A method of neural network identification of thermokarst formations in Central Yakutia using graphic data from satellite remote

In den weiten, gefrorenen Landschaften Nordrusslands ist der Boden nicht so fest, wie er scheint. Unter der Oberfläche liegt Permafrost, Boden, der seit Jahrtausenden gefroren geblieben ist. Doch während sich das Klima erwärmt, beginnt diese gefrorene Erde zu tauen, was einen Prozess auslöst, der als Thermokarst bekannt ist. Wenn das Eis innerhalb des Bodens schmilzt, sackt der Boden ein und erzeugt ein chaotisches Gelände aus Erdfällen, Senken und wassergefüllten Becken. In Zentraljakutien, einer Region im Osten Sibiriens, nehmen diese Formationen oft eine markante, geometrische Gestalt an und ähneln einem Mosaik aus Polygonen, die sich über die Tundra erstrecken. Diese Transformation beschleunigt sich rasant, wobei sich neue Merkmale in nur fünfundzwanzig bis dreißig Jahren bilden. Obwohl diese Veränderungen seit Jahrtausenden natürlich vorkommen, treibt die aktuelle Erwärmungsrate sie mit beispielloser Geschwindigkeit voran, was die Infrastruktur bedroht und Ökosysteme verändert. Die Überwachung dieser Verschiebungen ist entscheidend, aber die schiere Größe der Landschaft macht es für Menschen schwierig, jede Veränderung allein mit dem bloßen Auge zu verfolgen.

Um diese Herausforderung anzugehen, hat ein Team von Forschern der Nordost-Föderalen Universität und mehrerer russischer wissenschaftlicher Institute einen neuen Weg entwickelt, um die Veränderungen des gefrorenen Bodens zu beobachten. Sie wandten sich Satellitenbildern zu, wobei sie dieselbe Art von hochauflösenden Karten verwendeten, wie man sie in alltäglichen Navigations-Apps findet, wendeten jedoch eine hochentwickelte Form des maschinellen Lernens an, um diese zu analysieren. Anstatt dass ein Mensch auf einen Bildschirm schaut und versucht, eine Senke zu entdecken, trainierten die Forscher ein Computerprogramm, um die visuellen Muster von Thermokarst-Formationen automatisch zu erkennen. Das Ziel war es, die Maschine zu lehren, zwischen vier spezifischen Landschaftstypen zu unterscheiden: Gebiete mit diesen auftauenden Formationen, offene Felder, Wälder und Gewässer. Auf diese Weise hofften sie, ein Werkzeug zu schaffen, das riesige Gebiete der sibirischen Wildnis scannen und die frühen Anzeichen eines Bodenkollapses melden kann, bevor diese katastrophal werden.

Die Forscher begannen damit, eine Bibliothek von Bildern aufzubauen, um ihren Computer zu unterrichten. Sie entwickelten ein Online-Tool, das es ihnen ermöglichte, tausende kleiner quadratischer Bilder, die aus Satellitenkarten stammen, schnell auszuwählen und zu beschriften. Diese Bilder stammten aus zwei spezifischen Gebieten in Jakutien, die für ihre vielen Thermokarst-Merkmale bekannt sind. Sie sammelten über zehntausend Bilder und unterteilten sie in verschiedene Größen, um zu sehen, welche am besten für den Computer geeignet waren. Einige Bilder waren klein und maßen 70 mal 70 Pixel, während andere mit 128 mal 128 Pixel größer waren. Um sicherzustellen, dass der Computer korrekt lernte, verifizierten sie viele der Thermokarst-Stellen mittels Drohnen, indem sie tief über das Gelände flogen, um zu bestätigen, was die Satelliten sahen. Diese sorgfältige Vorbereitung schuf einen robusten Datensatz, oder Trainingsdatensatz, den der Computer studieren konnte, um den Unterschied zwischen einem Wald, einem Feld, einem See und einem auftauenden Bodenstück zu lernen.

Sobald die Daten bereit waren, baute das Team ein digitales Gehirn, bekannt als konvolutionsneuronales Netzwerk, um die Erkennung durchzuführen. Diese Art von Computerprogramm ist darauf ausgelegt, Bilder ähnlich zu verarbeiten, wie es das menschliche Auge und das Gehirn zusammen tun. Es betrachtet ein Bild und zerlegt es in Schichten, wobei es zuerst nach einfachen Formen und Texturen sucht und diese einfachen Teile dann kombiniert, um komplexe Muster zu erkennen. Die Forscher testeten viele verschiedene Versionen dieses digitalen Gehirns und änderten dabei die Anzahl der Schichten sowie die Art und Weise, wie es Informationen verarbeitet. Sie wollten die spezifische Architektur finden, die Thermokarst-Formationen mit der höchstmöglichen Genauigkeit identifizieren konnte. Sie führten zahlreiche Experimente durch, bei denen sie den Computer mit tausenden Bildern fütterten und beobachteten, wie gut er lernte, sie in die richtigen Kategorien zu sortieren.

Die Ergebnisse zeigten, dass der Computer tatsächlich in der Lage war, diese Formationen mit bemerkenswerter Präzision zu erkennen. Nach dem Testen vieler verschiedener Designs identifizierten die Forscher drei spezifische Modelle, die am besten abschnitten. Diese leistungsstärksten Modelle konnten Thermokarst-Formationen in etwa 94 bis 96 Prozent der getesteten Fälle korrekt identifizieren. Dieses Maß an Genauigkeit ist signifikant, da es bedeutet, dass das System die subtilen Anzeichen von auftauendem Boden zuverlässig von anderen Landschaftsmerkmalen unterscheiden kann. Der Computer war besonders gut darin, zwischen einem Wald und einem See zu unterscheiden, hatte aber manchmal Schwierigkeiten, zwischen einer Thermokarst-Formation und einem offenen Feld zu differenzieren. Diese Verwechslung ist nachvollziehbar, da beide aus der Vogelperspektive wie flacher, offener Boden aussehen können, und die Forscher merkten an, dass dies die reale Schwierigkeit widerspiegelt, diese Merkmale ohne genaue Inspektion zu unterscheiden.

Die Studie kommt zu dem Schluss, dass diese Methode ein leistungsstarkes neues Werkzeug zur Überwachung der sich verändernden Arktis bietet. Durch die Verwendung von Satellitenbildern und trainierten Computerprogrammen können Wissenschaftler nun große Gebiete in Zentraljakutien viel schneller und konsistenter als zuvor scannen. Die vom Team entwickelte Software ist bereit für den Einsatz zur automatisierten Überwachung, vorausgesetzt, dass die Trainingsdaten aktuell gehalten und verifiziert werden. Obwohl das System nicht perfekt ist und gelegentlich Fehler macht, deutet seine Fähre, eine solch hohe Genauigkeit zu erreichen, darauf hin, dass maschinelles Lernen eine entscheidende Rolle bei der Verfolgung des raschen Abbaus des Permafrosts spielen kann. Dieser Ansatz ermöglicht es den Forschern, den gefrorenen Boden genauer im Blick zu behalten, und bietet eine Möglichkeit, die beschleunigten Veränderungen in einer der empfindlichsten Umgebungen der Erde zu verstehen und darauf zu reagieren.