Abschlussarbeit
XGBoost-basierte Klassifikation der Radargletscherzonen auf der Axel-Heiberg-Insel mittels multisensorischer und multitemporaler Fernerkundungsdaten
Details
- Extern/e Autor:in
- Francesco Cantatore
- Intern/e Betreuer:in
- Prof. Dr.-Ing. Andreas Schmitt
- Abschluss
- Bachelor
- Studiengang
- Geodata Science
- Jahr
- 2026
- Fakultät
- Fakultät für Geoinformation
- Status
- abgeschlossen
- Themengruppe
- Photogrammetrie_Fernerkundung
Angesichts des Klimawandels und der rasanten Erwärmung der Arktis untersucht diese Arbeit, wie zuverlässig sich monatliche, radarbasierte Gletscherzonenklassifikationen der Axel-Heiberg-Insel in Kanada – basierend auf den in der Literatur häufig genutzten Radargletscherzonen – mittels XGBoost rekonstruieren lassen und ob sich dabei bestimmte Zonenklassen besser oder schlechter rekonstruieren lassen als andere. Zudem wird untersucht, ob sich die Vorhersagen des Modells anhand unabhängiger meteorologischer und glaziologischer Daten validieren lassen.
Im Rahmen dieser Arbeit wurde zudem erstmals ein monatlich harmonisierter Sentinel-1- und Sentinel-2-Datensatz für die Axel-Heiberg-Insel erstellt und veröffentlicht. Dieser umfasst monatliche sowie multitemporale Mosaike der Eiskappen und umliegenden Gletscher für die Jahre 2017 bis 2023 und liegt als GeoTIFF-Dateien vor. Auf dessen Basis sowie weiterer Daten wurde ein Datacube für die Jahre 2017 bis 2023 aufgebaut. Damit konnten die aufgrund von Datenlücken fehlenden Radargletscherzonenklassifikationen für die Monate Januar bis April 2017, Juli und August 2021 sowie Oktober bis Dezember 2023 mittels XGBoost rekonstruiert werden.
Für die Trockenschnee-, Perkolations- und Nassschneezone ließen sich für alle Monate plausible und zuverlässige Vorhersagen treffen (Gesamtgenauigkeit: 77 %). Diese drei Zonen schnitten im Vergleich zur Aufeis- und Blankeiszone am besten ab. Die Vorhersagen der Nassschneezone und die daraus abgeleiteten Flächenanteile ließen sich zudem gut anhand unabhängiger Temperaturdaten und der Anzahl der Schmelztage validieren.
Das XGBoost-Modell liefert damit einen ersten plausiblen Hinweis darauf, dass sich radarbasierte Gletscherzonenklassifikationen bei tatsächlichen Datenlücken zuverlässig rekonstruieren lassen. Algorithmen wie XGBoost leisten somit in Kombination mit Fernerkundungsdaten einen wichtigen Beitrag zur Überwachung abgelegener arktischer Gletscher und Eiskappen wie auf der Axel-Heiberg-Insel.
Datensatz:
Cantatore, F., Hauser, S., & Schmitt, A. (2026). Monthly Harmonized Sentinel-1 and Sentinel-2 dataset over Axel Heiberg Island [Datensatz]. Zenodo. https://doi.org/10.5281/zenodo.20509321