Une équipe de chercheurs dirigée par Niccolò Maffezzoli, chercheur à l’Université Ca’ Foscari de Venise et à l’Université de Californie à Irvine, a développé le premier modèle mondial basé sur l’intelligence artificielle pour calculer la distribution de l’épaisseur de glace de tous les glaciers de la Terre. Ce modèle, publié dans la revue Geoscientific Model Development, est destiné à devenir un outil de référence pour les études sur les scénarios futurs de fonte des glaciers. (phys.org)
La connaissance précise des volumes de glace des glaciers est essentielle pour projeter l’élévation future du niveau de la mer, gérer les ressources en eau et évaluer les impacts sociétaux liés au retrait des glaciers. Le modèle IceBoost v2.0, développé par l’équipe, a été formé sur 7 millions de mes d’épaisseur de glace et utilise des prédicteurs physiques et géométriques. Il a permis de modéliser l’épaisseur de glace distribuée pour chaque glacier dans les deux dernières versions de l’inventaire Randolph Glacier (v6.0 et v7.0), totalisant respectivement 215 547 et 274 531 contours de glaciers, ainsi que 955 masses de glace contiguës à la calotte glaciaire du Groenland. (phys.org)
Les résultats indiquent un volume global de glace de glacier de 149 000 km³, avec une incertitude de 38 000 km³, ce qui est cohérent avec l’estimation précédente de 147 000 km³, avec une incertitude de 28 000 km³. L’équivalent en élévation du niveau de la mer est estimé à 323 mm, avec une incertitude de 91 mm, également cohérent avec la valeur antérieure de 315 mm, avec une incertitude de 63 mm. Par rapport aux mes, l’erreur d’IceBoost est inférieure de 20 à 45 % à celle des autres solutions dans l’Arctique supérieur, mettant en évidence la valeur des approches basées sur l’apprentissage automatique. (phys.org)
La confiance dans cette solution est la plus élevée aux latitudes supérieures. Sur les terrains montagneux, les petits glaciers et les régions de basse latitude moins représentées, la confiance est plus faible. IceBoost v2.0 démontre une forte généralisation aux marges des calottes glaciaires. Par exemple, sur le plateau Geikie (Est du Groenland), l’étude a trouvé presque deux fois plus de glace que précédemment rapporté, soulignant le potentiel de la méthode à inférer la topographie du lit dans certaines parties des calottes glaciaires. (phys.org)
La qualité des solutions dépend de la précision des données d’entraînement, du modèle numérique d’élévation, des champs de vitesse de la glace et des géométries des glaciers, y compris les nunataks. L’ensemble de données publié peut être utilisé pour modéliser l’évolution future des glaciers et l’élévation du niveau de la mer, informer la conception de relevés glaciologiques et de campagnes de terrain, ainsi que guider les politiques de gestion des ressources en eau douce. (phys.org)
Cette avancée technologique offre une compréhension plus précise de la répartition de la glace dans les glaciers du monde entier, fournissant des informations cruciales pour les études climatiques et la gestion des ressources en eau.
(phys.org)
