Neues KI-Modell liefert präzise Schichtenstärken aus Radar‑Daten

Die Untergrundschichten von Polar-Eisflächen enthalten entscheidende räumlich‑zeitliche Informationen über Ablagerung, Deformation und Schichtbildung. Variationen in der Dicke der internen Eisschichten liefern wertvolle Hinweise für die Berechnung des Schneemassenbilanz und für Prognosen des Eisflächenveränderungsprozesses. Radar­sensoren erfassen diese Schichten als tiefenauflösende Radargramme, doch herkömmliche Convolutional‑Neural‑Networks reagieren empfindlich auf Streulärm und Aufnahmepfehler. Darüber hinaus nutzen rein datengetriebene Verfahren oft nicht die vorhandenen physikalischen Erkenntnisse, was zu unrealistischen Schätzwerten bei räumlicher oder zeitlicher Extrapolation führt.

Um diese Herausforderungen zu überwinden, wurde K‑STEMIT entwickelt – ein neuartiges, wissens‑informiertes, effizientes Multi‑Branch‑Graph‑Neurales‑Netzwerk, das räumliches Lernen mit einem geometrischen Rahmenwerk mit zeitlicher Konvolution kombiniert. Zusätzlich werden physikalische Daten aus dem Model Atmospheric Regional (MAR) Wettermodell synchronisiert, sodass das Netzwerk sowohl räumliche als auch zeitliche Dynamiken erfassen kann. Ein adaptives Feature‑Fusion‑Verfahren verbindet dabei die aus den verschiedenen Zweigen gewonnenen Merkmale dynamisch, wodurch die Modellleistung weiter gesteigert wird.

Umfangreiche Experimente zeigen, dass K‑STEMIT in allen getesteten Szenarien – sowohl wissens‑informiert als auch rein datengetrieben – die höchste Genauigkeit erzielt und dabei nahezu optimale Effizienz beibehält. Besonders die Kombination aus adaptiver Feature‑Fusion und physikalischen Priors reduziert die mittlere quadratische Abweichung (RMSE) signifikant im Vergleich zu bestehenden Methoden. K‑STEMIT übertrifft damit die aktuellen State‑of‑the‑Art‑Ansätze und liefert konsistent die präzisesten Schichtdicken­schätzungen.

Die verbesserte Genauigkeit von K‑STEMIT hat direkte Auswirkungen auf die Berechnung der Schneemassenbilanz und die Vorhersage von Eisflächenveränderungen. Durch zuverlässigere Schichtdicken­schätzungen können Klimaforscher genauere Modelle entwickeln, die die zukünftige Entwicklung der Polarregionen besser prognostizieren. K‑STEMIT stellt damit einen wichtigen Schritt in Richtung daten‑ und wissensbasierter Eisforschung dar und eröffnet neue Möglichkeiten für die Analyse von Radar­daten in der Klimaforschung.