The grounding line marks the transition between ice grounded at the bedrock and the floating ice shelf. Its location is required for estimating ice sheet mass balance, modelling of ice sheet dynamics and glaciers and for evaluating ice shelf stability, which merits its long-term monitoring. The line migrates both due to short term influences such as ocean tides and atmospheric pressure, and long-term effects such as changes of ice thickness, slope of bedrock and variations in sea level. Of the numerous in-situ and remote sensing methods currently in use to map the grounding line, Differential Interferometric Synthetic Aperture Radar (DInSAR) is, by far, the most accurate technique which produces spatially dense delineations. Tidal deformation at the ice sheet-ice shelf boundary is visible as a dense fringe belt in DInSAR interferograms and its landward limit is taken as a good approximation of the grounding line location (GLL). The GLL is usually manually digitized on the interferograms by human operators. This is both time consuming and introduces inconsistencies due to subjective interpretation especially in low coherence interferograms. On a large scale and with increasing data availability a key challenge is the automation of the delineation procedure. So far, a limited amount of studies were published regarding the delineation processes of typical features on the ice sheets using deep neural networks (DNNs). The objectives of this thesis were to further explore the feasibility of using machine learning for mapping the interferometric grounding line, as well as exploring the contributions of complementary features such as coherence estimated from phase, Digital Elevation Model, ice velocity, tidal displacement and atmospheric pressure, in addition to DInSAR interferograms. A dataset composed of manually delineated GLLs generated within ESA's Antarctic Ice Sheet Climate Change Initiative project and corresponding DInSAR interferograms from ERS-1/2, Sentinel 1 and TerraSAR-X missions over Antarctica together with the above mentioned features was compiled and used for training two DNNs: Holistically-Nested Edge Detection (HED) and UNet. The developed processing chain handles creation of the training feature stack, training the DNNs and performing post processing functions on the resulting predictions. HED outperformed UNet and was able to achieve a median deviation (from manual delineations) of 209.23 m with a median absolute deviation of 152.91 m. Analysis of the individual feature contributions revealed that only the phase and derived features (real and imaginary interferogram components and coherence estimates) substantially influence the predicted GLLs. This finding is advantageous in terms of saving time, computational effort and memory in creating and storing the above mentioned feature stack. Although the delineations generated from HED do not perfectly follow the true GLL in all locations, the gains in efficiency and consistency are considerable, compared to the time and effort spent for manual digitizations. This study shows the potential of DNNs for automating the interferometric GLL delineation process.     «

The grounding line marks the transition between ice grounded at the bedrock and the floating ice shelf. Its location is required for estimating ice sheet mass balance, modelling of ice sheet dynamics and glaciers and for evaluating ice shelf stability, which merits its long-term monitoring. The line migrates both due to short term influences such as ocean tides and atmospheric pressure, and long-term effects such as changes of ice thickness, slope of bedrock and variations in sea level. Of t...     »

Die Aufsetzlinie markiert den Übergang zwischen dem Eis, das auf dem Felsgrund aufgesetzt ist, und dem schwimmenden Schelfeis. Ihre Lage wird für die Schätzung der Massenbilanz des Schelfeises, die Modellierung der Dynamik des Schelfeises und der Gletscher sowie für die Bewertung der Stabilität des Schelfeises benötigt, was ihre langfristige Überwachung rechtfertigt. Die Linie wandert sowohl aufgrund kurzfristiger Einflüsse wie Gezeiten und atmosphärischer Druck als auch aufgrund langfristiger Effekte wie Änderungen der Eisdicke, der Neigung des Untergrunds und Schwankungen des Meeresspiegels. Von den zahlreichen In-situ- und Fernerkundungsmethoden, die derzeit zur Kartierung der Aufsetzlinie eingesetzt werden, ist das Differential Interferometric Synthetic Aperture Radar (DInSAR) bei weitem die genaueste Technik, die räumlich dichte Abgrenzungen liefert. Die Gezeitenverformung an der Grenze zwischen Eisschild und Schelfeis ist in DInSAR-Interferogrammen als dichter Streifen sichtbar, dessen landwärtige Grenze als guter Näherungswert für die Lage der Aufsetzlinie (GLL) herangezogen wird. Die GLL wird in der Regel manuell auf den Interferogrammen durch menschliche Operatoren digitalisiert. Dies ist zeitaufwendig und führt zu Unstimmigkeiten aufgrund subjektiver Interpretation, insbesondere bei Interferogrammen mit geringer Kohärenz. In großem Maßstab und mit zunehmender Datenverfügbarkeit besteht eine wesentliche Herausforderung in der Automatisierung des Abgrenzungsverfahrens. Bisher wurde nur eine begrenzte Anzahl von Studien veröffentlicht, die sich mit der Abgrenzung typischer Merkmale von Eisschilden mithilfe von tiefen neuronalen Netzen (DNNs) befassen. Ziel dieser Arbeit war es, die Machbarkeit des maschinellen Lernens für die Kartierung der interferometrischen Aufsetzlinie weiter zu erforschen und die Beiträge ergänzender Merkmale wie Kohärenz, die aus der Phase, dem digitalen Höhenmodell, der Eisgeschwindigkeit, der Gezeitenverschiebung und dem atmosphärischen Druck geschätzt wird, zusätzlich zu den DInSAR-Interferogrammen zu untersuchen. Ein Datensatz aus manuell abgegrenzten GLLs, die im Rahmen des ESA-Projekts Antarctic Ice Sheet Climate Change Initiative erzeugt wurden, und entsprechenden DInSAR-Interferogrammen von ERS-1/2-, Sentinel1- und TerraSAR-X-Missionen über der Antarktis wurde zusammen mit den oben genannten Merkmalen zusammengestellt und zum Training von zwei DNNs verwendet: Holistically-Nested Edge Detection (HED) und UNet. Die entwickelte Verarbeitungskette umfasst die Erstellung des Trainings-Feature-Stacks, das Training der DNNs und die Nachbearbeitung der Ergebnisse. HED übertraf UNet und konnte eine mediane Abweichung (von manuellen Abgrenzungen) von 209,23 m mit einer medianen absoluten Abweichung von 152,91 m erzielen. Die Analyse der Beiträge der einzelnen Merkmale ergab, dass nur die Phase und die abgeleiteten Merkmale (reale und imaginäre Interferogrammkomponenten und Kohärenzschätzungen) die vorhergesagten GLLs wesentlich beeinflussen. Diese Erkenntnis hat den Vorteil, dass bei der Erstellung und Speicherung des oben erwähnten Merkmalsstapels Zeit, Rechenaufwand und Speicherplatz eingespart werden können.      «

Die Aufsetzlinie markiert den Übergang zwischen dem Eis, das auf dem Felsgrund aufgesetzt ist, und dem schwimmenden Schelfeis. Ihre Lage wird für die Schätzung der Massenbilanz des Schelfeises, die Modellierung der Dynamik des Schelfeises und der Gletscher sowie für die Bewertung der Stabilität des Schelfeises benötigt, was ihre langfristige Überwachung rechtfertigt. Die Linie wandert sowohl aufgrund kurzfristiger Einflüsse wie Gezeiten und atmosphärischer Druck als auch aufgrund langfristiger E...     »