Überwachung des arktischen Permafrosts mit Satelliten, Supercomputern und Deep Learning

Permafrost – Boden, der seit zwei oder mehr Jahren dauerhaft gefroren ist – macht einen großen Teil der Erde aus, etwa 15 % der nördlichen Hemisphäre.

Permafrost ist wichtig für unser Klima, da er große Mengen an Biomasse enthält, die als Methan und Kohlendioxid gespeichert sind, was den Boden der Tundra zu einer Kohlenstoffsenke macht. Die angeborenen Eigenschaften und die sich verändernde Natur des Permafrosts werden jedoch nicht allgemein verstanden.

Da die globale Erwärmung die Erde erwärmt und zum Auftauen des Bodens führt, wird erwartet, dass sich der Permafrost-Kohlenstoffkreislauf beschleunigt und im Boden enthaltene Treibhausgase in die Atmosphäre freisetzt, wodurch eine Rückkopplungsschleife entsteht, die den Klimawandel verschlimmern wird.

Fernerkundung ist eine Möglichkeit, die Breite, Dynamik und Veränderungen des Permafrosts in den Griff zu bekommen. „Es ist wie ein virtueller Pass, um diesen abgelegenen und schwer erreichbaren Teil der Welt zu sehen“, sagt Chandi Witharana, Assistenzprofessorin für natürliche Ressourcen und Umwelt an der University of Connecticut. „Satellitenbildgebung hilft uns, abgelegene Landschaften so detailliert zu überwachen, wie wir es noch nie zuvor hatten.“

In den letzten zwei Jahrzehnten wurde ein Großteil der Arktis von kommerziellen Satelliten mit äußerster Präzision kartiert. Diese Karten sind eine Fundgrube an Daten über diese weitgehend unerforschte Region. Aber die Daten sind so groß und unhandlich, dass die Wissenschaft schwierig ist, sagt Witharana.

Mit Finanzierung und Unterstützung der US National Science Foundation (NSF) im Rahmen des „Navigating the New Arctic“-Programms, Witharana, sowie Kenton McHenry vom National Center for Supercomputing Applications und der Arktisforscherin Anna Liljedahl vom Woodwell Climate Research Center, machen Daten über den arktischen Permafrost viel zugänglicher.

Das Team erhielt freien Zugang zu Archiven mit über 1 Million Bildszenen, die in der Arktis aufgenommen wurden. Das sind eine Menge Daten – so viele, dass traditionelle Analyse- und Merkmalsextraktionsmethoden versagten. „Hier haben wir KI-basierte Deep-Learning-Methoden eingesetzt, um diese große Datenmenge zu verarbeiten und zu analysieren“, sagte Witharana.

Eines der markantesten und aussagekräftigsten Merkmale des Permafrosts sind Eiskeile, die auf Satellitenbildern erkennbare Polygone erzeugen.

„Die Eiskeile bilden sich durch das Einfrieren und Schmelzen von Erde in der Tundra“, sagte Liljedahl. „Einige von ihnen sind Zehntausende von Jahren alt.“

Die Form und Abmessungen von Eiskeilpolygonen können wichtige Informationen über den Status und das Tempo der Veränderungen in der Region liefern. Aber sie schließen die konventionelle Analyse kurz.

„Ich war vor einigen Jahren auf Facebook und bemerkte, dass sie anfingen, Gesichtserkennungssoftware für Fotos zu verwenden“, erinnert sich Liljedahl. „Ich habe mich gefragt, ob dies auf Eiskeilpolygone in der Arktis angewendet werden könnte.“

Sie kontaktierte Witharana und McHenry, die sie bei einer Panelbesprechung in Washington, DC, kennengelernt hatte, und lud sie ein, sich ihrer Projektidee anzuschließen. Sie boten jeweils komplementäre Fähigkeiten in den Bereichen Fachwissen, Codeentwicklung und Big-Data-Management an.

Ab 2018 begann Witharana, neuronale Netze zu verwenden, um nicht die Gesichter von Freunden, sondern Polygone aus Tausenden von arktischen Satellitenbildern zu erkennen. Dazu mussten Witharana und sein Team zunächst 50.000 einzelne Polygone kommentieren, ihre Umrisse von Hand zeichnen und sie entweder als niedrig zentriert oder hoch zentriert klassifizieren.

Niedrig zentrierte Eiskeilpolygone bilden einen Pool in der Mitte des gerippten äußeren Teils. Hochzentrierte Eiskeile sehen eher wie Muffins aus, sagte Liljedahl, und sind ein Beweis für das Schmelzen von Eiskeilen. Die beiden Typen haben unterschiedliche strukturelle hydrologische Eigenschaften, die im Hinblick auf ihre Rolle beim Klimawandel und für die Planung der zukünftigen Infrastruktur in arktischen Gemeinden wichtig zu verstehen sind.

„Permafrost wird in Klimamodellen auf diesen räumlichen Skalen nicht charakterisiert“, sagte Liljedahl. „Diese Studie wird uns dabei helfen, eine Basislinie abzuleiten und auch zu sehen, wie sich Änderungen im Laufe der Zeit ergeben.“

Sie trainierten das Modell mit den kommentierten Bildern, speisten die Satellitenbilder in ein neuronales Netzwerk ein und testeten es an nicht kommentierten Daten. Es gab anfängliche Herausforderungen – zum Beispiel waren für Kanada trainierte Bilder in Russland weniger effektiv, wo die Eiskeile älter und anders geformt sind. Drei Jahre später sieht das Team jedoch Genauigkeitsraten zwischen 80 und 90 %.

Sie haben die Ergebnisse dieser Forschung in der beschrieben ISPRS Journal of Photogrammetry and Remote Sensing (2020), die Zeitschrift für Bildgebung (2020) und Fernerkundung (2021).

Nachdem sie gezeigt hatten, dass ihre Deep-Learning-Methode funktionierte, wandten sie sich dem zu Longhorn-Supercomputerbetrieben vom Texas Advanced Computing Center (TACC) – einem GPU-basierten IBM-System, das KI-Inferenzaufgaben schnell ausführen kann – sowie das Brücken-2 System im Pittsburgh Supercomputing Center, das von der NSF-finanzierten Extreme Science and Engineering Discovery Environment (XSEDE) bereitgestellt wird, um die Daten zu analysieren.

Bis Ende 2021 hatte das Team in den Satellitendaten 1,2 Milliarden Eiskeilpolygone identifiziert und kartiert. Sie schätzen, dass sie etwa die Hälfte des gesamten Datensatzes durchgearbeitet haben.

Jede einzelne Bildanalyse umfasst die Vorverarbeitung (um die Klarheit des Bildes zu verbessern und Nicht-Landmerkmale wie Seen zu entfernen), die Verarbeitung (bei der Polygone erkannt und charakterisiert werden) und die Nachverarbeitung (Reduzieren der Daten auf einen überschaubaren Maßstab und Hochladen). zu einem Permafrost-Datenarchiv). Zusätzlich zum Identifizieren und Klassifizieren von Eiskeilpolygonen leitet das Verfahren Informationen über die Größe des Keils, die Größe der Mulden und andere Merkmale ab.

Die individuelle Analyse kann in weniger als einer Stunde durchgeführt werden. Aber die schiere Anzahl von ihnen macht es unmöglich, irgendwo anders als auf einem großen Supercomputer zu laufen, wo sie parallel berechnet werden können.

Kürzlich haben Witharana und Mitarbeiter ihren Arbeitsablauf bewertet, um die optimale Konfiguration für eine effiziente Ausführung auf Supercomputern zu finden. Sie schrieben 2022 in Photogrammetric Engineering and Remote Sensing (PE&RS) und bewerteten vier Workflow-Designs auf zwei verschiedenen Hochleistungs-Computing-Systemen und fanden die optimale Einrichtung für Hochgeschwindigkeitsanalysen. Eine separate Studie aus dem Jahr 2022 in PE&RS untersuchte die Wirksamkeit verschiedener Bildverbesserungsmethoden (z. B. Ändern des Farbtons oder der Sättigung), wenn sie auf Deep-Learning-Convolutional-Neural-Net-Algorithmen angewendet werden, um Eiskeilpolygone aus kommerziellen Satellitenbildern zu erkennen. (Beide Projekte wurden beim Herbsttreffen der American Geophysical Union im Dezember 2021 vorgestellt.)

„Jedes Jahr erhalten wir fast in Echtzeit einen Pulsmesser in Form der Meereisausdehnung in der Arktis“, sagte Liljedahl. „Wir wollen dasselbe mit Permafrost machen. Es gibt so viele schnelle Veränderungen. Wir müssen in der Lage sein, wirklich zu verstehen und zu kommunizieren, was im Permafrost passiert.“

Die Eiskeildaten werden für eine schnelle Analyse auf dem neuen verfügbar sein Permafrost Discovery Gateway, die „Informationen über die Arktis für mehr Menschen zugänglicher machen wird“, sagte Liljedahl. „Anstatt 10 Jahre warten zu müssen, um etwas zu lernen, können sie es sofort lernen und es direkt durch ihre eigene Erfahrung erforschen.“

Eine weitere wichtige Phase des Forschungsprojekts wird kommen, wenn die Forscher Satellitenbilder aus verschiedenen Jahren und Jahreszeiten analysieren. Der Vergleich des Zustands der Eiskeilpolygone kann Trends und Bahnen aufzeigen, z. B. wie schnell sich die Landschaft verändert und wo sich diese Veränderungen mit Siedlungen oder Infrastruktur kreuzen.

„Dies ist ein perfektes Beispiel dafür, wie frühere Investitionen in die Computerinfrastruktur in Kombination mit einem neuen Verständnis von Deep-Learning-Techniken eine Ressource aufbauen, die bei einem wichtigen Problem in der Arktis hilft“, sagte NSF-Programmdirektorin Kendra McLauchlan.

„Platon sagte: ‚Der Mensch muss sich über die Erde erheben – bis an die Spitze der Atmosphäre und darüber hinaus – denn nur so wird er die Welt, in der er lebt, vollständig verstehen‘“, sagte Witharana. „Erdbeobachtungstechnologien ermöglichen es uns zu sehen, wie der Klimawandel abläuft und wie sich sogar das Land verändert. Es ist das wichtigste Instrument, um zu beobachten, zu überwachen, vorherzusagen und Entscheidungen zu treffen, um negative Auswirkungen auf fragile Regionen zu verhindern.“