الطيف من PlanetScope لاستخراج وتحليل آثار الانهيارات الذائبة الرجعية (RTS) عبر القطب الشمالي. تشمل الصور، التي تحتوي على أربعة نطاقات طيفية (الأزرق، الأخضر، الأحمر، والأشعة تحت الحمراء القريبة) مع مسافة أخذ عينات أرضية تتراوح بين 3.7 إلى 4.1 متر، بيانات الارتفاع والانحدار من ArcticDEM ومجموعة بيانات اتجاهات Landsat. تضمنت عملية الحصول على البيانات شراء صور الأقمار الصناعية والوصول إلى بيانات إضافية من خلال برنامج الحصول على بيانات الأقمار الصناعية التجارية التابع لناسا، مما أسفر عن مجموعة بيانات شاملة تغطي حوالي 1.64 مليون كيلومتر مربع من 2018 إلى 2023. استخدم المؤلفون هيكل إدخال مختلط من مشاهد PlanetScope وOrthoTiles، وانتقلوا إلى الأولى بسبب إيقاف الأخيرة.
يقدم المؤلفون تفاصيل عملية تدريب نموذج التعلم العميق الخاصة بهم، والتي تضمنت خطوات تكرارية لإنشاء التسميات، وتدريب النموذج، والمعالجة اللاحقة. استخدموا بنية Unet++ مع هيكل resnet34، وقاموا بتحسين نهجهم من خلال عدة تكرارات لتعزيز أداء النموذج. ركزت عملية التسمية على تحديد مناطق RTS النشطة مع معالجة الإيجابيات الكاذبة من خلال أخذ عينات استراتيجية. تضمنت مجموعة البيانات النهائية 3749 ميزة من 198 مشهدًا للصورة، مع إجراء التحقق من خلال المقارنات مع مجموعات بيانات مستقلة وتأكيدات يدوية في مناطق مختلفة من سيبيريا. كانت استراتيجيات التحقق تهدف إلى تقييم دقة الكشف عن RTS، باستخدام مقاييس مثل الدقة، والاسترجاع، ودرجات F1، مع معالجة أيضًا الإيجابيات الكاذبة المحتملة المرتبطة بميزات المناظر الطبيعية. بشكل عام، يقدم المؤلفون إطار عمل قوي لمراقبة ديناميات RTS في مناطق التربة المتجمدة، مستفيدين من الصور الفضائية المتقدمة وتقنيات التعلم العميق.
DOI: https://doi.org/10.1038/s41597-025-05810-2
PMID: https://pubmed.ncbi.nlm.nih.gov/40877297
Publication Date: 2025-08-29
Author(s): Ingmar Nitze et al.
Primary Topic: Climate change and permafrost
Overview
The section presents the Database of AI-detected Arctic Retrogressive Thaw Slumps (DARTS), which catalogs approximately 43,000 individual footprints of active retrogressive thaw slumps (RtS) across a pan-arctic scale. Spanning around 1.6 million km² from 2018 to 2023, DARTS offers at least annual coverage from 2021 to 2023 over a region of approximately 900,000 km². The database is accessible in two processing levels: sub-annual and annually aggregated polygon footprints, accompanied by spatial and tabular metadata.
DARTS employs a highly automated workflow utilizing deep learning segmentation of PlanetScope multi-spectral satellite imagery with a resolution of 3-5 meters, combined with elevation data. Validation against various regional RTS datasets resulted in F1 scores between 0.263 and 0.700, indicating higher accuracy in regions with significant RTS activity. This database serves as a crucial tool for the systematic mapping, quantification, and analysis of active hillslope thermokarst distribution and temporal changes across the circum-arctic permafrost region.
Introduction
The introduction of the research paper discusses Retrogressive Thaw Slumps (RTS), significant features of rapid permafrost degradation characterized by distinct morphological components such as headwalls and debris tongues. RTS formation is influenced by climate change and local geomorphological conditions, typically occurring in sloped terrains with ice-rich permafrost. The prevalence of RTS has increased since the 1980s, particularly in regions like Siberia, yet their spatial distribution remains poorly quantified. Existing mapping efforts have primarily focused on areas in Northwest Canada and Siberia, often relying on manual or semi-automated techniques that are labor-intensive and limited in scalability.
To address these challenges, the paper highlights advancements in automated detection methods using remote sensing and deep learning techniques, which have shown promise in mapping RTS with higher accuracy and efficiency. The authors present the DARTS dataset, a comprehensive automated RTS detection system covering approximately 1.64 million km² of the pan-Arctic permafrost region, with a focus on active slumping areas. This dataset aims to enhance understanding of RTS dynamics and facilitate regular updates through high-resolution imagery and advanced neural network models. The paper outlines the methodology, validation processes, and potential applications of the DARTS dataset, emphasizing its role in improving the monitoring of permafrost degradation over time.
Methods
In this section, the authors outline the methodologies employed in their deep learning-based dataset processing, which is categorized into training and inference workflows. Both workflows include common steps such as data preprocessing, but they primarily consist of distinct processes tailored to their respective functions. The authors provide a detailed description of these workflows and make the complete Python code available on GitHub, ensuring transparency and reproducibility of their methods.
The deep learning component of the pipeline is implemented using PyTorch and the Segmentation Models package, while data processing utilizes standard Python geospatial libraries. The authors also highlight the creation of the DARTS dataset, which is detailed in Table 2, including information on the number of bands, derived datasets, and their application in the two AI models. The codebase is actively maintained, reflecting ongoing improvements to enhance functionality, as illustrated in the schematic workflow presented in Figure 3.
Discussion
In this section, the authors discuss their methodology for utilizing PlanetScope multi-spectral optical satellite imagery to extract and analyze the footprints of retrogressive thaw slumps (RTS) across the Arctic. The imagery, which includes four spectral bands (Blue, Green, Red, and Near-Infrared) with a ground sampling distance of 3.7 to 4.1 meters, was complemented by elevation and slope data from ArcticDEM and the Landsat Trends dataset. The data acquisition process involved purchasing satellite imagery and accessing additional data through NASA’s Commercial Satellite Data Acquisition Program, resulting in a comprehensive dataset covering approximately 1.64 million km² from 2018 to 2023. The authors employed a mixed input structure of PlanetScope Scenes and OrthoTiles, transitioning to the former due to the discontinuation of the latter.
The authors detail their deep learning model training process, which involved iterative steps of label creation, model training, and post-processing. They utilized a Unet++ architecture with a resnet34 backbone, refining their approach through multiple iterations to enhance model performance. The labeling process focused on identifying active RTS regions while addressing false positives through strategic sampling. The final dataset comprised 3749 features from 198 image scenes, with validation conducted through comparisons with independent datasets and manual confirmations in various Siberian regions. The validation strategies aimed to assess the accuracy of the RTS detection, employing metrics such as precision, recall, and F1 scores, while also addressing potential false positives associated with landscape features. Overall, the authors present a robust framework for monitoring RTS dynamics in permafrost regions, leveraging advanced satellite imagery and deep learning techniques.