利茲大學（University of Leeds）的研究人員推出了一種神經網絡，它能迅速、準確地繪製衛星圖像中南極大型冰山的分佈圖，僅需0.01 秒就能完成任務，這是一項突破性進展。這種新穎的方法與以往費時費力的人工操作形成了鮮明對比。

Anne Braakmann-Folgmann是11月9日發表在《冰凍圈》（The Cryosphere）雜誌上的這項研究成果的主要作者，她在英國利茲大學攻讀博士學位期間開展了這項研究。現在她在特羅姆瑟的挪威北極大學工作，她強調了大型冰山在南極環境中的重要性。

這張圖片由哥白尼哨兵-1 號雷達衛星任務拍攝，顯示了南極洲西海岸阿蒙森海的冰山。巨型冰山是南極環境的重要組成部分。它們影響海洋物理、化學、生物，當然也影響海上作業。因此，監測冰山範圍並量化冰山嚮海洋釋放的融水數量至關重要。利茲大學的研究人員推出了一種神經網絡，它能迅速準確地繪製出哥白尼哨兵-1 衛星雷達影像中南極大型冰山的範圍，完成這項任務僅需0.01 秒。這種新穎的方法與先前費時費力的人工操作形成了鮮明對比。圖片來源：包含經修改的哥白尼哨兵資料（2015 年），由歐空局處理

冰山監測的意義

“巨型冰山是南極環境的重要組成部分。它們影響海洋物理、化學、生物，當然也影響海上作業。因此，必須確定冰山的位置並監測其範圍，以量化冰山嚮海洋釋放的融水量”。哥白尼哨兵-1 號雷達任務提供冰山影像，不受雲層遮蔽和日光不足的影響，在利用人工智慧繪製冰山地圖的創新方法中發揮關鍵作用。

在攜帶類似相機的儀器的衛星所拍攝的影像中，冰山、海冰和雲層都呈現白色，因此很難分辨出真正的冰山。而在大多數雷達影像中，如哨兵一號傳回的影像，冰山在較暗的海洋和海冰背景中顯示為明亮的物體。

哥白尼哨兵-1 號攜帶有先進的合成孔徑雷達，以多種專業模式工作，為歐洲的哥白尼計劃提供詳細的圖像。這些數據可用於監測海洋，包括航道、海冰、冰山和漏油等。圖片來源：歐空局/ATG medialab

儘管如此，當周圍環境複雜時，有時仍很難將冰山與海冰甚至海岸線區分開來。

Braakmann-Folgmann 博士解釋說：”我們有時很難將冰山與周圍的海冰區分開來，因為海冰更粗糙、更古老，因此在衛星圖像中看起來更明亮。這同樣適用於被風吹皺的海洋。另外，較小的冰山碎片經常出現在冰山附近，因為它們的邊緣會不斷掉落碎冰，很容易被錯誤地與主冰山歸為一類。衛星圖像中的南極海岸線可能與冰山相似，因此標準的分割演算法往往也會選擇海岸線，而不僅僅是實際的冰山。”

神經網路能力

然而，即使在這些具有挑戰性的條件下，新的神經網路方法也能出色地繪製冰山範圍圖。其強大之處在於神經網路能夠理解錯綜複雜的非線性關係，並將整個影像背景納入考量。

要有效追蹤冰山面積和厚度的變化（這對了解冰山如何溶解並向海洋釋放淡水和養分至關重要），精確定位特定的巨型冰山以進行持續監測至關重要。

巨型冰山是南極環境的重要組成部分。它們影響海洋物理、化學、生物，當然也影響海上作業。因此，監測冰山範圍並量化冰山嚮海洋釋放的融水數量至關重要。利茲大學的研究人員推出了一種神經網絡，它能迅速準確地繪製出哥白尼哨兵-1 衛星雷達影像中南極大型冰山的範圍，完成這項任務僅需0.01 秒。這種新穎的方法與先前費時費力的人工操作形成了鮮明對比。資料來源：利茲大學

這項研究中引入的神經網路能夠非常熟練地識別出每張影像中最大的冰山，而不像其他方法，後者經常選擇附近稍小的冰山。

神經網路的架構是基於著名的U-net 設計。該系統使用哨兵-1 拍攝的各種環境下的巨型冰山圖像進行了細緻的訓練，並以人工繪製的輪廓作為目標。

在整個訓練過程中，系統不斷改進其預測結果，並根據人工得出的輪廓與預測結果之間的差異調整其參數。當系統達到最佳效能時，就會自動停止訓練，以確保其適應性和在新範例上的成功。

研究成果和影響

該演算法已在七座冰山上進行了測試，面積從54 平方公里到1052 平方公里（21 平方英里到406 平方英里）不等，分別大致相當於瑞士伯爾尼市和香港的面積。

我們編制了一個多樣化的資料集，每個冰山包含15 至46 幅圖像，時間跨度為2014 – 2020 年的不同季節。

為確保資料集的多樣性，每個冰山每月使用一張哨兵-1 影像。結果令人印象深刻，準確率達99%。

Braakmann-Folgmann博士補充說：”能夠以更快的速度和更高的精度自動繪製冰山範圍圖，將使我們能夠更輕鬆地觀測幾座巨型冰山的冰山面積變化，並為實際應用鋪平道路。 “

歐空局的馬克-德林克沃特（Mark Drinkwater）指出：”當然，衛星對於監測變化和了解遠離人類文明的過程至關重要。這一新的神經網絡使定位和報告冰山範圍這一人工和勞動密集型任務實現了自動化。我們祝賀團隊引入了這種創新的機器學習方法，以實現一種強大而準確的方法來監測脆弱的南極地區的變化”。