Tilbake til søkeresultatene

KLIMAFORSK-Stort program klima

MASSIVE - MAchine learning, Surface mass balance of glaciers, Snow cover, In-situ data, Volume change, Earth observation

Alternativ tittel: MASSIVE - maskinlæring, massebalanse for isbreer, snø, in-situ-data, volumendringer, jordobservasjon

Tildelt: kr 12,0 mill.

MASSIVE - maskinlæring, massebalanse for isbreer, snø, in-situ-data, volumendringer, jordobservasjon Isbreer er sårbare for klimaendringer. Endringer i breens areal og massebalanse er to mål på helsetilstanden til en isbre og er anerkjent som essensielle klimavariabler av Verdens meteorologiske organisasjon (WMO). Massebalansen er et mål for hvor mye massen til en bre endrer seg i løpet av et år. Totalt er det rundt 200 000 isbreer over hele verden og mange av dem ligger svært utilgjengelig. Satellittdata har derfor vært en verdifull kilde til å kartlegge breer over hele verden i løpet av de siste tiårene. Satellittbilder har gjort det mulig for forskere å manuelt eller automatisk kartlegge utbredelse av isbreer og breers overflatetyper (det vil si soner av snø, firn og is). Repeterte høydemodeller over breer og tidsserier av som viser snølinjer og albedo av overflaten kan brukes til å estimere breers massebalanse. I dag gir den stadig økende mengden av satellittdata mulighet til å utvikle ny metodikk for å maksimere informasjonen som kan hentes fra satellittdata og lette håndtering og lagring av dataene (f.eks. datakuber). I prosjektet MASSIVE har vi som mål å forbedre metodene for brekartlegging og estimere breers massebalanse ved hjelp av maskinlæring, spesielt dyp læring. I MASSIVE vil vi først utvikle metodikken for isbreer i Norge, Svalbard, de europeiske alpene og Himalaya. Deretter vil vi utvide den til andre regioner med andre typer av breer. Prosjektet skal lage breatlas fra flere perioder og en flerårig tidsserie av massebalanse av isbreene vi undersøker. Disse dataene kan støtte nasjonale myndigheters arbeid med breers massebalanse og brukes som grunnlag for hydrologisk modellering av avrenning. Partnere i MASSIVE-prosjektet er Universitetet i Oslo (Norge), EURAC (Italia), Universitetet i Twente (Nederland), Norges vassdrags- og energidirektorat (NVE, Norge) og Statkraft (Norge).

The MASSIVE project team will revolutionize glacier area mapping and glacier mass balance estimation. We aim at vastly expanding the applicability of today’s glacier surface mass balance regression techniques using deep learning for image classification and regression. First we will harvest unprecedented amounts of freely available remote sensing data to build data cubes of a variety of glacierized regions in the world. These databases will contain information on relevant mass balance predictors including snow cover area, glacier facies, albedo and glacier elevation changes. In this big data approach we will use state-of-the-art database software necessary to efficiently handle the ever increasing amount of remote sensing data. To achieve the highest possible quality for the predictors we will design novel glacier facies and snow cover classification algorithms based on deep learning. Our method using convolutional networks will be superior compared to today’s commonly used classification based on band ratio and indices as they can be trained with multi-resolution and multi-sensor data (including optical and synthetic aperture radar data) in a single classification framework. Output of the classification will be an updated multi-temporal glacier inventory. Once the regional data cubes are build we will use advanced regression techniques e.g. deep regression to extract a consistent and decade-long time series of surface mass balance for a variety of different glacier types. We will first design the methodology for glaciers in Norway, Svalbard and European Alps and other regions with different glacier characteristics and with solid training and validation data for the period 2000-2020. We will then test the transferability to glacierized regions with less base data available. Based on the regression parameters we also aim at prolonging the mass balance time series in a sensor-independent approach solely from snow cover and albedo maps.

Publikasjoner hentet fra Cristin

Ingen publikasjoner funnet

Ingen publikasjoner funnet

Ingen publikasjoner funnet

Budsjettformål:

KLIMAFORSK-Stort program klima