Evolución de lagos supraglaciares en el noreste de Groenlandia utilizando métodos de aprendizaje profundo

Los lagos supraglaciares en Groenlandia son características hidrológicas altamente dinámicas en las que se acumula agua de deshielo glaciar, permitiendo la pérdida y transporte de agua dulce desde la superficie glacial hacia el océano o un cuerpo de agua cercano. Las técnicas estándar de monitoreo de lagos supraglaciares, específicamente la segmentación de imágenes, dependen en gran medida de una serie de umbrales dependientes de la región, limitando la adaptabilidad del algoritmo a diferentes variaciones de iluminación y superficie, además de ser susceptibles a la inclusión de falsos positivos como sombras. En este estudio, se desarrolla un algoritmo de segmentación de lagos supraglaciares para imágenes de Sentinel-2 basado en una arquitectura de aprendizaje profundo (U-Net) para evaluar la idoneidad de las técnicas de inteligencia artificial en este dominio. Además, se implementa una herramienta de segmentación de nubes basada en aprendizaje profundo, desarrollada específicamente para regiones polares, en la cadena de procesamiento para eliminar imágenes nubladas del análisis. Utilizando esta técnica, se crea una serie temporal de desarrollo de lagos supraglaciares para las temporadas de deshielo de 2016 a 2022 en Nioghalvfjerdsbræ (Glaciar 79°N) y Zachariæ Isstrøm en el noreste de Groenlandia, un área que cubre 26,302 km² y representa aproximadamente el 10% de la Corriente de Hielo del Noreste de Groenlandia. Se encontró que el área total del lago presenta una fuerte variabilidad interanual, con el mayor pico de área de lago de 380 km² en 2019 y el pico más pequeño de 67 km² en 2018. Estos resultados se compararon luego con un algoritmo basado en una técnica de umbral para evaluar el acuerdo de las metodologías. La serie temporal basada en aprendizaje profundo muestra una tendencia similar a la producida por una técnica de umbral publicada anteriormente, mientras que es más suave y más abarcativa del agua de deshielo en períodos de mayor deshielo. Además, aunque no las elimina completamente, el modelo de aprendizaje profundo reduce significativamente la inclusión de sombras como falsos positivos. En general, el uso de aprendizaje profundo en imágenes multiespectrales con el propósito de segmentación de lagos supraglaciares resulta ser ventajoso.