El desafío de rastrear el retroceso de los glaciares
Monitorear la velocidad con la que se reducen los glaciares es fundamental para medir el ritmo del cambio climático y proyectar futuras alzas en el nivel del mar. Este es normalmente un trabajo manual minucioso, pero un nuevo enfoque que permite a la IA analizar imágenes satelitales de glaciares en cualquier parte del mundo podría ayudar a automatizar el proceso de monitoreo.
Los glaciares que fluyen directamente hacia el océano desempeñan un papel crucial en el clima de la Tierra, pero el calentamiento global está haciendo que retrocedan cada vez más rápido. Esto puede tener graves efectos colaterales, ya que el hielo que se desprende de los "frentes de parto" (calving fronts) —los extremos de los glaciares donde los icebergs se separan hacia el agua— vierte cantidades masivas de agua dulce en el mar, lo que puede alterar las corrientes oceánicas y provocar el aumento del nivel del mar. Los glaciares blancos brillantes también reflejan gran parte de la luz solar. Cuando se encogen, exponen agua de mar oscura que absorbe el calor del sol.
Todo esto significa que el seguimiento de la pérdida de glaciares es fundamental para comprender cómo cambiarán las condiciones climáticas locales y globales con el tiempo. Sin embargo, la cantidad de glaciares que deben monitorearse en todo el mundo supera con creces la capacidad de los analistas humanos. Existe la esperanza de que el análisis de imágenes basado en IA pueda ayudar a cerrar esta brecha, pero los modelos anteriores han tenido un rendimiento deficiente en regiones no incluidas en sus datos de entrenamiento. Esto limita severamente la aplicabilidad del enfoque, dada la dificultad de recolectar imágenes etiquetadas manualmente.
Ahora, un documento aceptado en la IEEE International Conference on Image Processing (ICIP) muestra que un modelo líder de deep learning para rastrear frentes de parto de glaciares puede adaptarse a nuevas ubicaciones con datos adicionales mínimos. Investigadores de la Universidad Friedrich-Alexander de Erlangen–Núremberg (FAU), en Alemania, demostraron que el error del modelo —la distancia promedio entre el límite modelado y el real— se redujo de más de un kilómetro a menos de 70 metros al proporcionar tres piezas de información: una imagen etiquetada a mano por glaciar, imágenes de referencia de verano sin etiquetar y un mapa de la roca subyacente.
En investigaciones relacionadas, algunos de los autores del documento ya han puesto el enfoque en práctica, utilizándolo para extraer posiciones mensuales del frente de parto para los 145 glaciares en el archipiélago de Svalbard en Noruega desde 2015 hasta 2024. El equipo ahora espera extender el enfoque a otros 1,500 glaciares en el Ártico. "Se trata de comprender mejor los glaciares y cómo reaccionan a los cambios en el clima", dice Nora Gourmelon, estudiante de doctorado en la FAU y coautora principal del documento de ICIP. "Cuando conoces el pasado, también tendrás la esperanza de comprender mejor cómo cambiarán en el futuro".
Reduciendo el margen de error
Históricamente, delimitar los frentes de parto ha requerido que estudiantes e investigadores revisen imágenes de radar satelital para trazar manualmente el límite entre los glaciares y el océano, dice Gourmelon. El proceso consume mucho tiempo, por lo que numerosos grupos de investigación han estado experimentando con el uso de modelos de visión artificial para automatizar el proceso.
En 2023, Gourmelon y sus colegas produjeron un dataset de 681 imágenes de radar de siete glaciares en la Antártida, Groenlandia y Alaska, con frentes de parto anotados manualmente para ayudar a entrenar y comparar nuevos modelos. Pero cuando tomaron un modelo de deep learning de última generación entrenado en este conjunto de datos y lo aplicaron a glaciares previamente invisibles en Svalbard, descubrieron que el margen de error promedio era de 1,131.6 metros.
Reunir suficientes datos anotados manualmente para volver a entrenar un modelo en cada nuevo glaciar que se desee analizar sería claramente inviable, por lo que los autores intentaron encontrar una forma más eficiente de aumentar el rendimiento. Produjeron una imagen de frente de parto anotada manualmente para los 145 glaciares en Svalbard y la combinaron con varias imágenes satelitales sin procesar de cada glaciar para crear un nuevo conjunto de entrenamiento de 5,539 imágenes. Cuando volvieron a entrenar el modelo con estos nuevos datos y los datos de referencia originales, el error cayó a 445.3 metros.
Luego desarrollaron dos estrategias novedosas para mejorar aún más la precisión. Tanto para los humanos como para la IA, puede ser difícil distinguir el límite de un glaciar del "ice melange": la mezcla de icebergs flotantes, hielo marino y nieve que puede acumularse en el frente de parto. Entonces, cuando los investigadores subieron una serie de imágenes de un glaciar para que el modelo las anotara, incluyeron tres imágenes del verano, cuando el melange no está presente y el límite del glaciar es claro. Estos actuaron como un punto de referencia para el modelo y redujeron el error a 204.6 metros.
Como paso final, los investigadores también proporcionaron al modelo un mapa estático de la roca subyacente a cada glaciar, derivado de datos de Open Street Map que describe la costa de Svalbard. Esto redujo el error a solo 103.6 metros. Al ejecutar un conjunto de cinco versiones diferentes de su modelo y promediar sus resultados, los investigadores lograron reducir su error final a solo 68.6 metros. Vía IEEE Spectrum.
