什么使神经元?在1940年代，计算机时代到来之初，研究人员赋予了这个词第二个含义。在神经网络的情况下，由它们组成的人工神经元比人们期望的更简单：构造一个代码单元以接收信息，判断信息，将其传递，然后将成千上万的这些“神经元”串在一起，在他们开始显示可以被描述为智力形式的行为时进行观察。从语言翻译器到面部识别软件，再到我们在社交媒体上提供的量身定制的内容供稿，人工神经网络在我们周围得到了广泛使用。

神经网络已开始在冰川学中找到应用，已成为研究气候变化及其对后退冰川影响的重要新工具。甲最近的出版物中的冰冻圈释放并评估新的神经网络被称为前产犊机(CALFIN)，能够从几十年卫星图像的自动识别海洋终止冰川产犊方面的程序。诸如CALFIN之类的程序可以对全世界的冰川损失率进行分类和监测，即使在科学家无法进行手动研究的地点也是如此。

程丹妮(Daniel Cheng)，博士 加州大学尔湾分校计算机科学专业的学生，​​也是该出版物的主要作者，带领CALFIN的发展取得了圆满成功。这个神经网络能够自动识别，测量地球表面的卫星图像中冰川的边缘，并且具有训练有素的科学家的能力，除了它具有自主性，快速性，而且能够可靠地处理无数冰川，这是人类从未有过的。

鉴于人工神经网络核心组件的简单性，它们是非常强大的工具。建立在输入和输出框架的基础上，每个单个神经元都可以接收其后的多个神经元的输出，然后继续权衡每条信息并将它们合成为一个新的单个输出。这个简单的过程由相对基本的统计规则支配，当堆叠和迭代足够多的时间后，它便能够解决异常复杂的问题。以前对于计算机程序来说繁琐的任务(例如，识别图像的特征)现在变得可能，正是从卫星勘测产生的庞大数据集中测量后退冰川所需的功能。

在神经网络看到其分配的任务(为CALFIN识别产犊前沿)之前，其神经元将不具备识别模式的技能，以得出正确的结论(在这种情况下，产犊前沿恰好位于图像中)。与人类婴儿学习的显着并行之处是，可以通过显示数百或数千个正确的结论，来教神经网络(一种称为“训练”的过程)以成功执行任务。用更多的技术术语来说，神经网络在训练过程中看到的每个连续的正确示例都可以让它细化每个神经元中的各个参数，从而使整个网络能够在显示一个新的，不熟悉的示例时复制该路径。

简单神经网络中各个神经元之间的关系。每个单独的神经元在再次传递输入信息之前都要先评估其输入信息。图片来源：Glosser.ca

CALFIN经过培训，使用成千上万张图像识别弯分锋线，历时一周半完成训练并处理整个数据集，该数据集跨越66个格陵兰盆地，并包含1972年至2019年的图像(包括22,678条弯腰锋线)。在人的大脑可能需要几个月掌握模式识别任务; CALFIN神经网络只需要几天的时间。经过训练后，CALFIN能够在距真实位置平均82米以内的地方测量cal陷锋线，这是对以前模型的改进，该模型在该数据集上显示出的距离是该距离的两倍以上。

丹麦和格陵兰岛地质调查局的研究气候学家William Colgan对这项技术在监测这些快速变化的冰川环境方面的进展充满热情。Colgan在接受GlacierHub采访时写道：“我想说的是，大数据(通常是机器学习)将真正改变我们监测格陵兰冰原的方式。” 他描述了历史冰川监测如何集中在“基准”冰川上，由现场研究人员手动研究，并且在扩大规模以了解区域趋势时是不可靠的。“我认为机器学习现在提供了一种强大的方法，可以扩展一些特定于站点和过程级别的观察结果，以讲述更大的区域故事。”

主要作者Cheng着重于CALFIN整个开发过程中的更广泛的区域能力，因为他说：“首要目标和关注点是确保CALFIN能够处理各种各样的环境，地理以及诸如云或阴影之类的问题。” CALFIN当然已经实现了这一目标。就像人的大脑即使在面部的一部分在明亮的阳光下而在深色的阴影中也能识别一个人的身份一样，CALFIN也可以使用其训练来处理不完美或部分阴影的图像并得出正确的结论。

但是，Cheng并不想在此停下来，CALFIN的下一步包括提高神经网络的准确性，提取海岸线或冰山之类的不同特征以及将其当前数量增加到近23,000张已分析图像。

冰川学家的未来将很快成为人类研究人员和人工智能之间的共同努力，冰川学家将利用人类直觉和神经网络计算能力的优势来促进他们对理解的追求。正如Colgan解释的那样，机器学习很棒，但是它总是需要训练数据。人工智能可能无法收集基准观测值，但是它确实有望使这些观测值更具科学价值，并提高冰川监测的效率。格陵兰岛本世纪的冰流失率将比过去12,000年中的任何其他年份都要高。由于后果不堪设想，冰川学家需要一切可用资源。