Life cycles of glacial lakes in Norway: Insights from machine learning algorithms on Landsat series and Sentinel-2
Master thesis
Permanent lenke
https://hdl.handle.net/11250/2785217Utgivelsesdato
2021Metadata
Vis full innførselSamlinger
- Institutt for geografi [1130]
Sammendrag
Den observerte tilbaketrekningen av isbreer i global skala fremmer dannelsen og veksten av bresjøer i nylig isfrie områder. På Fastlands-Norge fører denne prosessen til økningen i Glacial Lake Outburst Floods (GLOFs), som utgjør en betydelig trussel mot mennesker og infrastruktur nedstrøms. Videre blir mange bresjøer brukt som reservoarer for vannkraftproduksjon og representerer dermed en viktig energikilde. Dette understreker behovet for kontinuerlig overvåking av livssyklusene til bresjøene.Fjernmåling er for tiden den mest effektive teknikken for å spore endringer i bresjøer, forstå hvordan de påvirkes av klimaendringer og observere innsjøer som er utsatt for GLOF. Nylige fremskritt innen maskinlæringsteknikker har gitt nye muligheter for å automatisere kartlegging av bresjøer over store områder. Denne studien presenterer for første gang over hele Norge rekonstruksjon av endringer i bresjøer gjennom de siste tre tiårene ved hjelp av maskinlæringsalgoritmer og langsiktige satellittobservasjoner. Den sammenligner ytelsen til to klassifiseringsmetoder – maksimal sannsynlighetsklassifisering (MLC) og støttevektormaskin (SVM) - for å skissere bresjøer og studere deres utvikling ved hjelp av Landsat-serien og Sentinel-2-bilder.Denne studien tydeliggjør fordelene og ulempene ved hver klassifiseringsmetode og satellittprodukt gjennom prismen til bresjøprosesser som foregår over forskjellige tidsmessige og romlige skalaer - fra dannelse av innsjø, vekst og dissosiasjon fra de proksimale breene til ettervirkningen av raske GLOF-hendelser. Basert på denne analysen konkluderer jeg med at deteksjonsferdighetene til overvåkede klassifiseringsmetoder i stor grad avhenger av kvaliteten på satellittbilder og nøye utvalg av treningsprøver. Noen av faktorene som påvirker klassifiseringsresultatene negativt og kan føre til feilklassifisering er ugunstige værforhold som sky, snø og isdekke, bildeforstyrrelser gjennom atmosfæriske korreksjoner og skygger i skråninger. Uavhengig av høyere romlig og tidsmessig oppløsning har Sentinel-bilder ikke avdekket betydelige fordeler i forhold til Landsat, men har vist et potensial for deres komplementære bruk i videre observasjoner av bresjøer i fremtiden. SVM har helt klart bedre ytelse enn MLC, men SVM er vanskelig å bruke over store romlige skalaer, i det minste i den formen det for øyeblikket er implementert på i ENVI. The observed retreat of mountain glaciers on a global scale promotes the formation and growth of glacial lakes across newly exposed ice-free areas. In mainland Norway, this process drives the rise in glacial lake outburst floods (GLOFs), posing a considerable threat to people and infrastructure downstream. Moreover, many glacial lakes are used as reservoirs for hydropower production and thus represent an important energy source, emphasizing the need for continuous monitoring of glacial lake life cycles.Remote sensing is currently the most efficient technique for tracking changes in glacial lakes, understanding their responses to climate change and observing lakes prone to GLOFs. Recent advances in machine learning techniques have presented new opportunities to automatize glacial lake mapping over large areas. For the first time, this study presents a Norway-wide reconstruction of glacial lake changes through the last three decades using machine learning algorithms and long-term satellite observations. It contrasts the performance of two classification methods - maximum likelihood classification (MLC) and support vector machine (SVM) - to outline glacial lakes and study their evolution using the Landsat series and Sentinel-2 images. This study zooms into the pros and cons of each classification method and satellite product through the prism of glacial lake processes occurring over disparate temporal and spatial scales - from lake formation, growth and dissociation from the proximal glaciers to the aftermath of rapid GLOF events. Based on this analysis, I conclude that the recognition skills of supervised classification methods largely depend on the quality of satellite images and careful selection of training samples. Some of the factors that adversely affect the classification results are unfavourable weather conditions such as cloud, snow and ice cover, image disturbances through atmospheric corrections and shadows on slopes that lead to misclassifications. Regardless of higher spatial and temporal resolution, Sentinel imagery has not revealed significant advantages over Landsat but has shown a potential for their complementary use to continue glacial lake observations in the future. The performance of SVM is clearly superior to MLC, but it is difficult to use over large spatial scales, at least in the form it is currently implemented in ENVI.