Yirmi yıla yakın bir süredir deniz buzu etrafında çalışıyorum – ve hem Arktik hem de Antarktika’da donmuş okyanusun yüzen parçaları ile yakın ve kişisel olma ayrıcalığına sahip oldum. Deniz buzu hakkında kalıcı bir jeofizik soru “Okyanusta ne kadar buz yüzüyor?”
Dondurulmuş deniz suyundan yapılmış deniz buzu, farklı formlarda ve katmanlarda buz, kar ve tuzlu sudan yapılmış dinamik bir kompleks kompozittir. Okyanusta sürüklenir, daha fazla donma (termodinamik) ile daha kalın hale gelir ve aynı zamanda kendi üstüne (dinamik) yığılır. Çatlar ve parçalanır. Birçok kilometreden sadece birkaç santimetreye kadar pullarda parçalar (buz flütleri) oluşturur; Ve çoğu zaman çok büyük buz flütleri birçok küçükten yapılır.
Deniz buzunun kilometrelerden metrelere kadar değişmesidir. Uydulardan kilometre ölçekli neler olduğu hakkında bir fikir edinebiliriz. Bununla birlikte, bu ölçeklerdeki deniz buzu özellikleri hakkındaki tahminlerin doğru olup olmadığını keşfetmek kolay değildir. Bu ölçekte bir ölçüme neyin entegre olduğunu anlayabilmeliyiz.
Bu, bir araştırmacı olarak önceki çalışmamın konusuydu-metrede onlarca metre ölçeklere ne olduğunu anlamaya çalışmak; ve bunu daha büyük ölçekli tahminlerin doğrulanmasına yardımcı olmak için kullanmak. Bu sorunun önemli bir kısmı, ne kadar buzun düz ve nispeten tekdüze kalınlıkta olduğunu ve sırtlara ve diğer deforme olmuş (genellikle daha kalın) bölgelere ne kadar oluştuğunu anlamaktır. Ayrıca, seviye ve deforme olmuş bölgeler birbirleriyle nasıl ilişkilidir? Ve daha da önemlisi, genellikle farklı buz türleriyle ilgili olarak nerede örnekliyoruz?
Örnekleme alanlarımızın coğrafyası hakkında bir şeyler biliyorsak, daha karmaşık ve sezgisel sorular sormaya başlayabiliriz – örneğin, bazı biyoloji neden burada değil, burada değil? Dünya sistemi model performansını geliştirmek için ne ekleyebiliriz? Okyanustaki yapılar üzerindeki deniz buzu etkileri konusundaki politikaları nasıl güncelleyebiliriz?
Bu hikaye, bir peyzaj analizi problemi olarak deniz buzunu araştıran bir yaklaşım çiziyor – yüksek çözünürlüklü topografiye bir jeomorfon analizi uygulamak. Her şey işe yarıyorsa, bu yaklaşım deniz buzunun fiziksel coğrafyasını anlamaya yardımcı olabilir mi?
Önce hızlı bir kazma – neden metre ölçeklerinde deniz buzu incelemeye zahmet?
Paket buz bölgesi hayal edilemez derecede geniş. Antarktika’da, maksimum ölçüde 19 milyondan fazla kilometrekarelik (iki ve üçüncü bir Avustralya!). Bir şeyleri daha büyük ölçeklerde ölçmemeli miyiz?
Evet ve ayrıca hayır. Kesinlikle daha büyük ölçekli gözlemlerin nasıl birleştirildiğine dair bilgimiz yok – pikselde ne var. Bu yüzden bir parçası olmak için ayrıcalıklı olduğum çalışmaya büyük bir yatırım vardı. Deniz buzu, santimetreden (ince Sastrugi, radar-çok kar tabakaları, tuzlu su kanalları) ölçeklerde birçok kilometreye (geniş buz floe agregatları, ortalama konsantrasyon) değişen karmaşık bir çok ölçekli kompozittir. Tıbbi bir benzetme kullanmak için, şu anda bunu organların ve hücrelerin var olduğunu bildiğimiz düzeyde anlıyoruz, gerçekten nasıl bir araya getirildiklerini veya bağlı olduklarını veya içlerinde ne olduğunu bilmiyoruz. Nasıl çalıştığını gerçekten bilmeden toprak sistemlerini nasıl etkilediğini modelliyoruz.
Bir buz sarkması boyunca yürürken, birkaç yüz metre için gerçekten düz olduğunu görebilirsiniz. Ya da kendinizi 2’den fazla müstehcen sırtların üzerinde tırmanarken bulabilirsiniz. Karlı olabilir, çıplak buz olabilir. 10 cm kar olabilir veya 1.8 m kar olabilir. 15 cm veya 1.5 metre kalınlığında olabilir. Veya bir adımda 15 cm’den 3 m kalınlığa kadar yürüyebilirsiniz. Aynı zamanda çok değişir – deniz buzuna her yürüdüğümüzde, insanın görmediği veya bir daha görmeyeceği bir yeri gözlemliyoruz! Bunun hakkında daha fazla kelime yazdım.
Daha fazla ayrıntı ve bu ayrıntının nasıl bağlandığını anlamadan biraz körüz. Ve daha küçük ölçeklerde geniş alanlar üzerindeki gözlemler temel tutkaldır. NASA Icebridge programı, Awi’nin Arktik’teki programları gibi bu konuda çok iş yaptı. Yakın menzilli uzaktan algılamanın bile ne olduğunu düşündüğümüzü gözlemlemesini sağlamak için kalibrasyon / validasyon ve daha küçük ölçekli çalışmalar için yere girmek son derece zordur.
Geomorphons ve bu yaklaşımın neden ilginç olduğu hakkında
Geomorphons, bir mahalle yaklaşımı kullanılarak belirlenen topografik form sınıflarıdır (peyzajdaki 3D şekiller) – dijital bir yükseklik modelindeki (DEM) her hücre için, hedef hücrenin hangi form sınıfına ait olduğuna karar vermek için yakındaki hücrelerin nasıl göründüğüne dair bazı analizler yaparak. Yöntem burada açıklanmıştır: https://doi.org/10.1016/j.geomorph.2012.11.005.
Süreç, bilgisayar görüşünden çizilen yöntemleri kullanarak deniz buzu sınıflandırma konusundaki önceki çabalarla güçlü bir şekilde ilişkilidir – morfolojik işlemler, buz türlerinin belirlenmesinde bir parametre olarak doku kullanılarak (bu çalışmadaki yöntemler bölümüne bakın: http://dx.doi.org/10.1029/2007jc004181), sonra süper piksel segmentasyon ve etiketleme (http://dx.doi.org/10.1029/2011jc006961). Bu nedenle, bir bilgisayar görme yaklaşımını üç boyuta genişletmek doğal bir uyumdur.
Deniz buzundaki sırtları 3D verilerden tanımlamak şu ana kadar esas olarak yükseklik eşiği kullanılarak yapılır (örneğin bkz. https://doi.org/10.5194/tc-10-1161-2016) – ancak işe yarıyor, ancak analize kar kum tepeleri ekleyebileceğimiz anlamına gelir; veya ayrıca hızlı eşleme yapma ve kusurlu ama faydalı olan verileri analiz etme yeteneğini de kaçırın. Klasik bir kasa drone eşlemedir – burada bir yükseklik haritası bir şekilde eğilebilir veya çarpık olabilir.
Uzun bir süre önce mahalle varyansını kullanarak bir yöntem denedim – bir yükseklik modelinde mahallelerin standart sapmasını kullanarak deforme olmuş buzu tanımlamak. Bu yaklaşımla ilgili birincil sorun, bunun tek ölçekli bir çaba olmasıdır. Seçilen bir ölçekten daha büyük veya daha küçük sırtlar varsa, kaybolurlar. Buna ek olarak, sürüklenmemiş alanlarda (Dunes, Sastrugi) yüzey değişimi genellikle yanlış bir pozitif yaratmak için yeterliydi. Doktora tezimin 5. bölümünde çabayı görebilirsiniz: https://doi.org/10.25959/23240135.v1
Geomorphons benzer bir yaklaşım sunar – özellik şekillerini belirlemek için mahalle analizini kullanarak. Fikir gerçekten iyi yaptığı şey, daha karmaşık varyasyon tanımlayıcıları kullanmaktır (bu değişkenlik mahallede nasıl dağıtılır?) Ve bir özellik veya form olarak sayılabilecek değişken boyut ölçeği ekler. Keşke 2012’de makaleyi okumaydım – ancak hepimiz özellikle kutup bilimi olarak silo olarak alıyoruz ve jeomatiklerin geri kalanının farklı medyada aynı sorunları çözdüğünü unutuyoruz. Ayrıca 2012’de muhtemelen analitik algoritmaları kendim yazmak zorunda kalacaktım (tıpkı doku tabanlı deniz buzu görüntü analizindeki ilk çabalar gibi)!
Bu yüzden hiç olmadığı kadar geç. Ve açık jeo -uzamsal topluluğun bu yöntemi bir saha glasyologunun sahip olabileceğinden daha hızlı ve daha iyi ve daha sağlam bir şekilde uyguladığı harika!
Peyzaj sınıflandırması için bu yaklaşım, entegre bir coğrafyaya doğru çalışan, deniz buzunun yüksek çözünürlüklü topografik çalışmaları için doğal bir uyumdur – işler nasıl bağlantılıdır, neden oldukları yerlerdir? Göreceli zirve, şekil ya da deformite veya aralarındaki ilişkiler ve deniz buzunun yaşam için bir platform olarak ne kadar uygun olup olmadığını veya bunlardan herhangi birinin deniz buzu büyümesine ve erimesine katkıda olup olmadığını ve daha sonra deniz buzunun geniş fiziksel okyanus sistemine katkısı olup olmadığını ve daha sonra bir bütün olarak klaviye edilip edilmediğini bilmiyoruz. Küçük manzaralar, büyük sorular. Deniz buzunun şekilleri ve ölçekleri hakkında daha fazla bilgi vermek için bir araca sahip olmak gerçekten önemlidir.
Doku tabanlı görüntü analizine gelince, formların ölçeği önemlidir. Geomorphon parametreleri, operasyonların alanına ve mevsimine ve verilerin toplandığı ölçeğe göre değişebilir. Kullanma r.geomorphon QGIS’teki yöntem parametreler şunlardır:
Dış Arama Penceresi – Aşağı Yok
İç Pencere – Her hücre etrafında göz ardı edilecek ne kadar mesafe ne kadar mesafe, bu da tanımlayabileceğimiz en küçük özelliği de tanımlar
Eğim Sınırı – Kaç derece eğim ‘düz’ olduğunu düşünüyoruz
Düzlük mesafesi – ‘düz’ olmayı beklediğimiz yaklaşık şey ölçeğimiz
İşte Arktik’ten bir örnek – drone görüntülerinden modellenmiş bir Sea Ice Workite kullanarak. Mart 2021’de Nansen Legacy Proje Araştırma Yolculuğu’ndan Ice Station 6 (Nleg P6) (bkz:: https://doi.org/10.7557/nlrs.6689 ), yaklaşık 81.5 derece kuzey, 30 derece doğu. Bu örnek 10 m’lik bir dış arama penceresi, 1 m’lik bir iç pencere, 1.35 derecelik bir eğim sınırı ve 10 m’lik bir düzlük mesafesi kullanır. Kaynak DEM çözünürlüğü 0.05 m’dir (5 cm)
Burada oldukça iyi görünüyor – bariz sırtları yakalıyoruz ve çoğunlukla düz parçaları dışarıda bırakıyoruz.
Güneye doğru ilerlerken, hem LIDAR hem de fotogrametri yükseklik modellerini kullanarak SIPEX-2 Buz İstasyonu 6’dan (2012, yaklaşık 65 derece güney, 120 doğu) bir örnek. Bu örnekte fotogrametrik DEM 0.2 m (20 cm) çözünürlüğe sahiptir ve LiDAR DEM 2 m piksel ile türetilir. Geomorphon parametreleri 50 m dış arama mesafesi, 5 m iç arama, 1.5 derece eğim eşiği, 12 m düzlük mesafesi idi.
Ridge özelliklerinin her iki veri kümesinde de bir geomorphon yaklaşımı kullanılarak sınıflandırıldığını gösterir ve kar kum tepeleri de! Bu hem LIDAR’da (yaklaşık 1m nokta aralığı / gerçekçi olarak 2 m DEM çözünürlüğü, yukarıda tanımlanan turuncu / sarı özellikler) hem de 0.1 m nokta aralığı, gerçekçi olarak 0.2 m DEM çözünürlüğü – kırmızı / mor / siyah özellikler) ölçeğinde olur. Bu makalenin kapsamı dışında kar kum tepelerini farklı özellikler olarak başarıyla tanımlamak için daha fazla çalışmaya ihtiyaç duyacaktır.
Peki ya uydu altimetri – bu yöntem uygulanabilir mi?
Deniz buzu üzerindeki jeomorfonlar veya ilgili jeomorfometrik aletler kullanmak, uygun bir çözünürlükte veri anlık görüntüsünü gerektirir. 30m’de, yaklaşık Sentinel-1-ish altimetri çözünürlüğüne kadar yükselerek şöyle bir şey elde ediyoruz:
Umarım burada “Deforme buz” olarak sınıflayabileceğimiz bölgelerin kabaca benzer olduğu açıktır – bu harika! Umarım açıktır ki çok fazla ayrıntı kaybetmemizdir. Fotogrametrik DTM geomorphon yaması, genellikle saha kalibrasyonu / validasyon gözlemleri ve ölçümleri ile işgal edilen bir bölgenin ölçeği ile ilgilidir – bu, 30 m çözünürlükte gevşek bir şekilde karakterize edilir, ancak buz bastığı ve ekolojik topluluklar arasındaki ilişkiler hakkında bu kadar geniş bir fırça kullanarak zorlayıcı bir hikaye anlatmak çok zor olacaktır. Özellikle nasıl daha iyisini yapacağınızı biliyorsak!
Bu tür analizlerin daha geniş iklim modellerine nasıl katkıda bulunabileceğine bakıldığında, çok hızlı bir sayı kontrolü, piksel başına 2 m’de bu alanın% 43’ünü deforme buz olarak sayacağımızı ortaya koyuyor. Piksel başına 30 m, bu%70’e dönüşür. Hangi bir değişiklik! Özellikle bu sayıları 19 milyon kilometrekareye yayan bir deniz buzu modeline beslersek. Bu sayıların sadece gösteri amacıyla olduğunu çok dikkatli bir şekilde vurgulamam gerekiyor, eğer bunları herhangi bir gerçeğe göre yayınlayacak olsaydım analizde çok daha fazla özen göstermeyi beklerim. Anahtar Takeway, çözümün önemli olduğudur.
(Not – Muhtemelen daha yüksek çözünürlüklü radar enstrümanlarından ürünlere yaklaşan 5 metrelik bir çözünürlük örneği de ekleyeceğim)
Uydu verileri hakkında son bir kelime olarak, deniz buzu yükseklik modellerinin Icesat– Icesat 2 ve kriyozat-2 hem geçici hem de mekansal olarak entegre olur. Sürüklenen paketi buz her zaman hareket ettiğinden, bu tek bir pikselin etkili bir şekilde ‘zamanla leke’ olmasına neden olur. Tek bir piksel ayrıca piksel ayak izi içinde çoklu lazer atışlarının agregaları içerebilir – bu nedenle bir buz floe veya daha küçük ölçekte hangi topografinin nasıl göründüğünü gerçekten bilemeyiz.
Ham nokta bulutlarında değişkenlik ve şekil ölçümlerini kullanmaya ne dersiniz?
Bu egzersizde kullanılan tüm veriler, genellikle daha ince ölçekte daha zengin 3D veri ve ilişkiler içeren nokta bulutlarından oluşturulan rasterlerdir (görüntüler, kare hücrelerden yapılmış). Örneğin, yukarıda kullanılan lidar yükseklik modelleri, her iki taraf boyunca 2 m ölçen hücrelerden yapılmıştır. LiDAR verilerinin kendileri 1 m’den biraz daha fazla aralıklıdır. Raster yükseklik modelinin, bir bakıma istatistiksel güce sahip olmak için hücre başına birden fazla noktaya ihtiyacı vardır. Bir hücredeki tek bir noktanın rastgele bir aykırı olmadığına dair bazı güvence.
Peki bu neden ham verilerin kendileri yerine raster verilerini (gerçek 3D veri kümelerinden yapılmış görüntüler) kullanmakla ilgili? Çünkü muhtemelen daha uygun ve aktarılabilir bir yaklaşımdır. Bir peyzaj analistinin yerli nokta bulut mahalle ilişkilerinden ziyade rasterize DEM’ler açısından düşünmesi potansiyel olarak daha olasıdır. Keşfettim Pdal‘S covariancefeature Bu tam amaç için araçlar ve diğerleri, deniz buzu üzerindeki karasal lazer tarayıcı verilerinden kurulmuş altyapının kaldırılması da dahil olmak üzere. Bir noktada yazmak istediğim bir hikaye – aşağıdaki resimde bir örnek verildi.
Sırada nerede – bu analitik kavram kanıtı ile ne olur?
Finansman olmadan, hiçbir şey.
Bunu yazdım çünkü çizmem gereken bir kaşıntı. Deniz buzu morfolojisi için, özellikle Avustralya’da mevcut yeni büyük buz kırıcı kapasitesine sahip gerçek bir analitik çözüme girmesini / geliştirmesini / geliştirmesini sağlamak harika olurdu. Ve şimdi, halihazırda verilerle nasıl çalışacağınıza dair çok daha fazla deneyim/içgörü ile.
Peki sırada ne var? Durduğu gibi, o kadar değil. Eğer finanse ediliyorsanız ve bu fikir sizin için yeni ve ateşinizi aydınlatıyorsa, onaylamayı takdir ediyorum. Daha da iyisi, finansmandaki potansiyel işbirlikçilerinden haber almak isterim – Sea Buz Araştırmaları’nın önemli ve eksik bir bileşenine devam etmek için!
Ayrıca, özellikle kriyosfer (Dünya’nın donmuş kısımları) ve dağla ilgili sistemler için diğer peyzaj analiz uygulamaları üzerinde çalışma fırsatlarını duyduğuma da çok sevindim.
Bu işi destekleyin
Mekansalize tamamen bağımsız bir danışmanlık işidir. Burada gördüğünüz her şey, reklam olmadan kullanmanız ve yeniden kullanmanız için açıktır. WordPress istatistik toplama için birkaç çerez ayarlıyor, bunları kaç ziyaretçiye sahip olduğumuzu ve işlerin ne kadar popüler olduğunu görmek için kullanıyoruz.
İçeriği burada işletmeniz veya araştırmanız için yararlı bulursanız, aşağıdaki bağlantıları kullanarak fikirlerin ve açık kaynaklı coğrafi rejimlerin üretimini destekleyebilirsiniz. Veya Bir şeyler yapmak için beni işe al; Ya da şeyler hakkında konuşmak için beni işe al.
News
