邮箱账号登录

关闭

  • 用户名

    @pric.org.cn
  • 密码

  • 语言

当前位置:

中国极地研究中心(中国极地研究所)极地多圈层研究团队在深度学习自动提取冰盖内部层位结构方面取得新进展

发布日期:2022-10-09 09:30:25

中国极地研究中心(中国极地研究所)极地多圈层研究团队在深度学习自动提取冰盖内部层位结构方面取得新进展


       联合国政府间气候变化专门委员会第六次评估报告(IPCC,AR6,2021年)指出,在温室气体高排放情景下,极地冰盖的贡献将成为估计未来海平面上升的最大不确定性来源。然而,通过数值模式量化冰盖对海平面的贡献受到极地冰盖演变的不确定性的阻碍。当前的冰盖模拟仍然受到诸如基岩地形、地热通量、冰层结构等不完整边界(或初始)条件以及冰流过程过度参数化的限制。20世纪60年代以来,在南极和格陵兰冰盖收集了大量的冰雷达数据。研究表明,冰盖内部和底部的冰雷达成像是一种获取冰底冰岩界面(冰下地形)和冰内等时层(代表冰盖古表面)的有效方式。它们已被广泛用于获取冰层年龄-深度关系与寻找老冰、估算冰底粗糙度与冰下温度、反演古冰流、推断冰下水分布、反推古冰盖表面积累率和物质平衡时空变化等。近几十年来,虽然对冰盖内部结构的理解取得了巨大的进步,然而即便在一些最基础的问题上仍远未得到解决。主要表现在冰盖几何层位(特别是内部等时冰层)的形成机理及其快速自动提取等方面。目前,无论是在技术、理论分析还是数值模拟等层面都对此缺乏基本的理解。迄今为止,大多数提取冰盖冰岩界面和内部等时层仍采用人工半经验追踪方法。人工半经验追踪内部冰层极其费时费力。例如,沿着20000千米长的冰雷达断面追踪20层需要熟练的操作员花至少10年时间才能完成。


      鉴于人工半经验追踪方法的极低效率,迫切需要开发自动的方法来追踪冰下基岩与冰层。然而,自动追踪内部等时层是极具挑战的研究难题,目前仍不存在一个具备对不同冰盖区域都有效的内部等时层自动提取数学物理模型。为此国际南极科学研究委员会(SCAR)于2018年批准了一个南极冰盖等时冰层模型构建(AntArchitecture)行动小组。AntArchitecture的目标是利用雷达探测成像的内部等时层和表面,通过发展新的技术开发一个覆盖整个大陆、年龄深度的南极冰模型,以便用于确定南极冰盖在过去演化周期中的稳定性。 


      最近,中国极地研究中心(中国极地研究所)(简称“极地中心”)自然资源部极地科学重点实验室冰盖多圈层相互作用与气候变化研究团队联合南方科技大学地球与空间科学系陈晓非院士团队,在地球科学和遥感领域期刊IEEE Transaction on Geoscience and Remote Sensing(IF=8.125,以下简称IEEE TGRS)和Remote Sensing(IF=5.349)上发表了3篇相关研究论文,尝试解决自动快速提取冰盖几何层位和冰层连续性指数、冰底粗糙度定量计算等问题。该系列研究通过构建基于卷积神经网络的人工智能深度学习模型,结合不同的地球物理数据预处理方法,从雷达图像去噪提升几何层位成像质量入手,进行了基岩界面和等时层自动提取的相关研究。在此基础上,提出了一种基于地球物理雷达数据去噪、深度学习提取冰盖内/底部几何轮廓自动提取后快速计算冰层连续性指数、冰底粗糙度的新方法。


国极地研究中心(中国极地研究所)极地多圈层研究团队在深度学习自动提取冰盖内部层位结构方面取得重要进展1243

图1:自动提取冰盖基岩界面和冰层结构的深度学习模型EisNet网络结构



       在Dong 等人 (2021)中,我们基于卷积神经网络构建了一种新的可应用于雷达图像回波噪声剔除的EisNet冰层自动提取网络模型(图1)。该模型具有以下特征:(1)使用了一种新的雷达图像数据合成方法用以解决因训练数据与对应的层位标签较少带来的训练困难,适用于EisNet不同分支路径的两类数据集;(2)训练后的EisNet经过合成数据与实际观测数据的双重测试,对冰层与冰岩界面两种目标的提取效果较好,具有较强的泛化能力;(3)EisNet的出现极大地提升了冰岩界面提取的效率,并为提取冰岩界面提供了统一稳定的定量化标准,同时为内部等时层的提取提供了有效的实现方法。


      在此基础上,针对机载冰雷达探测数据的复杂去噪与冰盖几何层位的特征提取速率问题,Tang等人(2022a)建议将EisNet方法引入到数据处理过程中。在采用传统的F-K滤波和偏移相结合的方法去除雷达数据中的特征噪声和干扰后,聚焦雷达图像分层界面(图2)。通过比较滤波和深度学习两种方法的处理效果,提出了一种结合滤波和深度学习的融合方法来优化机载雷达数据的几何特征提取。现场数据检验表明,在不同的雷达数据噪声条件下,采用不同的方法和策略可以显著提高层位特征提取的效果。


国极地研究中心(中国极地研究所)极地多圈层研究团队在深度学习自动提取冰盖内部层位结构方面取得重要进展1804

图2. 雷达数据和处理结果实例.(a-c)分别是雷达数据按顺序进行的零时刻校正(二维插值以及去空气层信号)、KL滤波、F-K偏移处理后的结果


      内部层连续性指数和底部粗糙度是刻画冰盖内部冰层或底部地形与冰流关系的主要指标。在过去的二十年,已经发展出几种方法来定量计算冰层连续性指数和底部粗糙度,即利用回波信号强度的垂向梯度绝对值平均和基岩界面的水平起伏标准方差表示。然而直到最近,这些方法仍受限于未经处理的雷达数据集的规模和质量,而未得到进一步的应用。Tang等人(2022b)提出了一种基于地球物理雷达图像去噪、EisNet快速提取冰盖内/底部几何轮廓基础上的冰层连续性指数、冰底粗糙度计算新方法。使用地面和机载雷达数据进行了东南极中山站至Dome A车载雷达和机载雷达的数据成像、计算结果的对比(图3)。通过从去除噪声后的雷达数据中提取有关冰川分层连续性的信息,并利用以往人工半经验提取的层位信息进行了相关计算验证(图4)。研究认为该方法有潜力成为未来从冰盖内部结构中提取更多冰盖动力学历史信息的有效途径。


国极地研究中心(中国极地研究所)极地多圈层研究团队在深度学习自动提取冰盖内部层位结构方面取得重要进展2259

图3. (a)人工半经验和EisNet提取的中山站至Dome A机载雷达断面的表面高程和底部高程图;其中(b)和(c)分别是(a)中绿色矩形框对应的冰表面和冰岩界面附近局部雷达图像;(d)人工半经验与EisNet插值平滑处理后的基岩高程差直方图


国极地研究中心(中国极地研究所)极地多圈层研究团队在深度学习自动提取冰盖内部层位结构方面取得重要进展2378

图4. 中山站至Dome A机载雷达断面连续指数随深度变化结果


      上述IEEE TGRS论文第一作者为中国科学技术大学与极地中心联合培养的博士研究生董晟,第二/通讯作者之一为极地中心、上海交通大学海洋学院(双聘)唐学远研究员,唐学远也是Remote Sensing刊载的2篇研究论文的第一作者/通讯作者。另外,与吉林大学、太原理工大学等高校合作培养的博士研究生罗坤、张紫东,以及南方科技大学的傅磊副教授和陈晓非院士、极地中心的郭井学正高级工程师、李霖助理研究员和孙波研究员也参加了相关研究。


      该系列研究成果有望直接服务于推断冰盖动力学不稳定性和解释冰盖的演化历史等相关研究。深度学习EisNet神经网络有效地解决了冰盖基岩界面的自动提取问题,同时也是第一个初步实现自动提取深部冰层的网络模型,为完成国际南极科学委员会SCAR AntArchitecture南极冰层三维建模计划这一极具挑战的研究难题提供了新思路。目前,已引起多个国际研究团队的关注和应用。EisNet模型已被用于德国AWI/不莱梅大学的Olaf Eisen教授团队针对AWI东南极冰盖雷达数据的测试,支持了美国阿默斯特学院的Nick Holschuh团队针对西南极冰盖的深部冰层自动提取测试。EisNet也已被用于与美国斯坦福大学的Dustin M. Schroeder团队进行NASA南极CReSIS计划收集的早期雷达胶卷数据的深部冰层自动提取的合作研究。另外,该项研究受到了澳大利亚塔斯玛利亚大学Anya Reading教授团队的关注,唐学远被邀请做了相关学术交流报告;2022年8月在印度举行的第10届SCAR公开科学会议(线上)唐学远也受邀做了相关口头学术报告。本研究也将对2015年以来我国使用固定翼飞机“雪鹰601”在南极伊丽莎白公主地获取的近18万公里雷达测线的处理产生重大影响,将为揭示伊丽莎白公主地这一南极冰盖等时冰层模型最大的空白区的冰层结构提供有效的物理模型,并支持与冰盖模式相结合的内部等时层时空连续性及其对冰盖物质平衡与稳定性的影响的定量研究。


        本研究得到国家自然科学基金(编号: 41941006,41876230,42276257)和国家重点研发课题(编号: 2019YFC1509102)等共同资助。相关论文如下:


      Sheng Dong, Xueyuan Tang*, Jingxue Guo, Lei Fu*, Xiaofei Chen, and Bo Sun,EisNet: Extracting Bedrock and Internal Layers from Radiostratigraphy of Ice Sheets with Machine Learning,IEEE Transactions on Geoscience and Remote Sensing,2021,doi:10.1109/TGRS.2021.3136648


      Xueyuan Tang, Sheng Dong, Kun Luo, Jingxue Guo, Lin Li, and Bo Sun.Noise Removal and Feature Extraction in Airborne Radar Sounding Data of Ice Sheets.Remote Sensing,2022a,14(2): 399. https://doi.org/10.3390/rs14020399


       Xueyuan Tang, Kun Luo, Sheng Dong, Zidong Zhang, and Bo Sun. Quantifying Basal Roughness and Internal Layer Continuity Index of Ice Sheets by an Integrated Means with Radar Data and Deep Learning. Remote Sensing. 2022b, 14, 4507. https://doi.org/ 10.3390/rs14184507






    • 曹路院区(中国极地考察国内基地)  地址:上海市浦东新区曹路镇雪龙路1000号  邮政编码:201209  
      金桥院区  地址:上海市浦东新区沪东街道金桥路451号  邮政编码:200136  
    • Email:connect@pric.org.cn
    • 传真:021-58711663
版权所有 © 2011 中国极地研究中心(中国极地研究所) 沪ICP备16026541号  沪公网安备3101150201798号
网站标识码:CA330000000610288170001