Abstrak
Mengukur hilangnya es danau sangat penting untuk memahami dampak perubahan iklim terhadap ekosistem danau. Dalam studi ini, kami melatih model pembelajaran mendalam (Memori Jangka Panjang-Pendek dengan pengamatan Landsat, 1984–2012) untuk mensimulasikan perubahan es danau di Belahan Bumi Utara pada skala spasial yang halus.persamaan matematikadari tahun 1980 hingga 2022. Model tersebut mencapai kinerja yang baik secara keseluruhan selama periode pengujian (2013–2022), dan es yang terbentuk dan yang mencair cocok dengan dua set data fenologi es yang independen. Hasil penelitian mengungkapkan peningkatan 76,8% pada danau yang tertutup es secara berkala dari tahun 1980-an hingga 2010-an, bersamaan dengan durasi es yang lebih pendek 10,7 hari dan pengurangan 3,9 poin persentase pada fraksi tutupan es rata-rata tahunan. Model tersebut dapat melacak perubahan tutupan es parsial harian, memberikan kontribusi baru untuk memahami pergeseran tutupan es danau akibat perubahan iklim. Temuan ini dapat memberikan wawasan berharga untuk studi limnologi di masa mendatang, seperti meningkatkan estimasi emisi gas rumah kaca dari danau.
Poin-poin Utama
- Jaringan saraf Memori Jangka Panjang dan Pendek memberikan lapisan es harian yang baru untuk danau
di belahan bumi utara - Rata-rata, danau di belahan bumi utara kehilangan 3,92% lapisan esnya dari tahun 1980 hingga 2022
- Eropa dan Alaska merupakan dua titik panas utama hilangnya es danau selama 40 tahun terakhir
Ringkasan Bahasa Sederhana
Memahami perubahan es danau sangat penting untuk mempelajari dampak perubahan iklim. Dengan menggunakan data satelit, kami melatih model untuk mensimulasikan tutupan es danau global dari tahun 1980 hingga 2022. Model tersebut mencapai kinerja yang baik secara keseluruhan di seluruh danau di Belahan Bumi Utara, dan tutupan es yang disimulasikan cocok dengan kumpulan data es danau independen. Hasilnya mengungkapkan bahwa jumlah danau yang tertutup es secara berkala meningkat sebesar 76,8% dari tahun 1980-an hingga 2010-an. Kami juga menemukan bahwa es terbentuk sekitar 8,0 hari kemudian, mencair 4,0 hari lebih awal, dan fraksi tutupan es secara keseluruhan telah menyusut hampir 3,9 poin persentase dari tahun 1980 hingga 2022. Fitur utama model kami adalah kemampuannya untuk melacak perubahan harian pada tutupan es pada skala spasial yang halus, yang menawarkan wawasan berharga untuk penelitian tentang dampak terkait iklim seperti emisi gas rumah kaca dari danau.
1 Pendahuluan
Es danau merupakan komponen penting dari kriosfer Bumi, yang memainkan peran penting dalam mengatur ekosistem danau air tawar (Hampton et al., 2017 ), anggaran panas regional (Li et al., 2022 ), dan siklus karbon global (Johnson et al., 2022 ; Phelps et al., 1998 ). Selain itu, banyak aktivitas manusia sangat bergantung pada lapisan es musiman, termasuk rekreasi, transportasi, dan acara budaya (Arp et al., 2019 ; Knoll et al., 2019 ; Woolway et al., 2022 ). Banyak penelitian telah menunjukkan hilangnya es danau secara luas secara global selama beberapa dekade terakhir (Robertson et al., 1992 ; Sharma et al., 2019 ; X. Wang et al., 2022 ), dan tren ini diproyeksikan akan terus berlanjut di masa depan karena perubahan iklim (Weyhenmeyer et al., 2022 ; Woolway et al., 2022 ). Pergeseran waktu kemunculan es dan durasi es yang lebih pendek dapat meningkatkan paparan atmosfer pada permukaan air danau, sehingga mengubah stratifikasi vertikal suhu air, oksigen terlarut, dan nutrisi, yang pada gilirannya berdampak parah pada keanekaragaman hayati akuatik dan terestrial (Bondarenko et al., 2006 ; Cavaliere et al., 2021 ). Untuk mengatasi tantangan hilangnya lapisan es, kumpulan data yang komprehensif diperlukan untuk memahami dinamika dan tren globalnya dari waktu ke waktu.
Kumpulan data es danau global yang ada dapat dikelompokkan ke dalam tiga kategori utama menurut metode akuisisi: catatan in situ, observasi satelit penginderaan jauh, dan simulasi model numerik. Data in situ, yang biasanya berisi fenologi es danau tahunan (misalnya, tanggal es muncul, tanggal es hilang, dan durasi es) adalah pendekatan paling langsung untuk menggambarkan perubahan es danau dari waktu ke waktu (Beyene et al., 2018 ; Sharma et al., 2019 , 2021 ; Shuter et al., 2013 ). Selain itu, beberapa catatan in situ dapat ditelusuri kembali ke beberapa abad yang lalu, seperti catatan es untuk Danau Suwa, yang berasal dari tahun 1443 (Sharma et al., 2016 ). Kumpulan data es danau in situ global terkini menggambarkan fenologi es tahunan untuk 2.499 danau yang berkisar dari 0,1 hingga 31.967,8
dalam ukuran di 15 daerah di Belahan Bumi Utara (Basu et al., 2024 ). Meskipun domain spasialnya relatif besar, kumpulan data tersebut tidak cukup untuk mewakili fenologi es danau global karena tidak adanya catatan di daerah terpencil dan sulit dijangkau, seperti Dataran Tinggi Tibet dan Siberia Utara. Untuk mengatasi masalah ini, penginderaan jarak jauh satelit yang dapat memberikan pengamatan dengan cakupan hampir global telah diterapkan secara luas untuk memperkirakan fenologi es tahunan dalam skala spasial yang besar (Du et al., 2017 ; Carrea et al., 2023 ; X. Wang et al., 2022 ).
Sensor satelit utama yang memiliki algoritma klasifikasi piksel es yang kuat dan telah diterapkan untuk menghasilkan set data es danau global meliputi MODIS Aqua/Terra (Carrea et al., 2023 ; X. Wang et al., 2022 ), AMSR-E/2 (Cai et al., 2022 ), dan Landsat 5–9 (X. Wang et al., 2021 ). Baik MODIS Aqua/Terra maupun AMSR-E/2 dapat memberikan pengamatan hampir setiap hari, tetapi resolusi spasialnya yang relatif kasar (500 m untuk MODIS dan 5 km untuk AMSR) menghambat pemantauan danau kecil dengan luas < Landsat dapat menyediakan citra dengan resolusi spasial yang lebih tinggi (30 m), tetapi periode peninjauan ulang yang lama (rata-rata 16 hari) dan tutupan awan (yang juga menjadi masalah dengan MODIS) menyulitkan penyelesaian variabilitas temporal fraksi tutupan es, terutama untuk wilayah berawan seperti Kepulauan Inggris (Armitage et al., 2013 ). Menggunakan sensor satelit gelombang mikro resolusi tinggi seperti Sentinel-1 yang tidak tertutup awan dan memiliki pengamatan yang relatif sering (∼6 hari) mungkin berguna untuk meningkatkan ketersediaan data dari waktu ke waktu. Meskipun demikian, algoritma klasifikasi saat ini untuk piksel es berdasarkan Sentinel-1 dan sensor SAR lainnya terbatas pada danau-danau individual di Amerika Utara dan wilayah Nordik dan belum divalidasi secara global (Murfitt & Duguay, 2020 ; Murfitt et al., 2023 ; Tom et al., 2020 ). Tidak seperti penginderaan jarak jauh satelit, model numerik dapat memberikan pengamatan berkelanjutan harian atau bahkan sub-harian pada skala global. Model numerik di sini merujuk pada simulator danau berbasis proses yang dibangun berdasarkan hukum konservasi massa dan energi dan diintegrasikan ke dalam berbagai model iklim global (GCM), seperti model Danau Air Tawar (Flake) dalam model permukaan tanah Pusat Prakiraan Cuaca Jangka Menengah Eropa (ECMWF) (nama produk keluarannya adalah ERA5-Land) (Muñoz-Sabater et al., 2021 ), dan Simulator Danau, Es, Salju, dan Sedimen (LISSS) dalam Model Sistem Bumi Komunitas versi 2.0 (CESM2) (Huang et al., 2022 ). Meskipun kontinuitas temporal dan cakupan global, peringatan utama adalah ukuran grid kasar untuk model numerik tersebut (misalnya, untuk ERA5-Land dan 110 km × 110 km untuk CESM2, yang menghalangi mereka menyelesaikan variabilitas spasial dalam fenologi es untuk danau yang luasnya lebih kecil dari ukuran grid model). Dalam penelitian ini, kami melatih model Memori Jangka Panjang dan Pendek (LSTM) menggunakan observasi Landsat beresolusi 30 m untuk menciptakan kembali fraksi tutupan es harian untuk 107.257 danau di Belahan Bumi Utara, dengan ukuran mulai dari 0,1 hingga 4266,6 , untuk periode 1980 hingga 2022. Daripada bertujuan untuk memajukan metodologi pembelajaran mendalam, tujuan utama kami adalah untuk memanfaatkan kekuatan LSTM dalam menangani data yang besar dan berurutan untuk membangun set data es danau yang unik dengan variabilitas harian dan resolusi spasial yang tinggi, yang belum dibahas dalam studi sebelumnya. Dengan keluaran model, kami memetakan perubahan empat dekade (1980–2020) dari danau yang tertutup es secara berkala dan tahunan dan menyoroti danau tempat beberapa peristiwa beku-cair terjadi. Untuk danau yang tertutup es setiap tahun, kami melakukan analisis tren untuk menilai perubahan historis (1980–2022) dalam waktu beku-cair, durasi lapisan es lengkap, dan fraksi lapisan es rata-rata tahunan.
2 Metode
2.1 Kumpulan Data
Bahasa Indonesia: Mengikuti studi es danau global sebelumnya (Basu et al., 2024 ; Sharma et al., 2019 ; X. Wang et al., 2021 , 2022 ), kami memperoleh poligon danau dan atribut dari HydroLAKES (Messager et al., 2016 ). Menurut HydroLAKES, ada sekitar 1,4 juta danau di Belahan Bumi Utara. Kami melakukan serangkaian proses penyaringan data (misalnya, menghilangkan danau di wilayah hangat) dan memilih subset 107.247 danau (Gambar S1 dalam Informasi Pendukung S1 ) sebagai danau studi menggunakan metode pengambilan sampel acak sistematis (langkah-langkah terperinci dapat ditemukan di Teks S1 dalam Informasi Pendukung S1 ). Variabel masukan model mencakup atribut danau statis dan variabel meteorologi yang dianggap sebagai faktor pendorong utama proses pembekuan dan pencairan danau (Sharma et al., 2019 , 2020 ). Kami memilih lima variabel HydroLAKES—luas danau, volume total, elevasi, waktu tinggal, dan panjang garis pantai—berdasarkan relevansinya dengan proses es danau (Messager et al., 2016 ; Sharma et al., 2019 ) dan kontribusinya untuk meningkatkan kinerja model sebagaimana ditentukan melalui pengujian berulang (Lihat Teks S3 di Informasi Pendukung S1 ). Data meteorologi (kecepatan angin, suhu udara, radiasi matahari, hujan salju, dan total presipitasi) diperoleh dari ERA5-Land dan diagregasi dari per jam hingga harian (1980–2022) (Muñoz-Sabater et al., 2021 ). Semua variabel input dapat ditemukan di Tabel S1 di Informasi Pendukung S1 . Untuk setiap danau, kami menghitung data meteorologi rata-rata tertimbang area untuk menggambarkan kondisi cuaca danau secara keseluruhan. Variabel target, fraksi tutupan es danau, yang didefinisikan sebagai proporsi area tertutup es terhadap total area danau, diekstraksi untuk setiap danau studi dari pengamatan satelit Landsat 5TM, 7 ETM+, 8 OLI dan 9 OLI-2 30-m yang mencakup tahun 1984 hingga 2022. Untuk klasifikasi piksel es danau, algoritma yang paling umum digunakan adalah Function of Mask (Fmask) (X. Wang et al., 2021 ); namun, Fmask tidak dapat secara efektif membedakan es versus air pada air dengan kekeruhan tinggi dan piksel es gelap (Yang et al., 2020 ). Oleh karena itu, kami menggunakan algoritma hutan acak bernama Sensitive Lake Ice Detection (SLIDE), yang terbukti mengungguli Fmask pada klasifikasi piksel es gelap (Yang et al., 2021 ). Rata-rata, 379 observasi fraksi tutupan es yang valid (celah temporal 40 hari) diperoleh untuk setiap danau studi setelah menyaring data dengan tutupan awan di dalam danau >5% dan <10 piksel bening (tanpa tutupan awan) di dalam poligon danau (Lihat Gambar S1 di Informasi Pendukung S1). Seluruh proses ekstraksi lapisan es dilakukan di Google Earth Engine (GEE). Langkah-langkah terperinci dari pemrosesan GEE dan pembersihan data terkait dapat ditemukan di Teks S2 dalam Informasi Pendukung S1 .
2.2 Pengembangan Model
Model yang kami gunakan untuk membangun set data fraksi tutupan es danau adalah jaringan saraf LSTM, yang telah berhasil diterapkan untuk memodelkan banyak deret waktu lingkungan, seperti aliran sungai (Kratzert et al., 2018 ), kelembapan tanah (Fang et al., 2017 ), dan suhu air (Willard et al., 2022 ). LSTM adalah versi yang disempurnakan dari Jaringan Saraf Berulang (RNN) tradisional dengan menambahkan tiga gerbang kontrol (input, forget, dan output) untuk mempertahankan dan membuang informasi dari waktu ke waktu, yang memungkinkan model untuk mengatasi dependensi jangka panjang sambil membuat prediksi (Hochreiter & Schmidhuber, 1997 ). Penjelasan arsitektur terperinci dan pilihan hiperparameter dari model LSTM dapat ditemukan di Teks S3 di Informasi Pendukung S1 . Implementasi model LSTM relatif standar, dengan satu modifikasi utama dari fungsi kerugian. Dalam banyak kasus, Mean Square Error (MSE) yang digunakan secara tradisional menghalangi model untuk mereproduksi persistensi kondisi yang tertutup es sepenuhnya dan bebas es, jadi kami menggunakan Mean Square Error (WMSE) tertimbang sebagai fungsi kerugian dengan menghukum model ketika tidak menangkap kondisi yang tertutup es sepenuhnya dan sepenuhnya. Perbandingan terperinci penggunaan MSE dan WMSE sebagai fungsi kerugian dapat ditemukan di Teks S4 dalam Informasi Pendukung S1 . Karena pengamatan Landsat memiliki cakupan spasial hampir global (yaitu, tidak ada danau yang tidak teramati), kami memilih untuk mengevaluasi terutama kemampuan model untuk memprediksi es danau pada waktunya. Model ini dilatih dari 31/01/1984-31/12/2012 (Landsat 5 & 7) dan diuji selama 01/01/2013-31/12/2022 (Landsat 8 & 9). Selama periode pengujian, root mean square error (RMSE) digunakan untuk mengevaluasi kinerja model dalam memprediksi fraksi lapisan es. Sementara metrik lain seperti efisiensi Nash-Sutcliffe (NSE) digunakan dalam memvalidasi prediksi deret waktu hidrologi, metrik tersebut terbatas ketika variabilitas variabel target relatif rendah, seperti suhu air permukaan danau di daerah tropis (Piccolroaz et al., 2020 ) dan fraksi lapisan es di wilayah hangat.
2.3 Derivasi dan Validasi Fenologi Es Danau
Pertama, kami mengklasifikasikan danau studi sebagai danau yang tertutup es setiap tahun atau tertutup es secara berkala menurut studi es danau global sebelumnya (Sharma et al., 2019 ). Danau yang tertutup es setiap tahun didefinisikan sebagai danau yang membeku sepenuhnya (dengan lebih dari 95% lapisan es) setiap tahun selama periode yang diberikan, sementara danau yang tertutup es secara berkala adalah danau yang gagal membeku sepenuhnya selama setidaknya 1 tahun (kurang dari 95% lapisan es). Di antara danau yang tertutup es setiap tahun, kami juga mengidentifikasi danau yang mengalami satu atau lebih peristiwa beku-cair, di mana lapisan es turun di bawah 5% dan kemudian kembali ke 95% atau lebih antara tanggal es muncul dan es menghilang selama setidaknya 1 tahun, mengklasifikasikannya sebagai danau yang membeku kembali setiap tahun. Danau tertutup es tahunan yang tersisa diklasifikasikan sebagai danau beku tahunan. Di setiap danau studi, kami mengubah fraksi lapisan es harian yang diprediksi oleh model LSTM menjadi statistik fenologi es tahunan. Tanggal es muncul ditentukan sebagai hari pertama danau tertutup es seluruhnya (fraksi lapisan es ), dan tanggal pencairan es adalah hari terakhir sebelum danau memasuki fase perairan terbuka (fraksi lapisan es ) setelah tanggal es muncul (Cai et al., 2022 ). Kami mendefinisikan durasi es sebagai jumlah hari danau tertutup es antara tanggal terbentuknya es dan tanggal mencairnya es. Untuk validasi dengan kumpulan data es danau Dataran Tinggi Tibet, kami mempertimbangkan “akhir pembekuan” sebagai terbentuknya es, “akhir pecah” sebagai mencairnya es, dan durasi tertutup es sebagai durasi es karena definisinya serupa. Selain pengujian dengan data Landsat selama 2013–2022, kami memvalidasi prediksi model dengan dua set data fenologi es danau yang independen. Set validasi pertama adalah set data fenologi es danau in situ global yang baru-baru ini diterbitkan, yang berisi tanggal es muncul dan tanggal es menghilang untuk 2.499 danau di 15 negara di Belahan Bumi Utara (Basu et al., 2024 ). Kami memfilter set data dengan cakupan spasial dan periode simulasi model kami (1980–2022). Setelah penyaringan data, 23.388 catatan es di atas dan 294.516 catatan es di luar di 2.371 danau digunakan untuk validasi model. Karena set data in situ tidak berisi danau di Dataran Tinggi Tibet, kami menyertakan set validasi kedua dari fenologi es danau Dataran Tinggi Tibet yang diperoleh dengan menggabungkan pengamatan penginderaan jarak jauh (MODIS Terra) dengan pemodelan numerik (Wu et al., 2022 ). Set data ini berisi tanggal mulai & berakhirnya pembekuan, tanggal mulai & berakhirnya pemecahan, durasi tertutup es, dan durasi tertutup es sepenuhnya untuk 132 danau (area >40
) dari tahun 1976 hingga 2016 di Dataran Tinggi Tibet. Saat memvalidasi kinerja model dengan set data es danau Dataran Tinggi Tibet, kami menemukan bahwa menghilangkan danau dengan kesalahan tinggi (RMSE >0,2) selama pelatihan model dapat secara efektif mengurangi bias dalam fenologi es danau Dataran Tinggi Tibet dibandingkan dengan set data yang dirujuk. Proses terperinci untuk menghilangkan danau abnormal ditunjukkan dalam Teks S5 di Informasi Pendukung S1 . Hasil yang ditunjukkan dalam studi ini diperoleh dari model LSTM yang dilatih ulang.
2.4 Analisis Tren Es Danau Historis
Pertama, kami memetakan perubahan intermitensi es danau selama empat dekade terakhir (1980-an, 1990-an, 2000-an, dan 2010-an). Setelah itu, kami mengekstrak statistik fenologi es danau tahunan untuk setiap danau yang tertutup es setiap tahun dari tahun 1980 hingga 2022, termasuk tanggal es muncul, tanggal es menghilang, durasi es, dan fraksi rata-rata lapisan es tahunan. Untuk menganalisis tren, kami menerapkan uji Mann-Kendall (MK) pada setiap metrik fenologi dan menghitung kemiringan Sen untuk setiap danau. Setelah menganalisis tren danau individual, kami melakukan analisis tren global dengan merata-ratakan fenologi es danau di semua danau yang diteliti dan menerapkan uji MK dan kemiringan Sen untuk menilai perubahan es danau global.
3 Hasil
3.1 Kinerja Model
Model LSTM berkinerja baik selama periode pelatihan dan pengujian, mencapai median RMSE sebesar 0,155 selama pelatihan dan 0,133 selama pengujian (Gambar 1a1–1a2 ). Secara geografis, model berhasil mencapai kinerja yang baik di wilayah lintang tinggi tempat es danau terjadi setiap tahun (misalnya, Kanada) dan wilayah lintang rendah tempat lapisan es kurang umum (misalnya, Eropa barat). Contoh seri waktu fraksi lapisan es danau yang disimulasikan/diamati dapat ditemukan pada Gambar S3 dalam Informasi Pendukung S1 . Meskipun kinerjanya secara keseluruhan baik, model tersebut berjuang dengan danau-danau di Kanada barat laut, Alaska selatan, pegunungan tinggi Asia, dan (lihat Gambar 1a2 ). Di antara wilayah-wilayah dengan kesalahan tinggi ini, model tersebut menunjukkan bias positif umum (perkiraan berlebihan lapisan es) di Kanada barat laut dan Alaska selatan, sedangkan di pegunungan tinggi Asia biasnya lebih bervariasi, dengan contoh perkiraan berlebihan dan perkiraan kurang (lihat Gambar S4 dalam Informasi Pendukung S1 ). Khususnya, kinerja di danau gletser secara signifikan lebih rendah daripada di danau non-gletser, dengan RMSE sebesar 0,166 dan 0,147 untuk danau non-gletser dibandingkan dengan 0,320 dan 0,314 untuk danau gletser selama pelatihan dan pengujian, masing-masing (lihat Gambar S5 dalam Informasi Pendukung S1 ). Selain itu, model tersebut berkinerja lebih buruk di danau yang diatur manusia dibandingkan dengan danau alami, dengan RMSE pelatihan dan pengujian sebesar 0,202 dan 0,196 untuk danau yang diatur versus 0,167 dan 0,149 untuk danau alami (lihat Gambar S6 dalam Informasi Pendukung S1 ).
Mengenai klasifikasi danau yang tertutup es tahunan & intermiten, model LSTM mencapai akurasi 97,3%, mengidentifikasi dengan benar 63,8% danau yang tertutup es intermiten (37 dari 58) (lihat matriks kebingungan pada Tabel S2 dalam Informasi Pendukung S1 ). Untuk validasi fenologi es danau tahunan (Gambar 1b1–1c2 ), fenologi es yang diperoleh dari model selaras dengan baik dengan dua set data independen, tidak menunjukkan bias signifikan terhadap prediksi yang lebih hangat atau lebih dingin (bias statistik
hari). Di kedua set data validasi, tanggal lepasnya es yang diperoleh dari model lebih akurat dibandingkan prediksi es yang muncul, dengan
dibandingkan dengan 0,459 untuk set data in situ, dan
dibandingkan dengan 0,337 untuk set data Dataran Tinggi Tibet.
3.2 Hilangnya Es Danau Secara Historis
Jumlah danau yang tertutup es secara berkala meningkat dari 7.988 pada tahun 1980-an menjadi 14.122 pada tahun 2010-an, yang mewakili peningkatan sebesar 76,79% selama empat dekade (lihat Gambar 2a dan 2d ). Di antara danau yang tertutup es setiap tahun, jumlah yang mengalami peristiwa pembekuan ulang meningkat dari 1.002 pada tahun 1980-an menjadi 2.099 pada tahun 1990-an dan kemudian menurun menjadi 974 pada tahun 2000-an dan 383 pada tahun 2010-an. Secara geografis, Eropa menjadi hotspot untuk hilangnya lapisan es danau tahunan, dengan danau yang tertutup es secara berkala menyebar ke arah timur (Gambar 2 ). Khususnya, banyak danau, terutama di Eropa, mengalami peristiwa pembekuan kembali pada tahun 1980-an dan 1990-an dan kemudian berubah menjadi lapisan es yang terputus-putus pada tahun 2000-an dan 2010-an.
Bahasa Indonesia: Selain perubahan dalam intermitensi es, model kami mengungkap tren global yang signifikan dari hilangnya es danau dari tahun 1980 hingga 2022, termasuk penundaan 8,00 hari pada tanggal es muncul (0,1905 hari/tahun × 42 tahun), tanggal es lepas 3,96 hari lebih awal (−0,0943 hari/tahun × 42 tahun), pengurangan 10,67 hari (−2,5396 hari/tahun × 42 tahun) dalam durasi es, dan penurunan 3,92% poin (−0,09/tahun × 42 tahun) dalam fraksi lapisan es (lihat Gambar 3b1–3b4 ). Secara regional, Eropa dan Alaska adalah dua hotspot untuk tanggal es muncul yang tertunda (Gambar 3a1 ), sementara danau-danau di Asia barat laut dan Nordik mengalami es lepas paling awal yang paling menonjol (Gambar 3a2 ). Distribusi spasial tren durasi es (Gambar 3a3 ) dan fraksi rata-rata lapisan es (Gambar 3a4 ) menunjukkan pola yang sama dengan tren es dan menyoroti Eropa dan Alaska sebagai dua tempat utama hilangnya lapisan es. Meskipun sebagian besar danau menunjukkan tren hilangnya es, perubahan di banyak danau Kanada tidak signifikan secara statistik ( p < 0,05). Beberapa danau di wilayah Pegunungan Rocky Kanada bahkan mengalami peningkatan signifikan dalam lapisan es, yang berlawanan dengan tren global.
4 Diskusi dan Kesimpulan
Model kami menunjukkan tren global dari es yang terbentuk tertunda dan es yang mencair lebih awal dalam beberapa dekade terakhir, konsisten dengan studi sebelumnya (Huang et al., 2022 ; Sharma et al., 2019 ; Li et al., 2022 ; Newton & Mullan, 2021 ; X. Wang et al., 2022 ). Mengenai distribusi spasial dari tren ini, hasilnya selaras erat dengan studi pemodelan es danau global baru-baru ini menggunakan model ECMWF (Li et al., 2022 ), yang menunjukkan hotspot serupa untuk tanggal terbentuknya es yang tertunda (Eropa dan Alaska) dan tanggal mencair lebih awal (Asia barat laut dan kawasan Nordik), serta tren durasi es yang meningkat di Kanada barat laut, yang dikaitkan dengan pendinginan regional dan peningkatan tutupan salju (Tronstad et al., 2024 ). Selain itu, laju perubahan es yang dihitung oleh model ECMWF adalah 1,68 hari/dekade dari tahun 1979 hingga 2020, yang mendekati 1,90 hari/dekade yang diamati dalam penelitian kami. Namun, laju perubahan es yang diperoleh dari ECMWF adalah -2,03 hari/dekade, sekitar 2,1 kali lebih cepat dari perkiraan kami sebesar -0,94 hari/dekade. Perbedaan ini mungkin disebabkan oleh pengecualian danau Arktik (lintang
) saat melatih model LSTM, di mana pengaturan waktu pencairan pegas telah jauh lebih awal dalam beberapa dekade terakhir (Dauginis & Brown, 2021 ; Hazuková et al., 2024 ).
Dibandingkan dengan model es danau global yang ada, model kami menunjukkan beberapa keunggulan. Selama validasi dengan set data in situ (lihat Gambar 1 ), model kami tidak menunjukkan bias yang signifikan, sedangkan model CESM2, yang digunakan dalam studi es danau global terkini (Huang et al., 2022 ), menunjukkan bias yang lebih hangat, sehingga durasi es sekitar 14,9 hari lebih pendek. Lebih jauh, model CESM2 tidak dapat mengatasi perbedaan antara danau dalam
sel grid, sementara model kami dapat mengatasi heterogenitas lapisan es pada skala spasial yang lebih halus (Lihat Gambar S12 dalam Informasi Pendukung S1 ). Studi terbaru lainnya mengembangkan model hutan acak (RF) yang dapat memprediksi fenologi es untuk danau yang lebih kecil dari
dan mencapai kinerja yang lebih baik (
untuk es dan
untuk pencairan es) daripada model kami saat melakukan validasi dengan set data in situ (Basu et al., 2024 ). Perbedaan ini mungkin disebabkan oleh ketidakpastian yang melekat dalam mengonversi fraksi lapisan es ke fenologi es danau tahunan, karena definisi tanggal es muncul dan es mencair bervariasi di berbagai danau (Sharma et al., 2022 ). Namun, observasi satelit memiliki cakupan spasial yang lebih komprehensif daripada set data in situ. Ini penting karena mengekstrapolasi prediksi atas wilayah yang tidak terukur dengan pola unik merupakan tantangan bagi model pembelajaran mesin (Muhebwa et al., 2024 ; Wi & Steinschneider, 2022 ), dan observasi satelit global dapat mengisi kesenjangan data dan secara efektif mengurangi keterbatasan ini (Elmer et al., 2021 ). Misalnya, danau di Dataran Tinggi Tibet mengalami radiasi matahari musim dingin yang jauh lebih kuat dibandingkan dengan wilayah lain (Kirillin et al., 2021 ). Bahasa Indonesia: Jika model pembelajaran mesin belum melihat radiasi surya yang begitu tinggi selama pelatihan, prediksi atas danau-danau Dataran Tinggi Tibet cenderung bias. Dalam eksperimen kami untuk melatih LSTM dengan beberapa subset danau (lihat Teks S5 dalam Informasi Pendukung S1 ), kami menemukan bahwa mengecualikan data Dataran Tinggi Tibet dari set pelatihan mengakibatkan tanggal es muncul lebih awal dan tanggal es lepas lebih lambat dibandingkan dengan Wu et al. ( 2022 ) (Gambar S10a2–S10b2 dalam Informasi Pendukung S1 ). Khususnya, set data in situ es danau global saat ini tidak memiliki data dari danau-danau Dataran Tinggi Tibet (Basu et al., 2024 ), yang menunjukkan bahwa model pembelajaran mesin yang dilatih pada set data ini dapat menghasilkan prediksi yang bias untuk danau-danau Dataran Tinggi Tibet. Ini menggarisbawahi pentingnya memanfaatkan pengamatan satelit ketika mengembangkan model es danau global. Namun, ketika semua pengamatan satelit yang tersedia disertakan, model tersebut menunjukkan bias sistematis terhadap prediksi es yang muncul kemudian (Gambar S10a3–S10b3 dalam Informasi Pendukung S1 ). Hal ini dapat dikaitkan dengan kesalahan klasifikasi piksel es gelap (lihat Gambar S11 dalam Informasi Pendukung S1 ), yang menyebabkan model tersebut meremehkan fraksi lapisan es pada hari-hari ketika danau diperkirakan tertutup es sepenuhnya.
Model LSTM yang dikembangkan dalam studi ini memiliki beberapa keterbatasan dan memerlukan perbaikan lebih lanjut. Pertama, model LSTM tidak dapat secara akurat menangkap dinamika lapisan es di atas danau gletser (lihat Gambar S5 dalam Informasi Pendukung S1 ), mungkin karena pengaruh aktivitas pergerakan gletser yang tidak diperhitungkan dalam model (Carrivick & Tweed, 2013 ). Demikian pula, regulasi manusia tidak dipertimbangkan, yang mengarah pada kinerja model yang lebih rendah di danau yang diatur dibandingkan dengan yang alami (lihat Gambar S6 dalam Informasi Pendukung S1 ). Keterbatasan lain adalah bahwa set pelatihan tidak mencakup pengamatan dari danau raksasa yang mencakup beberapa petak Landsat (180 km × 180 km), seperti Great Lakes di Amerika Utara, karena keterbatasan memori GEE saat membuat mosaik beberapa petak (Yang & Pavelsky, 2022 ). Akibatnya, prediksi yang diekstrapolasi atas danau-danau besar ini mungkin tidak dapat diandalkan. Menggabungkan data dari platform satelit lain, seperti MODIS Aqua/Terra, dapat meningkatkan kinerja model di danau-danau besar (X. Wang et al., 2022 ). Fungsi kerugian model LSTM dimodifikasi agar lebih sensitif terhadap 0%–5% dan 95%–100% untuk menangkap tanggal es muncul dan tanggal es hilang dengan benar. Namun, penyesuaian ini dapat mengurangi sensitivitas model terhadap fraksi lapisan es parsial (5%–95%). Dalam penelitian mendatang, fungsi kerugian dapat diadaptasi ke berbagai bentuk berdasarkan tujuan penelitian tertentu. Misalnya, menggunakan MSE tradisional jika prioritasnya adalah menangkap fraksi lapisan es parsial secara akurat. Terakhir, model LSTM dapat digunakan untuk memproyeksikan perubahan masa depan pada lapisan es danau menggunakan produk Model Iklim Global (GCM) yang diturunkan skalanya dan dikoreksi bias, seperti Proyeksi Turun Skala Harian Global NASA Earth Exchange (Thrasher et al., 2022 ). Namun, kami tidak yakin dengan kemampuan generalisasi model dalam skenario ini tanpa pengujian lebih lanjut karena dapat menghasilkan proyeksi yang tidak realistis terhadap aturan fisik (Wi & Steinschneider, 2022 ). Memperkenalkan kendala fisik ke dalam model LSTM dapat meningkatkan keandalan proyeksinya (Daw et al., 2017 ; Read et al., 2019 ), meskipun evaluasi lebih lanjut diperlukan.
Meskipun model tersebut memiliki keterbatasan, kemampuan untuk memprediksi fraksi lapisan es harian yang berkesinambungan (menurut pengetahuan kami) bersifat unik dan dapat memberikan berbagai peluang untuk penelitian limnologi. Kesinambungan harian memungkinkan untuk menangkap beberapa peristiwa beku-cair sepanjang musim dingin (lihat Gambar 2 ), yang sangat penting untuk memahami proses atmosfer dan danau. Meskipun saat ini tidak ada kumpulan data berskala besar untuk memvalidasi beberapa peristiwa beku-cair ini, menangkapnya dapat memberikan wawasan penting tentang frekuensi, durasi, dan dampaknya terhadap biogeokimia danau dan dinamika ekosistem. Misalnya, banyak penelitian telah menunjukkan bahwa emisi gas rumah kaca (GRK), khususnya metana, meningkat secara signifikan selama musim pencairan musim semi, karena gas-gas ini dapat terakumulasi di bawah es dan dilepaskan saat es mencair (Johnson et al., 2022 ; Matthews et al., 2020 ; Spangenberg et al., 2021 ). Beberapa peristiwa beku-cair selama periode tertutup es dapat mengakibatkan pelepasan gas GRK lebih awal dan meningkatkan masukan karbon eksternal ke dasar danau, yang selanjutnya dapat mengubah keseimbangan GRK danau-atmosfer (Denfeld et al., 2018 ). Selain itu, lapisan es parsial juga penting untuk studi limnologi karena dapat meningkatkan akurasi estimasi penguapan global. Laju penguapan biasanya ditetapkan sebagai 0 ketika danau tertutup es seluruhnya (Hostetler & Bartlein, 1990 ; B. Zhao et al., 2024 ); namun, studi penguapan danau global yang ada hanya memperhitungkan dua jenis status lapisan es: beku seluruhnya atau perairan terbuka (G. Zhao et al., 2022 ; W. Wang et al., 2018 ). Kategorisasi biner ini dapat menyebabkan perkiraan yang lebih rendah dari laju penguapan selama periode tertutup es sebagian, yang dapat diatasi dengan menggunakan data fraksi lapisan es. Penelitian di masa depan dapat menghitung jumlah penguapan air harian sebagai berikut:
, dimana
dapat diperoleh dari model keseimbangan energi (G. Zhao et al., 2022 ). Prinsip yang sama dapat diterapkan pada studi GRK danau untuk mengatasi dampak variasi tutupan es harian, di mana
dapat diperoleh dari model bio-geokimia (Johnson et al., 2022 ). Sebagai kesimpulan, fraksi lapisan es harian yang berkelanjutan memberikan wawasan berharga tentang dinamika ekosistem danau, mendukung pemahaman yang lebih baik tentang proses musiman dan dampaknya terhadap emisi gas rumah kaca, kimia air, dan interaksi ekologis di danau yang tertutup es.
