KNOXVILLE, TN, 24 février 2025 /24-7PressRelease/ -- Alors que le réchauffement climatique s'accélère, l'augmentation du nombre de lacs supraglaciaires et la nécessité de mesurer avec précision leurs profondeurs sont devenues essentielles pour comprendre l'équilibre de masse des calottes glaciaires et la montée du niveau de la mer. Ces lacs, formés par l'accumulation des eaux de fonte sur les surfaces des calottes glaciaires, influencent considérablement la dynamique des glaces et les taux de fonte. Cependant, les méthodes traditionnelles de mesure de leur profondeur peinent souvent à être précises, surtout dans les lacs profonds, et rencontrent des défis tels que la difficulté des mesures in situ et les limitations des estimations par satellite. Compte tenu de ces obstacles, des approches innovantes sont urgemment nécessaires pour améliorer la précision des mesures de profondeur des lacs supraglaciaires.

Le 4 février 2025, une équipe de l'Université Sun Yat-sen a publié une étude (DOI : 10.34133/remotesensing.0416) dans le Journal of Remote Sensing, dévoilant une nouvelle méthode qui combine l'apprentissage automatique avec les données satellitaires ICESat-2 et les images multispectrales. Cette nouvelle approche répond aux lacunes des techniques traditionnelles, fournissant une solution de haute précision pour la surveillance à grande échelle des profondeurs des lacs supraglaciaires. En intégrant des algorithmes d'apprentissage automatique avec des données satellitaires avancées, cette méthode surmonte les défis rencontrés par les modèles conventionnels, offrant une manière plus précise et évolutive d'estimer les profondeurs des lacs.

L'étude introduit une approche unique qui combine des algorithmes d'apprentissage automatique, tels que XGBoost et LightGBM, avec les données satellitaires ICESat-2 et les images multispectrales de Landsat-8 et Sentinel-2. L'innovation principale réside dans l'application de ces algorithmes avancés, qui améliorent significativement la précision des estimations de profondeur. Par exemple, XGBoost a atteint une erreur quadratique moyenne (RMSE) de seulement 0,54 mètre lorsqu'il est appliqué aux images Sentinel-2 L1C, marquant une amélioration substantielle par rapport aux méthodes traditionnelles telles que l'équation de transfert radiatif (RTE) et le rapport de bandes spectrales (SBR), qui peinent souvent avec la précision, surtout dans les lacs plus profonds.

L'équipe de recherche a développé un algorithme de profondeur de lac automatisé amélioré (ALD) pour extraire des points d'échantillonnage de profondeur de lac fiables à partir des données ICESat-2 ATL03. Ces points ont ensuite été associés à des images multispectrales pour générer des données d'entraînement pour les modèles d'apprentissage automatique. En testant la méthode sur sept lacs supraglaciaires au Groenland, les résultats ont montré que les algorithmes d'apprentissage automatique, particulièrement lorsqu'ils utilisent des images Sentinel-2 L1C, offraient les estimations de profondeur les plus précises. L'étude a également exploré l'impact des corrections atmosphériques sur la récupération des profondeurs, découvrant que les données de réflectance en haut de l'atmosphère fonctionnaient mieux que les données corrigées atmosphériquement pour cartographier la bathymétrie des lacs. Cela suggère que les méthodes de correction atmosphérique actuelles pourraient introduire des erreurs, particulièrement sur les surfaces d'eau et de neige/glace.

Le Dr. Qi Liang, le chercheur principal, a souligné l'importance de l'étude : "Notre approche basée sur l'apprentissage automatique améliore non seulement la précision de l'estimation de la profondeur des lacs glaciaires, mais fournit également une solution évolutive pour la surveillance de grandes zones. Cette innovation offre le potentiel d'avancer notre compréhension de la dynamique des calottes glaciaires et des impacts du changement climatique."

En employant un algorithme ALD amélioré pour traiter les données ICESat-2 ATL03 et en l'associant à des images multispectrales de Landsat-8 et Sentinel-2, l'équipe a créé un outil puissant pour la surveillance des lacs glaciaires. Cette méthodologie a été testée par rapport aux profondeurs de référence de l'algorithme ALD et validée à l'aide des données ArcticDEM. La haute précision et l'évolutivité de l'approche basée sur l'apprentissage automatique ouvrent de nouvelles possibilités pour la surveillance à grande échelle dans les régions polaires et d'autres zones glacées, cruciales pour évaluer les impacts du changement climatique. L'avancement promet beaucoup pour affiner les prévisions de la montée du niveau de la mer et améliorer les modèles climatiques mondiaux.

DOI
10.34133/remotesensing.0416

URL de la source originale
https://spj.science.org/doi/10.34133/remotesensing.0416

Informations sur le financement
Ce travail a été soutenu par la Fondation nationale des sciences naturelles de Chine (subventions 41925027 et 42306256), le projet de groupe d'innovation du Laboratoire de science et d'ingénierie marine du Sud de Guangdong (Zhuhai) (subvention 311021008) et la fondation de recherche de base et appliquée du Guangdong (subvention 2023A1515010925).

À propos de Journal of Remote Sensing
Le Journal of Remote Sensing, un journal en accès libre publié en ligne en association avec AIR-CAS, promeut la théorie, la science et la technologie de la télédétection, ainsi que la recherche interdisciplinaire dans le domaine des sciences de la Terre et de l'information.

Chuanlink Innovations, où des idées révolutionnaires rencontrent leur véritable potentiel. Notre nom, enraciné dans l'essence de la transmission et de la connexion, reflète notre engagement à favoriser l'innovation et à faciliter le parcours des idées depuis leur conception jusqu'à leur réalisation.

Lien connexe :
http://chuanlink-innovations.com

Avertissement : Cette traduction a été générée automatiquement par NewsRamp™ pour 24-7 Press Release (collectivement désignés sous le nom de "LES ENTREPRISES") en utilisant des plateformes d'intelligence artificielle génératives accessibles au public. LES ENTREPRISES ne garantissent pas l'exactitude ni l'intégralité de cette traduction et ne seront pas responsables des erreurs, omissions ou inexactitudes. Vous vous fiez à cette traduction à vos propres risques. LES ENTREPRISES ne sont pas responsables des dommages ou pertes résultant de cette confiance. La version officielle et faisant autorité de ce communiqué de presse est la version anglaise.