독일 에를랑겐-뉘른베르크 대학교(FAU) 연구팀이 딥러닝 모델을 활용해 위성 레이더 이미지에서 빙하 전면 경계(calving front)를 자동으로 추출하는 방법을 개발했다. 이 연구는 IEEE 국제 화상 처리 학술대회(ICIP)에 채택됐으며, 기존 모델이 새로운 지역에서 보이던 1km 이상의 오차를 68.7m까지 낮추는 데 성공했다. 빙하 관측의 지리적 확장성을 크게 높였다는 점에서 주목받고 있다.
연구팀이 풀어야 했던 핵심 문제는 훈련 데이터에 포함되지 않은 지역에 모델을 적용할 때 발생하는 정확도 급락이었다. 연구팀은 노르웨이 스발바르(Svalbard) 군도의 빙하 145개를 대상으로 각 빙하당 수동 레이블이 붙은 이미지 한 장씩을 제공하는 방식으로 5,539장의 새 훈련 데이터를 구성했다. 여기에 얼음 유빙(ice mélange)이 없어 빙하 경계가 뚜렷한 여름철 위성 이미지 세 장을 참조 데이터로 추가하고, 해안선 암반 지도까지 함께 입력하자 오차가 순차적으로 1,131m → 445m → 204m → 103m로 감소했다. 이후 서로 다른 다섯 가지 모델 버전의 출력을 앙상블(ensemble) 방식으로 평균하자 최종 오차가 68.7m까지 줄었다. 연구팀은 이 수준이 숙련된 연구자가 직접 레이블을 붙일 때의 오차 범위와 비슷하다고 설명했다.
이 접근법은 실제 장기 모니터링 프로젝트에도 즉시 적용됐다. FAU의 또 다른 연구자는 이 모델을 이용해 2015년부터 2024년까지 스발바르 145개 빙하 전체의 월별 전면 위치를 추출했으며, 총 20만 3,294건에 달하는 레이블을 생성했다. 기존 연구가 연 단위 또는 10년 단위 데이터에 머물렀던 것과 달리 월별 해상도로 빙하 역학 변화를 파악하게 됐다. 연구팀은 이 모델을 향후 북극권 1,500여 개 빙하로 확대 적용하는 것을 목표로 삼고 있다.
빙하 전면 추적은 기후변화 속도 측정과 해수면 상승 예측에 핵심적인 정보를 제공한다. 빙하가 바다로 흘러들면서 분리되는 빙산은 대량의 담수를 해양에 공급해 해류를 변화시키고, 빙하가 줄어든 자리를 채우는 어두운 해수면이 태양열을 더 많이 흡수해 추가적인 기온 상승을 유발하기 때문이다. 연구팀은 충분한 지역 이미지가 확보된다면 이 모델이 추가 재보정 없이 전 세계 빙하를 장기 자동 감시하는 도구로 활용될 수 있다고 전망했다.
