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

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. I MASSIVE-prosjektet bygget vi et referansedatasett for global kartlegging av breer. Datasettet er basert på fritt tilgjengelige optiske og radar satellittbilder og digitale høydemodeller som dekker 19 000 breer (9 % av totalt antall breer) over hele verden. Vi trente en nyutviklet hybridmodell, en konvolusjonelt nevralt nettverk-vision transformer, GlaViTU, ved å bruke omkrets datasett fra ‘Global Land Ice Measurements from Space’ (GLIMS)-databasen. Ettersom datasettet inneholder et bredt utvalg av bretyper, testet vi forskjellige treningsstrategier for global generalisering. Den best presterende modellen oppnådde høy nøyaktighet i de fleste regioner, og ga utmerkede resultater for breer som hadde ren is uten materialdekke. Nytt med dette prosjektet er at vi rapporterte også estimat for hvor mye vi tror på modellen, noe som gir mer informasjon om modellenes pålitelighet og tolkbarhet. Det gjenstår fortsatt utfordringer med å kartlegge breer som er materialdekket og som kalver i vann.. For å adressere dette undersøker vi for tiden å bruke ytterligere datasett som brehastighet, høydeendringer og tidsserier av radar-satellittbilder, samt andre maskinlæringsmetoder som "long short-term memory" (LSTM) og tredimensjonale (3D) konvolusjonale nevrale nettverk. Resulatene er lovende. Vi jobber også med automatisert klassifisering av snø og andre typer breoverflater ved hjelp av ulike metoder innen maskinlæring. 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.