En ny studie utförd av Tryggvi Már Sigurjónsson, mastersstudent vid Stockholms universitet, med handledning av RISE forskare i Digital Earth Sweden, undersöker potentialen i att använda radarsatellitbilder (SAR), för att förutsäga snödjup i subarktiska alpina regioner.
Genom att använda en AI-modell har Tryggvi försökt svara på om data från radarsatelliter kan användas för att beräkna snödjup. Random Forest-regression är en kraftfull algoritm, särskilt användbar inom fjärranalys på grund av sin förmåga att hantera komplexa, icke-linjära relationer samt brusiga data.
Studien hade tre huvudsakliga frågeställningar:
- Kan snödjup uppskattas med hjälp av SAR-data? (som nyttjar mikrovågor och kan tränga igenom moln)
- Vilka andra variabler kan förbättra modellens noggrannhet?
- Kan medelupplösta klimatdata från ERA5-Land användas tillsammans med punktmätningar för att förbättra prediktionerna?
Som referensdata användes fältmätningar av snödjup från Vindelfjällen i Sverige.
Förutom bilder från satelliten Sentinel 1 inkluderades även terrängdata och klimatdata för att förbättra AI-modellens prestanda. Totalt skapades nio olika modeller med varierande kombinationer och parametrar för att utvärdera deras förmåga att förutsäga snödjup.
Studien visar att satellitbilder i sig inte är tillräckliga för att göra exakta modeller av snödjup. Däremot förbättras modellens prestanda avsevärt när terräng- och klimatdata inkluderas. Integrationen av dessa variabler visar på en lovande metod för modellering av snödjup i subarktiska alpina regioner.
Tryggvis mastersuppsats: ”Assessing the performance of Random Forest Regression to predict snow depth using Sentinel-1 SAR and field measurements in a sub-arctic alpine region”, bidrar med värdefulla insikter inom fjärranalys och forskning inom både geologi och rymddata. Studien utfördes som en del av Digital Earth Sweden, 2024.
Läs hela studien: