Untersuchung der Treiber der globalen Veränderungen des Gletscher Volumens in den letzten zwei Jahrzehnten unter Verwendung von Machine Learning

Machine Learning spielt eine zunehmend wichtige Rolle bei der Modellierung und besseren Quantifizierung der beobachteten Veränderungen in verschiedenen Subkomponenten des Erdsystems. Im Bereich der Glaziologie haben Machine Learning-Methoden das Potenzial, die ständig wachsenden Datensätze über beobachtete Gletscherveränderungen zu entschlüsseln und ein besseres Verständnis dieser Veränderungen und ihrer treibenden Faktoren zu ermöglichen. In dieser Studie untersuchen wir den Nutzen eines nichtlinearen Machine Learning-Rahmenwerks zur Modellierung der beobachteten aktuellen Gletscherveränderungen (geodätische Massenbilanz einzelner Gletscher über den Zeitraum 2000-2019) für nahezu alle landseitigen Gletscher mit einer Fläche von mehr als 2 km². Zu diesem Zweck bauen wir ein Random Forest-Modell auf, das von einer Reihe von Prädiktoren angetrieben wird, die sowohl topografische (z. B. Fläche, Neigung, Geröllbedeckung) als auch klimatische Merkmale (z. B. Temperatur- und Niederschlagsanomalien) umfassen, die bis zu 70 % der globalen Varianz im Beobachtungsdatensatz erklären. Im Allgemeinen stellen wir fest, dass die klimatischen Merkmale wichtiger sind und allein etwa 55 % der Varianz erklären, im Vergleich zu etwa 40 %, die mit den topografischen Merkmalen allein erzielt werden. Wir untersuchen zudem die Bedeutung der topografischen Prädiktoren in Subregionen, die als klimatisch homogen angenommen werden, und zeigen unterschiedliche Verhaltensweisen in diesen Regionen. Unsere Studie veranschaulicht den Nutzen nichtlinearer Modelle bei der statistischen Modellierung von mehrjährigen geodätischen Massenbilanzen und liefert weitere Erkenntnisse über die Treiber der aktuellen Gletscherveränderungen. Der vorgeschlagene Rahmen hat zudem das Potenzial, als Lückenfüllwerkzeug zur Schätzung der geodätischen Massenbilanz von nicht gemessenen Gletschern oder solchen mit unsicheren geodätischen Massenbilanzbeobachtungen verwendet zu werden und um die zukünftige Massenbilanz vorherzusagen, wenn er mit CMIP6-Klimadaten oder ähnlichen Ergebnissen von Erdsystemmodellen gefüttert wird.