Havsbottnar kartläggs för bättre förståelse av glaciärer

Med hjälp av AI ska Martin Jakobsson kartlägga havsbottnar för bättre förståelse av marina glaciärer i ett varmare klimat.

Kunskap om havsbottnarnas djup, batymetri, och form, morfologi, är avgörande för flera marina forskningsområden, till exempel i marin biologi, oceanografi, marin geologi och geofysik. Havsbottentopografin är också grundläggande för många undervattenskonstruktioner, till exempel för utläggning av alla samhällskritiska kommunikationskablar. 

Ett exempel på havsbottentopografins betydelse är glaciärers utsatthet för varmare havsströmmar där de mynnar ut i haven. Djupkanaler kan låta varmare vattenströmmar nå fram och smälta dem underifrån, medan grundområden kan skydda mot samma vatten. Glaciärer som vilar på havsbotten lämnar spår efter sig, ”submarina glaciala landformer”, med information om till exempel hur snabbt de drog sig tillbaka då klimatet värmdes upp efter den senaste nedisningen. 

Automatisera identifiering och klassificering av havsbottnar

Som Wallenberg Scholar vill Martin Jakobsson utveckla metoder med hjälp av artificiell intelligens och maskininlärning för att automatisera identifiering och klassificering av havsbottenformer, med ett fokus på glaciala landformer. Huvudmålet är att öka kunskapen om marina glaciärers dynamik för att bättre förutsäga deras utveckling i ett varmare klimat. Den största osäkerheten i uppskattningar av den globala medelhavsnivåhöjningen ligger i hur mycket dessa isar kommer att förlora i massa. Metoderna kommer även att ha tillämpningar långt utöver studier av glaciala landformer. Ett ytterligare mål med projektet är att etablera maskininlärning i den maringeovetenskapliga forskningen vid Stockholms universitet.

Jakobsson kommer att dra nytta av sin mer än två decenniers långa erfarenhet av maringeofysisk kartläggning av havsbottnar och forskning om den marina kryosfären och ta steget mot att arbeta med artificiell intelligens och maskininlärning genom samarbete med datavetare. Maskininlärningsalgoritmer kommer att tränas med ekolodsdata som samlats in vid expeditioner med början från 2007 då ett multistråligt ekolod installerades på isbrytaren Oden. Jakobssons forskargrupp har också tillgång till data genom det internationella nätverk som byggts upp inom ”International Bathymetric Chart of the Arctic Ocean, IBCAO”. Idag leder de IBCAO-arbetet genom ett globalt karteringsprojekt som heter Seabed 2030, vars mål är att ha världshavens bottnar karterade till år 2030.