导读 永久冻土——永久冻结两年或更长时间的土地——构成了地球的很大一部分，约占北半球的 15%。永久冻土对我们的气候很重要，含有大量以甲烷

永久冻土——永久冻结两年或更长时间的土地——构成了地球的很大一部分，约占北半球的 15%。

永久冻土对我们的气候很重要，含有大量以甲烷和二氧化碳形式储存的生物质，使苔原土壤成为碳汇。然而，永久冻土的先天特征和不断变化的性质并未得到广泛理解。

随着全球变暖使地球升温并导致土壤解冻，预计永久冻土碳循环将加速并将土壤中的温室气体释放到大气中，形成一个加剧气候变化的反馈回路。

遥感是了解永久冻土的广度、动态和变化的一种方式。康涅狄格大学自然资源与环境助理教授 Chandi Witharana 说：“看到这个偏远且难以到达的地方，就像是一张虚拟护照。” “卫星成像帮助我们以前所未有的详细方式监控远程景观。”

在过去的二十年里，商业卫星以极高的精度绘制了北极大部分地区的地图。这些地图是关于这个很大程度上未被开发的地区的数据宝库。但Witharana说，数据如此庞大且难以处理，使得学术研究变得困难。

在国家科学基金会 (NSF) 的资助和支持下，作为“导航新北极”计划的一部分，Witharana 以及国家超级计算应用中心的 Kenton McHenry 和伍德威尔气候研究中心的北极研究员 Anna Liljedahl中心，正在使有关北极永久冻土的数据更容易获得。

该团队可以免费访问在北极拍摄的超过 100 万张图像场景的档案。这是大量数据，以至于传统的分析和特征提取方法都失败了。“这就是我们引入基于人工智能的深度学习方法来处理和分析大量数据的地方，”Witharana 说。

永久冻土最独特和最有说服力的特征之一是冰楔，它在卫星图像中产生可识别的多边形。

基于亚米分辨率商业卫星图像的自动冰楔多边形预测进展。到目前为止，研究人员已经在北极苔原上绘制了超过 10 亿个单独的冰楔多边形。除了多边形轮廓外，每个检测到的冰楔多边形都带有一套可供分析的属性，例如冰楔多边形的类型、大小、长度和宽度。图片来源：康涅狄格大学 Chandi Witharana

“冰楔是由苔原土壤的冻结和融化形成的，”Liljedahl 说。“其中一些已经有数万年的历史了。”

冰楔多边形的形状和尺寸可以提供有关该地区变化状态和速度的重要信息。但是他们短路了常规分析。

“几年前我在 Facebook 上注意到他们开始在照片上使用面部识别软件，”Liljedahl 回忆道。“我想知道这是否可以应用于北极的冰楔多边形。”

她联系了她在华盛顿特区的一次小组审查中认识的 Witharana 和 McHenry，并邀请他们加入她的项目构想。他们每个人都提供了领域专业知识、代码开发和大数据管理方面的互补技能。

从 2018 年开始，Witharana 开始使用神经网络检测的不是朋友的脸，而是来自数千张北极卫星图像的多边形。为此，Witharana 和他的团队首先必须注释 50,000 个单独的多边形，手绘它们的轮廓并将它们分类为低中心或高中心。

低中心的冰楔多边形在脊状外部的中间形成一个水池。Liljedahl 说，高中心的冰楔看起来更像松饼，并且是冰楔融化的证据。这两种类型具有不同的结构水文特征，这对于了解它们在气候变化中的作用以及规划北极社区未来的基础设施非常重要。

“永久冻土在气候模型的这些空间尺度上没有被描述，”Liljedahl 说。“这项研究将帮助我们得出一个基线，并了解随着时间的推移如何发生变化。”

用带注释的图像训练模型，他们将卫星图像输入神经网络并在未注释的数据上进行测试。有最初的挑战——例如，为加拿大训练的图像在俄罗斯效果较差，那里的冰楔更老且形状不同。然而，三年后，该团队看到的准确率在 80% 到 90% 之间。

他们在ISPRS Journal of Photogrammetry and Remote Sensing (2020)、Journal of Imaging (2020) 和Remote Sensing (2021) 中描述了这项研究的结果。

在证明他们的深度学习方法有效后，他们求助于由德克萨斯高级计算中心 (TACC) 运营的Longhorn 超级计算机——这是一种基于 GPU 的 IBM 系统，可以快速执行 AI 推理任务——以及位于的Bridges-2系统。匹兹堡超级计算中心通过 NSF 资助的极限科学与工程发现环境 (XSEDE) 分配来分析数据。

截至 2021 年底，该团队已在卫星数据中识别并绘制了 12 亿个冰楔多边形。他们估计他们大约完成了整个数据集的一半。

每个单独的图像分析都涉及预处理(以提高图像的清晰度并去除湖泊等非陆地特征)、处理(检测和表征多边形)和后处理(将数据减少到可管理的规模并上传到永久冻土数据档案)。除了识别和分类冰楔多边形外，该方法还得出有关楔形大小、槽大小和其他特征的信息。

单个分析可以在不到一个小时内完成。但是它们的数量之多使得除了在可以并行计算的大型超级计算机上之外的任何地方运行都是不可行的。

最近，Witharana 和合作者对他们的工作流程进行了基准测试，以找到在超级计算机上高效运行的最佳配置。他们在 2022 年撰写了摄影测量工程和遥感 (PE&RS) 论文，评估了两种不同高性能计算系统上的四种工作流程设计，并找到了高速分析的最佳设置。PE&RS 在 2022 年的另一项研究探讨了不同图像增强方法(例如改变色调或饱和度)在应用于深度学习卷积神经网络算法以从商业卫星图像中识别冰楔多边形时的功效。(这两个项目都在 2021 年 12 月的地球物理联盟秋季会议上提出。)

Liljedahl 说：“每年，我们都会在北极以海冰范围的形式获得几乎接近实时的脉冲计。” “我们想对永久冻土做同样的事情。有这么多快速的变化。我们需要能够真正理解和交流，永久冻土正在发生什么。”

Liljedahl 说，冰楔数据将可用于对新的永久冻土发现网关进行快速分析，这将“让更多人更容易获得有关北极的信息”。“不必等待 10 年才能了解某件事，他们可以立即了解并直接通过自己的经验进行探索。”

当研究人员分析代表不同年份和一年中不同时间的卫星图像时，研究项目的另一个重要阶段将到来。比较冰楔多边形的状态可以显示趋势和轨迹，例如景观变化的速度，以及这些变化将在何处与定居点或基础设施交叉。

NSF 项目主任 Kendra McLauchlan 说：“这是一个完美的例子，说明以前对计算基础设施的投资，结合对深度学习技术的新理解，正在建立一种资源来帮助解决北极的一个重要问题。”

“柏拉图说，‘人必须升到地球之上——到达大气层的顶端，甚至更远——因为只有这样他才能完全理解他所生活的世界，’”Witharana 说。“地球观测技术使我们能够看到气候变化是如何发生的，甚至是土地是如何变化的。它是观察、监测、预测和做出决定以防止对脆弱地区产生负面影响的主要工具。”