Delineation of Glacier Margins with Satellite Images and Neural Networks

Abstract

Climate change has led to the retreat of glaciers with the consequence that the area of the Icelandic glaciers has decreased by ca. 800 km2 since the year 2000. It is important to monitor these changes, e.g. by delineating the glacier margins. The aim of this study is to develop a method to delineate glacier margins automatically, and consequently be able to obtain updated glacier margins more frequently. Satellite images from Sentinel-2 from the 30th of September 2019 and manually digitized glacier margins based on these images from the Icelandic Meteorological Office were used. The study focuses on Langjökull and its small neighbouring glaciers, as well as on Mýrdalsjökull. The convolutional neural network architectures U-Net and DeepLabv3 were trained as models for automatic delineation of glacier margins. Two workflows were created, one that creates models and another that uses models for inference. Both workflows require preprocessing, while only one of them requires postprocessing to create shapefiles with glacier margins from the model. The model performance was different for the two glaciers. Langjökull appeared better suited for the methods developed in this study. The results of the automatic processing are accurate enough to be used as a first draft of a new glacier-margin dataset, which subsequently needs to be refined and corrected manually by a specialist. The model performance is best for glaciers with minimal or no debris cover but the model encounters problems for glacier with a thick debris layer on top of the glacier ice.

Hlýnandi loftslag hefur ýtt undir hörfun jökla með þeim afleiðingum að flatarmál íslenskra jökla hefur minnkað um u.þ.b. 800 km2 frá árinu 2000. Mikilvægt er að fylgjast með þessum breytingum, t.d. með hnitun jökuljaðra. Markmið þessarar rannsóknar er að þróa sjálfvirka hnitun jökuljaðra á Íslandi sem gerir kleift að meta breytingar á útbreiðslu jökla oftar en ella væri mögulegt. Notaðar voru gervitunglamyndir frá Sentinel-2 gervihnöttum frá 30. september 2019 og handhnitaðir jökuljaðrar frá Veðurstofu Íslands. Rannsóknin beinist að Langjökli og smærri jöklum í grennd við hann, og að Mýrdalsjökli. Notast er við tauganetin U-Net og DeepLabv3 til þess að þróa líkön fyrir sjálfvirka greiningu jökuljaðra. Sett eru fram tvö vinnuferli, annað sem býr til líkan og hitt beitir líkaninu. Bæði vinnuferlin þurfa ákveðna forvinnslu gagna, og annað þeirra felur í sér eftirvinnslu þar sem útbúnar eru skrár með jökuljöðrum á hentugu formi fyrir áframhaldandi landupplýsingavinnslu. Niðurstöður fyrir jöklana tvo voru mismunandi þannig að líkanið sem þróað var í ritgerðinni virðist henta betur fyrir Langjökul. Sjálfvirk greining jökuljaðra er nægilega nákvæm til þess að niðurstöðurnar nýtist sem frumdrög jökuljaðra fyrir nýtt gagnasafn, sem þarf svo að yfirfara af sérfræðingi til þess að bæta greininguna og laga villur. Aðferðin hentar best fyrir jökla sem ekki eru þaktir aur.