Synthetic Aperture Radar backscatter for automated delineation of the Disko Island glaciers

Abstract

Breer er sensitive indikatorer på klimaendringer og utgjør den største samling fer- skvann på Jorda. På grunn av isbreenes direkte respons til små forandringer i kli- masystemet har breene fått mye oppmerksomhet de siste årene. For å kunne varsle om farene for folk og infrastruktur som følge av bresmelting slik som flom og skred, er det viktig å kontinuerlig overvåke breenes utvikling. Dessuten kan mulighetene for klimatilpasning utforskes, spesielt når det gjelder å utnytte avrenningen fra breer i sammenheng med vannkraft eller drikkevann. Nå til dags blir breene overvåket mest in-situ eller ved hjelp av optiske multispektrale satellittbilder. In-situ observasjonene er dog ofte en logistisk utfordring og dyre. Kvaliteten av de optiske observasjonene er sterkt avhengig av været (spesielt skydekket), og siden optiske instrumenter er passive, er det ikke mulig å observere regionene i løpet av polarnatten.

Denne masteroppgaven kartlegger postensialet av bruk av syntetisk apertur-radar (SAR) bilder for formålet av breobservasjoner. I motsetning til optiske overvåkningsin- strumenter kan SAR brukes til å ta bilder selv der det ikke er sollys, for eksempel på natta eller i overskyede områder. Bildene brukt i denne oppgaven er Sentinel-1 satel- littbilder, og området som ble undersøkt er Disko Island i Grønland. Signalene mot- tatt fra overflatene av hele Disko Island ble analysert gjennom årstidene. Deretter ble to klassifiseringsalgoritmer, beslutningstre og k-means, testet til å automatisk gjen- kjenne isbre i bildene. Overflatetypene som viste lignende refleksjon som breene ble identifisert, og resultatene ble sammenliknet med multispektrale optiske bilder.

Det ble identifisert forskjellige grupper av refleksjonsamplituder som varierer gjennom årstidene for de forskjellige overflatene, som imidlertid ikke kunne tilordnes en spesiell overflatetype. Beslutningstre-metoden viste seg til å egne seg best til auto- matisk gjenkjenning av is. Bildene fra sommermånedene var enklest å håndtere for algoritmen siden smeltingen om våren og gjenfrysing av breoverflatene om høsten, samt snødekket om vinteren gjorde det mer vanskelig for algoritmen å skille breene fra de andre overflatene. Uansett ble SAR identifisert som en mulighet for år-til-år gjenkjenning og overvåkning av breoverflater.

Glaciers are scientifically recognised as valuable indicators of the severity of regional climate change and have received considerable attention in recent years due to their high sensitivity to changes in the climate system and their status as the Earth’s largest freshwater reservoir. Monitoring the evolution of glaciers is important, both to warn of hazards resulting from glacier melt and their potentially significant impact on human infrastructure, and to inform adaptation measures for future human activities through integrated water management. However, in-situ glacier monitoring is costly and multi-spectral optical satellite imagery – the current baseline for remotely-sensed glacier delineation – is limited both by cloud cover and by illumination conditions, making it nearly impossible to monitor glaciers near the poles during the polar night.

This study assessed the potential of Synthetic Aperture Radar (SAR) imagery to detect glaciated areas independent of weather and illumination. The SAR imagery used in this study is C-band Sentinel-1 imagery and Disko Island was picked as the study region. The seasonal evolution of SAR backscatter for all of Disko Island was characterised. Two classification methods, one supervised (Decision Tree) and one unsupervised (k-means), were examined in the context of glacier detection. Different geology types interfering with the task of glacier detection were identified. Compar- isons were drawn to existing glacier databases and relevant products derived from multi-spectral optical imagery.

The analysis carried out in this study revealed that there are clearly distinguish- able groups of backscatter amplitudes, with variation through the seasons for differ- ent geology types. The backscatter groups were found to not necessarily be linked to a certain surface type in either season. Of the two classification methods presented, the supervised decision tree method was found to give the best results. Imagery from the summer month of June was found best suited for the task of glacier detection for both methods as the melt and snow season present a challenge to the examined meth- ods. Nevertheless, SAR imagery was found to provide an opportunity for automated year-over-year tracking of glacial ice extent.