Forskare vid University of Maryland, Baltimore County (UMBC) har utvecklat en teknik för att snabbare analysera omfattande data från arktiska inlandsisar för att få insikt och användbar kunskap om mönster och trender. Över åren, stora mängder data har samlats in om den arktiska och antarktiska isen. Dessa data är viktiga för forskare och beslutsfattare som vill förstå klimatförändringarna och den nuvarande trenden med smältning. Masoud Yari, forskarassistent, och Maryam Rahnemoonfar, docent i informationssystem, har använt ny AI-teknik för att utveckla en helautomatisk teknik för att analysera isdata, publicerad i Journal of Glaciology . Detta är en del av National Science Foundations pågående BigData-projekt.

I årtionden, forskare har hållit koll på polarisen, snö, och jordmätningar, men att bearbeta den stora mängden tillgänglig data har visat sig vara utmanande. NASA:s processer för insamling, spårning, och märkning av polära data innebär betydande manuellt arbete, och förändringar som upptäcks i data kan ta månader eller till och med år att se. Även arktisk data som samlas in via fjärranalysteknik kräver manuell bearbetning.

Enligt Rahnemoonfar, "Radar big data är mycket svår att bryta och förstå bara genom att använda manuella tekniker." AI-teknikerna hon och Yari utvecklar kan användas för att bryta data snabbare, för att få användbar information om trender relaterade till inlandsisens tjocklek och nivån av snöansamling på en viss plats.

Forskarna utvecklade en algoritm som lär sig att identifiera objekt och mönster inom arktiska och antarktiska data. En AI-algoritm måste exponeras för hundratusentals exempel för att lära sig att identifiera viktiga element och mönster. Rahnemoonfar och hennes team använde befintliga ofullständiga och bullriga märkta data från Arktis för att träna AI-algoritmen i hur man kategoriserar och förstår ny data.

Algoritmens träning är ännu inte klar, eftersom det kommer att behöva skalas upp över flera sensorer och platser för att skapa ett mer exakt verktyg. Dock, man har redan framgångsrikt börjat automatisera en process som tidigare var ineffektiv och arbetskrävande.

Den snabba expansionen av att använda AI-teknik för att förstå is- och snötjockleken i Arktis kommer att göra det möjligt för forskare och forskare att göra snabbare och mer exakta förutsägelser för att informera internationell dialog om klimatförändringar. Hastigheten med vilken arktisk is smälter påverkar havsnivåhöjningen, och om forskare är bättre på att förutsäga svårighetsgraden av smältningen, samhället kan bättre mildra de skador som havsnivåhöjningen orsakar.