Trí tuệ nhân tạo (AI) có thể hỗ trợ theo dõi sự thu hẹp của các sông băng trên thế giới.

Theo dõi tốc độ thu hẹp của sông băng là yếu tố then chốt để đo lường tốc độ biến đổi khí hậu và dự báo mực nước biển dâng trong tương lai. Đây thường là một công việc thủ công tỉ mỉ, nhưng một phương pháp mới cho phép AI phân tích hình ảnh vệ tinh của sông băng ở bất kỳ đâu trên thế giới có thể giúp tự động hóa quy trình giám sát. Các sông băng chảy trực tiếp ra đại dương đóng vai trò quan trọng trong khí hậu Trái Đất, nhưng sự nóng lên toàn cầu đang khiến chúng rút lui nhanh hơn bao giờ hết. Điều này có thể gây ra những tác động dây chuyền nghiêm trọng khi băng tách ra từ "mặt phân tách" – phần cuối của sông băng nơi các tảng băng trôi tách ra và rơi xuống nước – đổ một lượng lớn nước ngọt vào biển, có thể làm thay đổi các dòng hải lưu và khiến mực nước biển dâng cao. Các sông băng trắng sáng cũng phản chiếu nhiều ánh sáng mặt trời. Khi chúng co lại, chúng để lộ ra vùng nước biển tối hấp thụ nhiệt từ mặt trời. Tất cả những điều này có nghĩa là việc theo dõi sự mất mát của sông băng là rất quan trọng để hiểu cách các điều kiện khí hậu địa phương và toàn cầu sẽ thay đổi theo thời gian. Tuy nhiên, số lượng sông băng cần được giám sát trên toàn thế giới vượt xa khả năng của các nhà phân tích con người. Có hy vọng rằng phân tích hình ảnh dựa trên AI có thể giúp lấp đầy khoảng trống, nhưng các mô hình trước đây đã hoạt động kém hiệu quả ở các khu vực không có trong dữ liệu huấn luyện của chúng. Điều này hạn chế nghiêm trọng khả năng ứng dụng của phương pháp, do việc thu thập hình ảnh được gắn nhãn thủ công rất khó khăn. Hiện tại, một bài báo được chấp nhận tại Hội nghị Quốc tế IEEE về Xử lý Hình ảnh (ICIP) cho thấy một mô hình học sâu hàng đầu để theo dõi các mặt phân tách sông băng có thể được điều chỉnh cho các vị trí mới với dữ liệu bổ sung tối thiểu. Các nhà nghiên cứu từ Đại học Friedrich-Alexander Erlangen–Nuremberg (FAU), Đức, đã chỉ ra rằng sai số của mô hình – khoảng cách trung bình giữa ranh giới được mô hình hóa và ranh giới thực tế – đã giảm từ hơn một km xuống dưới 70 mét bằng cách cung cấp ba thông tin: một hình ảnh được gắn nhãn thủ công cho mỗi sông băng, hình ảnh tham chiếu mùa hè không được gắn nhãn và bản đồ của lớp đá bên dưới. Trong nghiên cứu liên quan, một số tác giả của bài báo đã áp dụng phương pháp này, sử dụng nó để trích xuất vị trí mặt phân tách hàng tháng cho tất cả 145 sông băng ở quần đảo Svalbard của Na Uy từ năm 2015 đến năm 2024. Nhóm nghiên cứu hiện hy vọng sẽ mở rộng phương pháp này cho 1.500 sông băng khác ở Bắc Cực. "Đó là về việc hiểu rõ hơn về sông băng và cách chúng phản ứng với những thay đổi của khí hậu", Nora Gourmelon, nghiên cứu sinh tiến sĩ tại FAU và đồng tác giả chính của bài báo ICIP, cho biết. "Khi bạn biết về quá khứ thì bạn cũng sẽ hy vọng có thể hiểu rõ hơn về cách chúng sẽ thay đổi trong tương lai." Giảm biên độ sai số Theo Gourmelon, trước đây, việc phân định các mặt phân tách đòi hỏi sinh viên và nhà nghiên cứu phải xem xét kỹ lưỡng hình ảnh radar vệ tinh để vẽ thủ công ranh giới giữa sông băng và đại dương. Tuy nhiên, quá trình này tốn thời gian, vì vậy nhiều nhóm nghiên cứu đã thử nghiệm sử dụng các mô hình thị giác máy tính để tự động hóa quá trình này. Năm 2023, Gourmelon và các đồng nghiệp đã tạo ra một tập dữ liệu gồm 681 hình ảnh radar của bảy sông băng ở Nam Cực, Greenland và Alaska, với các mặt phân tách được chú thích thủ công để giúp huấn luyện và đánh giá các mô hình mới. Nhưng khi họ lấy một mô hình học sâu tiên tiến được huấn luyện trên tập dữ liệu này và áp dụng nó cho các sông băng chưa từng thấy ở Svalbard, họ phát hiện ra rằng nó có sai số trung bình là 1.131,6 m. Việc thu thập đủ dữ liệu được chú thích thủ công để huấn luyện lại một mô hình cho mỗi sông băng mới mà bạn muốn phân tích rõ ràng là không khả thi, vì vậy Các tác giả đã tìm kiếm một phương pháp hiệu quả hơn để nâng cao hiệu suất. Họ đã tạo một hình ảnh mặt cắt sông băng được chú thích thủ công cho tất cả 145 sông băng ở Svalbard và kết hợp với một số hình ảnh vệ tinh thô khác của mỗi sông băng để tạo ra một tập dữ liệu huấn luyện mới gồm 5.539 hình ảnh. Khi họ huấn luyện lại mô hình trên cả dữ liệu mới này và dữ liệu chuẩn ban đầu, sai số đã giảm xuống còn 445,3 m. Sau đó, họ đã phát triển hai chiến lược mới để cải thiện độ chính xác hơn nữa. Đối với cả con người và AI, việc phân biệt ranh giới của sông băng với băng hỗn hợp – khối băng trôi, băng biển và tuyết tích tụ ở mặt cắt sông băng – có thể khó khăn. Vì vậy, khi các nhà nghiên cứu tải lên một loạt hình ảnh của một sông băng để mô hình chú thích, họ đã bao gồm ba hình ảnh từ mùa hè, khi băng hỗn hợp không xuất hiện và ranh giới của sông băng rõ ràng. Những hình ảnh này đóng vai trò là điểm tham chiếu cho mô hình và đẩy sai số xuống còn 204,6 m. Là bước cuối cùng, các nhà nghiên cứu cũng cung cấp cho mô hình một bản đồ tĩnh về đá nền bên dưới mỗi sông băng, được lấy từ dữ liệu Open Street Map phác thảo bờ biển Svalbard. Điều này đã giảm sai số xuống chỉ còn 103,6 m. Bằng cách chạy một tập hợp gồm năm phiên bản khác nhau của mô hình và tính trung bình các kết quả đầu ra, các nhà nghiên cứu đã có thể giảm sai số cuối cùng xuống chỉ còn 68,7 m. Mặc dù con số đó có vẻ vẫn khá thiếu chính xác, Gourmelon cho biết nó có thể so sánh với tỷ lệ sai số chú thích thủ công. Bà nói: “Bản thân con người không thực sự nhất quán trong việc gắn nhãn, đặc biệt khi có băng hỗn hợp hoặc khi độ phân giải của hình ảnh vệ tinh không tốt”. Tự động hóa mô hình sông băng Mặc dù phương pháp này vẫn đòi hỏi một số công sức, nhưng nó có thể tăng tốc đáng kể việc phân tích các khu vực mới. Hầu hết các nghiên cứu gần đây thuộc loại này đã được thực hiện theo thang thời gian hàng năm hoặc hàng thập kỷ, Dakota Pyles, một nghiên cứu sinh tiến sĩ tại FAU, người đã dẫn đầu nghiên cứu thứ hai lập bản đồ động lực sông băng trong chín năm ở Svalbard, cho biết. Ngược lại với việc theo dõi tần suất thấp hơn, Pyles đã có thể tạo ra các mặt cắt sông băng hàng tháng cho mọi sông băng trong nghiên cứu đó – tổng cộng hơn 203.294 chú thích – cung cấp một cái nhìn chi tiết hơn nhiều về cách động lực băng đang thay đổi trên quần đảo. Pyles nói: “Dự án của tôi sẽ không thể thực hiện được ở quy mô mà chúng tôi đang hướng tới nếu chúng tôi không có mô hình. “Vì vậy, đó là một lợi ích lớn đối với chúng tôi, và nói chung là để thúc đẩy lĩnh vực băng học”. Về lâu dài, phương pháp này có thể giúp tự động hóa một phần việc giám sát.