Derpy
Intern Writer
Biến đổi khí hậu đang hiện hữu qua từng tảng băng tan chảy, và việc theo dõi tốc độ này là cực kỳ quan trọng để dự đoán mực nước biển dâng cũng như những thay đổi khí hậu trong tương lai. Tuy nhiên, đây vốn là một công việc thủ công vô cùng tỉ mỉ và tốn thời gian. Giờ đây, một phương pháp mới sử dụng trí tuệ nhân tạo (AI) để phân tích hình ảnh vệ tinh của các sông băng trên khắp thế giới đang mở ra cánh cửa tự động hóa quy trình giám sát này.
Những sông băng đổ trực tiếp ra đại dương đóng vai trò then chốt trong hệ thống khí hậu của Trái Đất. Thế nhưng, sự nóng lên toàn cầu đang khiến chúng rút lui với tốc độ ngày càng nhanh. Điều này kéo theo nhiều hệ lụy nghiêm trọng: khi băng vỡ ra từ "mặt băng vỡ" (calving fronts), nơi các tảng băng trôi tách khỏi sông băng và đổ xuống biển – chúng sẽ đưa một lượng lớn nước ngọt vào đại dương. Lượng nước này có thể làm thay đổi các dòng hải lưu và khiến mực nước biển dâng cao. Hơn nữa, những sông băng trắng sáng còn có tác dụng phản xạ nhiều ánh sáng mặt trời. Khi chúng co lại, bề mặt nước biển sẫm màu lộ ra sẽ hấp thụ nhiệt từ mặt trời, càng làm tăng tốc độ nóng lên.
Tất cả những điều này cho thấy việc theo dõi sự mất mát của sông băng là cực kỳ cần thiết để hiểu rõ hơn về cách thức các điều kiện khí hậu địa phương và toàn cầu sẽ thay đổi theo thời gian. Tuy nhiên, số lượng sông băng cần được giám sát trên toàn thế giới vượt xa khả năng của các nhà phân tích con người. Dù có hy vọng rằng phân tích hình ảnh dựa trên AI có thể lấp đầy khoảng trống này, nhưng các mô hình trước đây thường hoạt động kém hiệu quả ở những khu vực không có trong dữ liệu huấn luyện của chúng. Điều này hạn chế nghiêm trọng khả năng ứng dụng của phương pháp, bởi việc thu thập hình ảnh được gắn nhãn thủ công là vô cùng khó khăn.
Mới đây, một nghiên cứu được chấp nhận tại Hội nghị Quốc tế IEEE về Xử lý Hình ảnh (ICIP) đã chỉ ra rằng một mô hình học sâu (deep learning) hàng đầu dùng để theo dõi các mặt băng vỡ có thể được điều chỉnh cho các địa điểm mới chỉ với một lượng dữ liệu bổ sung tối thiểu. Các nhà nghiên cứu từ Đại học Friedrich-Alexander Erlangen-Nuremberg (FAU) ở Đức đã chứng minh rằng sai số của mô hình – khoảng cách trung bình giữa ranh giới được mô hình hóa và ranh giới thực tế – đã giảm từ hơn 1 kilômét xuống còn chưa đầy 70 mét. Điều này đạt được nhờ cung cấp ba loại thông tin: một hình ảnh được gắn nhãn thủ công cho mỗi sông băng, các hình ảnh tham chiếu mùa hè không gắn nhãn, và một bản đồ về lớp đá bên dưới.
Trong một nghiên cứu liên quan, một số tác giả của bài báo đã áp dụng phương pháp này để trích xuất vị trí mặt băng vỡ hàng tháng cho tất cả 145 sông băng ở quần đảo Svalbard của Na Uy, từ năm 2015 đến năm 2024. Nhóm nghiên cứu hiện hy vọng sẽ mở rộng phương pháp này cho 1.500 sông băng khác ở Bắc Cực. Nora Gourmelon, một nghiên cứu sinh tiến sĩ tại FAU và đồng tác giả chính của bài báo ICIP, chia sẻ rằng mục tiêu là để hiểu rõ hơn về sông băng và cách chúng phản ứng với biến đổi khí hậu. Cô tin rằng khi chúng ta hiểu về quá khứ, chúng ta sẽ có thể hiểu rõ hơn về cách chúng sẽ thay đổi trong tương lai.
Trong lịch sử, việc xác định các mặt băng vỡ đòi hỏi sinh viên và các nhà nghiên cứu phải tỉ mỉ xem xét các hình ảnh radar vệ tinh để vẽ thủ công ranh giới giữa sông băng và đại dương. Quá trình này rất tốn thời gian, vì vậy nhiều nhóm nghiên cứu đã thử nghiệm sử dụng các mô hình thị giác máy tính (computer vision) để tự động hóa.
Vào năm 2023, Gourmelon và các đồng nghiệp đã tạo ra một bộ dữ liệu gồm 681 hình ảnh radar của bảy sông băng ở Nam Cực, Greenland và Alaska, với các mặt băng vỡ được chú thích thủ công để giúp huấn luyện và đánh giá các mô hình mới. Tuy nhiên, khi họ áp dụng một mô hình học sâu tiên tiến được huấn luyện trên bộ dữ liệu này cho các sông băng chưa từng thấy ở Svalbard, họ nhận thấy sai số trung bình lên tới 1.131,6 mét.
Việc thu thập đủ dữ liệu được chú thích thủ công để huấn luyện lại mô hình cho mỗi sông băng mới cần phân tích rõ ràng là không khả thi. Vì vậy, các tác giả đã tìm cách hiệu quả hơn để nâng cao hiệu suất. Họ đã tạo ra một hình ảnh mặt băng vỡ được chú thích thủ công cho tất cả 145 sông băng ở Svalbard và kết hợp nó với nhiều hình ảnh vệ tinh thô khác của mỗi sông băng để tạo ra một bộ dữ liệu huấn luyện mới gồm 5.539 hình ảnh. Khi họ huấn luyện lại mô hình với cả dữ liệu mới này và dữ liệu đánh giá ban đầu, sai số đã giảm xuống còn 445,3 mét.
Sau đó, họ phát triển hai chiến lược mới để cải thiện độ chính xác hơn nữa. Đối với cả con người và AI, việc phân biệt ranh giới của sông băng với "hỗn hợp băng" (ice melange) – một khối băng trôi, băng biển và tuyết tích tụ ở mặt băng vỡ – có thể rất khó khăn. Vì vậy, khi các nhà nghiên cứu tải lên một loạt hình ảnh của một sông băng để mô hình chú thích, họ đã thêm ba hình ảnh từ mùa hè, khi hỗn hợp băng không xuất hiện và ranh giới sông băng rõ ràng. Những hình ảnh này đóng vai trò là điểm tham chiếu cho mô hình và đẩy sai số xuống còn 204,6 mét.
Là bước cuối cùng, các nhà nghiên cứu còn cung cấp cho mô hình một bản đồ tĩnh về lớp đá bên dưới mỗi sông băng, được lấy từ dữ liệu Open Street Map phác thảo bờ biển Svalbard. Điều này đã cắt giảm sai số xuống chỉ còn 103,6 mét. Bằng cách chạy một tập hợp gồm năm phiên bản khác nhau của mô hình và tính trung bình các kết quả đầu ra, các nhà nghiên cứu đã giảm sai số cuối cùng xuống chỉ còn 68,7 mét. Dù con số này nghe có vẻ vẫn khá thiếu chính xác, Gourmelon cho biết nó tương đương với tỷ lệ sai số khi chú thích thủ công. Cô giải thích rằng ngay cả con người cũng không thực sự nhất quán trong việc gắn nhãn, đặc biệt khi có hỗn hợp băng hoặc khi độ phân giải của hình ảnh vệ tinh không tốt.
Mặc dù phương pháp này vẫn đòi hỏi một số công đoạn chuẩn bị, nhưng nó có thể tăng tốc đáng kể việc phân tích các khu vực mới. Dakota Pyles, một nghiên cứu sinh tiến sĩ tại FAU, người đã dẫn đầu nghiên cứu thứ hai về động lực sông băng ở Svalbard trong chín năm, cho biết hầu hết các nghiên cứu gần đây thuộc loại này đều được thực hiện theo thang thời gian hàng năm hoặc hàng thập kỷ. Ngược lại với việc theo dõi tần suất thấp hơn, Pyles đã có thể tạo ra các mặt băng vỡ hàng tháng cho mọi sông băng trong nghiên cứu đó – tổng cộng hơn 203.294 chú thích – mang lại cái nhìn chi tiết hơn nhiều về cách động lực băng đang thay đổi trên quần đảo.
Pyles khẳng định rằng dự án của mình sẽ không thể thực hiện được ở quy mô hiện tại nếu không có mô hình này. Đây là một lợi ích lớn cho họ và cho việc thúc đẩy lĩnh vực băng học nói chung. Về lâu dài, phương pháp này có thể giúp tự động hóa một phần việc giám sát sông băng trên toàn thế giới trong thời gian dài. Gourmelon cho biết chúng ta vẫn cần một số hình ảnh được gắn nhãn từ khu vực hoặc vệ tinh cụ thể mà bạn muốn sử dụng để giám sát và huấn luyện mô hình ban đầu, nhưng sau đó nó có thể được sử dụng. Nếu cách hình ảnh được chụp và nơi bạn đang quan sát vẫn nhất quán, thì sẽ không cần hiệu chỉnh lại.
Những sông băng đổ trực tiếp ra đại dương đóng vai trò then chốt trong hệ thống khí hậu của Trái Đất. Thế nhưng, sự nóng lên toàn cầu đang khiến chúng rút lui với tốc độ ngày càng nhanh. Điều này kéo theo nhiều hệ lụy nghiêm trọng: khi băng vỡ ra từ "mặt băng vỡ" (calving fronts), nơi các tảng băng trôi tách khỏi sông băng và đổ xuống biển – chúng sẽ đưa một lượng lớn nước ngọt vào đại dương. Lượng nước này có thể làm thay đổi các dòng hải lưu và khiến mực nước biển dâng cao. Hơn nữa, những sông băng trắng sáng còn có tác dụng phản xạ nhiều ánh sáng mặt trời. Khi chúng co lại, bề mặt nước biển sẫm màu lộ ra sẽ hấp thụ nhiệt từ mặt trời, càng làm tăng tốc độ nóng lên.
Tất cả những điều này cho thấy việc theo dõi sự mất mát của sông băng là cực kỳ cần thiết để hiểu rõ hơn về cách thức các điều kiện khí hậu địa phương và toàn cầu sẽ thay đổi theo thời gian. Tuy nhiên, số lượng sông băng cần được giám sát trên toàn thế giới vượt xa khả năng của các nhà phân tích con người. Dù có hy vọng rằng phân tích hình ảnh dựa trên AI có thể lấp đầy khoảng trống này, nhưng các mô hình trước đây thường hoạt động kém hiệu quả ở những khu vực không có trong dữ liệu huấn luyện của chúng. Điều này hạn chế nghiêm trọng khả năng ứng dụng của phương pháp, bởi việc thu thập hình ảnh được gắn nhãn thủ công là vô cùng khó khăn.
Mới đây, một nghiên cứu được chấp nhận tại Hội nghị Quốc tế IEEE về Xử lý Hình ảnh (ICIP) đã chỉ ra rằng một mô hình học sâu (deep learning) hàng đầu dùng để theo dõi các mặt băng vỡ có thể được điều chỉnh cho các địa điểm mới chỉ với một lượng dữ liệu bổ sung tối thiểu. Các nhà nghiên cứu từ Đại học Friedrich-Alexander Erlangen-Nuremberg (FAU) ở Đức đã chứng minh rằng sai số của mô hình – khoảng cách trung bình giữa ranh giới được mô hình hóa và ranh giới thực tế – đã giảm từ hơn 1 kilômét xuống còn chưa đầy 70 mét. Điều này đạt được nhờ cung cấp ba loại thông tin: một hình ảnh được gắn nhãn thủ công cho mỗi sông băng, các hình ảnh tham chiếu mùa hè không gắn nhãn, và một bản đồ về lớp đá bên dưới.
Trong một nghiên cứu liên quan, một số tác giả của bài báo đã áp dụng phương pháp này để trích xuất vị trí mặt băng vỡ hàng tháng cho tất cả 145 sông băng ở quần đảo Svalbard của Na Uy, từ năm 2015 đến năm 2024. Nhóm nghiên cứu hiện hy vọng sẽ mở rộng phương pháp này cho 1.500 sông băng khác ở Bắc Cực. Nora Gourmelon, một nghiên cứu sinh tiến sĩ tại FAU và đồng tác giả chính của bài báo ICIP, chia sẻ rằng mục tiêu là để hiểu rõ hơn về sông băng và cách chúng phản ứng với biến đổi khí hậu. Cô tin rằng khi chúng ta hiểu về quá khứ, chúng ta sẽ có thể hiểu rõ hơn về cách chúng sẽ thay đổi trong tương lai.
Trong lịch sử, việc xác định các mặt băng vỡ đòi hỏi sinh viên và các nhà nghiên cứu phải tỉ mỉ xem xét các hình ảnh radar vệ tinh để vẽ thủ công ranh giới giữa sông băng và đại dương. Quá trình này rất tốn thời gian, vì vậy nhiều nhóm nghiên cứu đã thử nghiệm sử dụng các mô hình thị giác máy tính (computer vision) để tự động hóa.
Vào năm 2023, Gourmelon và các đồng nghiệp đã tạo ra một bộ dữ liệu gồm 681 hình ảnh radar của bảy sông băng ở Nam Cực, Greenland và Alaska, với các mặt băng vỡ được chú thích thủ công để giúp huấn luyện và đánh giá các mô hình mới. Tuy nhiên, khi họ áp dụng một mô hình học sâu tiên tiến được huấn luyện trên bộ dữ liệu này cho các sông băng chưa từng thấy ở Svalbard, họ nhận thấy sai số trung bình lên tới 1.131,6 mét.
Việc thu thập đủ dữ liệu được chú thích thủ công để huấn luyện lại mô hình cho mỗi sông băng mới cần phân tích rõ ràng là không khả thi. Vì vậy, các tác giả đã tìm cách hiệu quả hơn để nâng cao hiệu suất. Họ đã tạo ra một hình ảnh mặt băng vỡ được chú thích thủ công cho tất cả 145 sông băng ở Svalbard và kết hợp nó với nhiều hình ảnh vệ tinh thô khác của mỗi sông băng để tạo ra một bộ dữ liệu huấn luyện mới gồm 5.539 hình ảnh. Khi họ huấn luyện lại mô hình với cả dữ liệu mới này và dữ liệu đánh giá ban đầu, sai số đã giảm xuống còn 445,3 mét.
Sau đó, họ phát triển hai chiến lược mới để cải thiện độ chính xác hơn nữa. Đối với cả con người và AI, việc phân biệt ranh giới của sông băng với "hỗn hợp băng" (ice melange) – một khối băng trôi, băng biển và tuyết tích tụ ở mặt băng vỡ – có thể rất khó khăn. Vì vậy, khi các nhà nghiên cứu tải lên một loạt hình ảnh của một sông băng để mô hình chú thích, họ đã thêm ba hình ảnh từ mùa hè, khi hỗn hợp băng không xuất hiện và ranh giới sông băng rõ ràng. Những hình ảnh này đóng vai trò là điểm tham chiếu cho mô hình và đẩy sai số xuống còn 204,6 mét.
Là bước cuối cùng, các nhà nghiên cứu còn cung cấp cho mô hình một bản đồ tĩnh về lớp đá bên dưới mỗi sông băng, được lấy từ dữ liệu Open Street Map phác thảo bờ biển Svalbard. Điều này đã cắt giảm sai số xuống chỉ còn 103,6 mét. Bằng cách chạy một tập hợp gồm năm phiên bản khác nhau của mô hình và tính trung bình các kết quả đầu ra, các nhà nghiên cứu đã giảm sai số cuối cùng xuống chỉ còn 68,7 mét. Dù con số này nghe có vẻ vẫn khá thiếu chính xác, Gourmelon cho biết nó tương đương với tỷ lệ sai số khi chú thích thủ công. Cô giải thích rằng ngay cả con người cũng không thực sự nhất quán trong việc gắn nhãn, đặc biệt khi có hỗn hợp băng hoặc khi độ phân giải của hình ảnh vệ tinh không tốt.
Mặc dù phương pháp này vẫn đòi hỏi một số công đoạn chuẩn bị, nhưng nó có thể tăng tốc đáng kể việc phân tích các khu vực mới. Dakota Pyles, một nghiên cứu sinh tiến sĩ tại FAU, người đã dẫn đầu nghiên cứu thứ hai về động lực sông băng ở Svalbard trong chín năm, cho biết hầu hết các nghiên cứu gần đây thuộc loại này đều được thực hiện theo thang thời gian hàng năm hoặc hàng thập kỷ. Ngược lại với việc theo dõi tần suất thấp hơn, Pyles đã có thể tạo ra các mặt băng vỡ hàng tháng cho mọi sông băng trong nghiên cứu đó – tổng cộng hơn 203.294 chú thích – mang lại cái nhìn chi tiết hơn nhiều về cách động lực băng đang thay đổi trên quần đảo.
Pyles khẳng định rằng dự án của mình sẽ không thể thực hiện được ở quy mô hiện tại nếu không có mô hình này. Đây là một lợi ích lớn cho họ và cho việc thúc đẩy lĩnh vực băng học nói chung. Về lâu dài, phương pháp này có thể giúp tự động hóa một phần việc giám sát sông băng trên toàn thế giới trong thời gian dài. Gourmelon cho biết chúng ta vẫn cần một số hình ảnh được gắn nhãn từ khu vực hoặc vệ tinh cụ thể mà bạn muốn sử dụng để giám sát và huấn luyện mô hình ban đầu, nhưng sau đó nó có thể được sử dụng. Nếu cách hình ảnh được chụp và nơi bạn đang quan sát vẫn nhất quán, thì sẽ không cần hiệu chỉnh lại.
