| dc.description.abstract | Den Arktiske havisen er avgjørende for det globale miljøet og representerer en betydelig utfordring for navigering i polare områder. Derfor har overvåking av havis blitt et viktig ansvar for statene som ligger innenfor polarsirkelen. På grunn av det store omfanget av det Nordishavet er den mest anerkjente overvåkingsmetoden via satellittbasert fjernmåling. Ved å være uavhengig av naturlig belysning og kapabel til å trenge gjennom skydekket, er det aktive radarsystemet, Syntetisk Apertur-Radar (SAR), høyt kvalifisert for de polare forholdene. Gjennom sine nasjonale istjenester tilbyr de arktiske statene manuelt tegnede iskart som er basert på satellittbilder. Til tross for ekspertisen til ishavs analytikerne i de nasjonale istjenestene, vil det alltid eksistere et element av subjektivitet i iskartene. Videre er manuell iskartlegging tidkrevende og forlenger dermed tiden mellom anskaffelse og publisering av informasjonen. På grunn av vind og sterke strømmer er havisen veldig dynamisk. Derfor kan denne forsinkelsen være kritisk for navigatørene som passerer gjennom Nordishavet. Ved å anvende en automatisk tilnærming for segmentering av havis i SAR-bilder kan disse iskartene produseres innen kortere tid og med lavere grad av subjektivitet. I denne oppgaven, er den konvolusjonelle nevrale nettverksarkitekturen, U-Net, modifisert og implementert i en Python-programvarepakke. Variasjoner av dette nettverket ble brukt til å utføre automatisk segmentering av havis i støykorrigerte SAR-scener. Videre er en balanseringsmetode implementert og evaluert. Nettverket som var trent med et ubalansert datasett oppnådde den beste ytelsen med en $ R ^ 2 $ -score på 0,87. Til slutt ble en binær bildesegmenteringsmetode foreslått. Resultatene fra denne er sammenlignbare med moderne forskning. | |
| dc.description.abstract | The Arctic sea ice is critical for the global environment and represents a significant challenge for navigation in polar regions. Hence, sea ice monitoring has become a crucial responsibility of the states located within the Arctic circle. Due to the large extent of the Arctic sea, satellite remote sensing is the most acknowledged monitoring approach. By being independent of natural illumination, and able to penetrate cloud cover, the active imaging system, Synthetic Aperture Radar (SAR), is highly qualified for the polar conditions. Through their national ice services, the Arctic states provide manually drawn ice charts based on satellite imagery. Despite the expertise of the sea ice analysts in the national ice services, there will always exist an element of subjectivity in the ice charts. Moreover, manual ice charting is time-consuming, extending the time between acquisition and publication of the information. Due to wind and strong currents, the sea ice is highly dynamic, therefore, the delay can be critical for the navigators passaging through the Arctic sea. By applying an automatic approach for sea ice segmentation in SAR imagery, these ice charts can be produced within a shorter time, and with a lower degree of subjectivity. In this thesis, the convolutional neural network architecture, U-Net, has been modified and implemented in a Python software package. Variations of this network were applied to automatically perform sea ice segmentation in noise corrected SAR scenes. Moreover, a balancing approach has been implemented and evaluated. The best performance was achieved by the network trained on an imbalanced dataset with an $R^2$-score of 0.87. Finally, a binary image segmentation method was proposed, and it obtained results comparable to the state-of-the-art. | |
