Überwachung des arktischen Permafrosts mit Satelliten, Supercomputern und Deep Learning

Lesedauer: etwa 9 Minuten

Permafrost – Boden, der seit zwei oder mehr Jahren dauerhaft gefroren ist – macht einen großen Teil der Erde aus, etwa 15 % der nördlichen Hemisphäre.

Permafrost ist wichtig für unser Klima, denn er enthält große Mengen an Biomasse, die in Form von Methan und Kohlendioxid gespeichert ist und den Tundraboden zu einer Kohlenstoffsenke macht. Die angeborenen Eigenschaften und die sich verändernde Natur des Permafrosts sind jedoch nicht allgemein bekannt.

Da sich die Erde durch die globale Erwärmung aufheizt und der Boden auftaut, wird erwartet, dass sich der Kohlenstoffkreislauf des Permafrosts beschleunigt und die im Boden gespeicherten Treibhausgase in die Atmosphäre freisetzt, wodurch eine Rückkopplungsschleife entsteht, die den Klimawandel verschärft.

Die Fernerkundung ist eine Möglichkeit, das Ausmaß, die Dynamik und die Veränderungen des Permafrosts in den Griff zu bekommen. „Sie ist wie ein virtueller Reisepass, mit dem man diesen abgelegenen und schwer zugänglichen Teil der Welt sehen kann“, sagt Chandi Witharana, Assistenzprofessor für natürliche Ressourcen und Umwelt an der Universität von Connecticut. „Mit Hilfe der Satellitenbilder können wir abgelegene Landschaften so detailliert überwachen, wie wir es bisher nicht konnten.

In den letzten zwei Jahrzehnten wurde ein großer Teil der Arktis mit äußerster Präzision von kommerziellen Satelliten kartiert. Diese Karten sind eine wahre Fundgrube an Daten über diese weitgehend unerforschte Region. Aber die Daten sind so umfangreich und unhandlich, dass sie die wissenschaftliche Arbeit erschweren, sagt Witharana.

Mit finanzieller Unterstützung der U.S. National Science Foundation (NSF) im Rahmen des „Navigating the New Arctic“-Programms machen Witharana, Kenton McHenry vom National Center for Supercomputing Applications und die Arktisforscherin Anna Liljedahl vom Woodwell Climate Research Center die Daten über den arktischen Permafrost viel leichter zugänglich.

Das Team erhielt freien Zugang zu Archiven mit über 1 Million Bildaufnahmen aus der Arktis. Das sind viele Daten – so viele, dass herkömmliche Analyse- und Merkmalsextraktionsmethoden versagten. „An dieser Stelle haben wir KI-basierte Deep-Learning-Methoden eingesetzt, um diese große Datenmenge zu verarbeiten und zu analysieren“, so Witharana.

Eines der markantesten und aufschlussreichsten Merkmale des Permafrosts sind die Eiskeile, die auf den Satellitenbildern erkennbare Polygone bilden.

„Die Eiskeile entstehen durch das Gefrieren und Schmelzen des Bodens in der Tundra“, so Liljedahl. „Einige von ihnen sind Zehntausende von Jahren alt.

Form und Größe der Eiskeilpolygone können wichtige Informationen über den Zustand und das Tempo der Veränderungen in der Region liefern. Aber sie entziehen sich der konventionellen Analyse.

„Vor einigen Jahren war ich auf Facebook und bemerkte, dass man dort begann, Gesichtserkennungssoftware für Fotos einzusetzen“, erinnert sich Liljedahl. „Ich fragte mich, ob man das auch auf Eiskeilpolygone in der Arktis anwenden könnte.“

Sie setzte sich mit Witharana und McHenry in Verbindung, die sie bei einer Podiumsdiskussion in Washington, D.C., kennengelernt hatte, und lud sie ein, sich ihrer Projektidee anzuschließen. Beide boten komplementäre Fähigkeiten in den Bereichen Fachwissen, Code-Entwicklung und Big-Data-Management.

Ab 2018 begann Witharana, neuronale Netze einzusetzen, um nicht die Gesichter von Freunden zu erkennen, sondern Polygone aus Tausenden von arktischen Satellitenbildern. Dazu mussten Witharana und sein Team zunächst 50.000 einzelne Polygone annotieren, indem sie ihre Umrisse von Hand zeichneten und sie entweder als niedrig- oder hochzentriert klassifizierten.

Niedrig zentrierte Eiskeilpolygone bilden eine Lache in der Mitte des gerippten äußeren Teils. Hochzentrierte Eiskeile sehen eher wie Muffins aus, so Liljedahl, und sind ein Beweis für das Abschmelzen von Eiskeilen. Die beiden Arten haben unterschiedliche strukturelle und hydrologische Eigenschaften, die wichtig sind, um ihre Rolle im Klimawandel zu verstehen und die zukünftige Infrastruktur in arktischen Gemeinden zu planen.

„Permafrost wird in Klimamodellen nicht in diesen räumlichen Maßstäben beschrieben“, sagte Liljedahl. „Diese Studie wird uns dabei helfen, eine Basislinie zu erstellen und auch zu sehen, wie sich Veränderungen im Laufe der Zeit vollziehen.

Nach dem Training des Modells mit den kommentierten Bildern speisten sie die Satellitenbilder in ein neuronales Netz ein und testeten es an unkommentierten Daten. Dabei gab es anfängliche Schwierigkeiten – so waren beispielsweise die für Kanada trainierten Bilder in Russland, wo die Eiskeile älter und anders geformt sind, weniger effektiv. Drei Jahre später verzeichnet das Team jedoch Genauigkeitsraten zwischen 80 und 90 %.

Die Ergebnisse dieser Forschung wurden im ISPRS Journal of Photogrammetry and Remote Sensing (2020), im Journal of Imaging (2020) und in Remote Sensing (2021) beschrieben.

Nachdem sie gezeigt hatten, dass ihre Deep-Learning-Methode funktionierte, wandten sie sich an den Longhorn-Supercomputer, der vom Texas Advanced Computing Center (TACC) betrieben wird – ein GPU-basiertes IBM-System, das KI-Inferenzaufgaben schnell ausführen kann – sowie an das Bridges-2-System am Pittsburgh Supercomputing Center, das über das von der NSF finanzierte Extreme Science and Engineering Discovery Environment (XSEDE) bereitgestellt wird, um die Daten zu analysieren.

Bis Ende 2021 hatte das Team 1,2 Milliarden Eiskeilpolygone in den Satellitendaten identifiziert und kartiert. Sie schätzen, dass sie etwa die Hälfte des gesamten Datensatzes erfasst haben.

Jede einzelne Bildanalyse umfasst eine Vorverarbeitung (um die Klarheit des Bildes zu verbessern und landfremde Merkmale wie Seen zu entfernen), eine Verarbeitung (bei der Polygone erkannt und charakterisiert werden) und eine Nachverarbeitung (Verkleinerung der Daten auf einen handhabbaren Maßstab und Hochladen in ein Permafrost-Datenarchiv). Neben der Identifizierung und Klassifizierung von Eiskeilpolygonen liefert die Methode auch Informationen über die Größe des Keils, die Größe der Mulden und andere Merkmale.

Die einzelnen Analysen können in weniger als einer Stunde durchgeführt werden. Aber die schiere Anzahl der Analysen macht es unmöglich, sie irgendwo anders als auf einem großen Supercomputer durchzuführen, wo sie parallel berechnet werden können.

Vor kurzem haben Witharana und seine Mitarbeiter ihren Arbeitsablauf einem Benchmarking unterzogen, um die optimale Konfiguration für eine effiziente Ausführung auf Supercomputern zu finden. In der Zeitschrift Photogrammetric Engineering and Remote Sensing (PE&RS) 2022 bewerteten sie vier Workflow-Designs auf zwei verschiedenen Hochleistungsrechnersystemen und fanden die optimale Konfiguration für Hochgeschwindigkeitsanalysen. In einer separaten Studie, die 2022 in PE&RS veröffentlicht wurde, wurde die Wirksamkeit verschiedener Bildverbesserungsmethoden (z. B. Änderung des Farbtons oder der Sättigung) bei der Anwendung von Deep-Learning-Algorithmen für faltbare neuronale Netze zur Erkennung von Eisrand-Polygonen aus kommerziellen Satellitenbildern untersucht. (Beide Projekte wurden auf der Herbsttagung der American Geophysical Union im Dezember 2021 vorgestellt).

„Jedes Jahr erhalten wir in Form der Meereisausdehnung fast in Echtzeit Informationen über die Arktis“, so Liljedahl. „Wir wollen dasselbe mit dem Permafrost machen. Es gibt so viele schnelle Veränderungen. Wir müssen in der Lage sein, wirklich zu verstehen und zu kommunizieren, was im Permafrost passiert“.

Die Eiskeildaten werden für eine schnelle Analyse auf dem neuen Permafrost Discovery Gateway zur Verfügung stehen, das „Informationen über die Arktis für mehr Menschen zugänglich machen wird“, so Liljedahl. „Anstatt 10 Jahre warten zu müssen, um etwas zu erfahren, können sie sich sofort informieren und es direkt durch ihre eigenen Erfahrungen erkunden.“

Eine weitere wichtige Phase des Forschungsprojekts wird die Analyse von Satellitenbildern aus verschiedenen Jahren und Jahreszeiten sein. Der Vergleich des Zustands der Eisrandpolygone kann Trends und Verläufe aufzeigen, z. B. wie schnell sich die Landschaft verändert und wo sich diese Veränderungen mit Siedlungen oder Infrastrukturen kreuzen werden.

„Dies ist ein perfektes Beispiel dafür, wie frühere Investitionen in die Computerinfrastruktur in Kombination mit einem neuen Verständnis von Deep-Learning-Techniken eine Ressource aufbauen, die bei einem wichtigen Problem in der Arktis hilft“, sagte NSF-Programmdirektorin Kendra McLauchlan.

„Plato sagte: ‚Der Mensch muss sich über die Erde erheben – bis zum Gipfel der Atmosphäre und darüber hinaus – denn nur so kann er die Welt, in der er lebt, vollständig verstehen'“, sagte Witharana. „Mit Erdbeobachtungstechnologien können wir sehen, wie sich der Klimawandel vollzieht und wie sich sogar das Land verändert. Sie sind das wichtigste Instrument zur Beobachtung, Überwachung, Vorhersage und Entscheidungsfindung, um negative Auswirkungen auf empfindliche Regionen zu verhindern.“

Datum: Februar 22, 2022
Quelle: Universität von Texas in Austin, Texas Advanced Computing Center


Journal Reference:

  1. M. Udawalpola, A. Hasan, A. K. Liljedahl, A. Soliman, C. Witharana. Operational-Scale GeoAI for Pan-Arctic Permafrost Feature Detection from High-Resolution Satellite ImageryThe International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2021; XLIV-M-3-2021: 175 DOI: 10.5194/isprs-archives-XLIV-M-3-2021-175-2021