Genauere Informationen über die Positionen der Abbruchfronten von Meeres- oder See-terminierenden Gletschern sind eine grundlegende Gletschergröße zur Analyse aktueller Gletscherveränderungsprozesse und zur Abschätzung weiterer Variablen wie der Frontablationraten. In den letzten Jahren haben Forscher begonnen, Algorithmen einzusetzen, die die Abbruchfronten automatisch auf Satellitenbildern erkennen können. Die meisten Studien nutzen optische Bilder, da Abbruchfronten in diesen Bildern aufgrund ausreichender räumlicher Auflösung und der Verfügbarkeit verschiedener Spektralbänder oft leicht zu unterscheiden sind, was die Trennung von Eismerkmalen ermöglicht. Die Erkennung von Abbruchfronten auf Bildern mit synthetischer Apertur-Radar (SAR) ist jedoch besonders wünschenswert, da SAR-Bilder auch während der Polar-Nacht aufgenommen werden können und unabhängig von Wetterbedingungen (z. B. Bewölkung) sind, was eine ganzjährige Überwachung weltweit ermöglicht. In diesem Artikel präsentieren wir einen Benchmark-Datensatz (Gourmelon et al., 2022b) aus SAR-Bildern mehrerer globaler Regionen mit entsprechend manuell definierten Etiketten, die Informationen über die Position der Abbruchfront enthalten (https://doi.org/10.1594/PANGAEA.940950). Mit diesem Datensatz können verschiedene Ansätze zur Erkennung von Gletscherabbruchfronten implementiert, getestet und ihre Leistung fair verglichen werden, sodass der effektivste Ansatz bestimmt werden kann. Der Datensatz umfasst 681 Proben und ist damit groß genug, um tiefgehende Lernsegmentierungsmodelle zu trainieren. Er ist der erste Datensatz, der langfristige Informationen über Gletscherabbruchfronten aus Multi-Mission-Daten bereitstellt. Da der Datensatz Gletscher aus Antarktika, Grönland und Alaska enthält, ist die breite Anwendbarkeit von Modellen, die auf diesem Datensatz trainiert und getestet wurden, gewährleistet. Der Testdatensatz ist unabhängig vom Trainingsdatensatz, sodass die Generalisierungsfähigkeit der Modelle evaluiert werden kann. Wir stellen zwei Etikettensets bereit: ein binäres Segmentierungsetikett zur Unterscheidung der Abbruchfront von der Hintergrundlandschaft sowie ein Etikett für die Mehrklassen-Segmentierung verschiedener Landschaftsklassen. Im Gegensatz zu anderen Datensätzen zur Abbruchfront enthält der vorgestellte Datensatz nicht nur die Etiketten, sondern auch die entsprechenden vorverarbeiteten und georeferenzierten SAR-Bilder als PNG-Dateien. Die einfache Zugänglichkeit des Datensatzes ermöglicht es Wissenschaftlern aus anderen Fachgebieten, wie der Datenwissenschaft, ihre Expertise einzubringen. Mit diesem Benchmark-Datensatz ermöglichen wir Vergleichbarkeit zwischen verschiedenen Algorithmen zur Frontdetektion und verbessern die Reproduzierbarkeit von Frontdetektionsstudien. Darüber hinaus präsentieren wir jeweils ein Basismodell für jede Etikettentypen. Beide Modelle basieren auf dem U-Net, einer der am häufigsten verwendeten Architekturen für tiefe Lernsegmentierung. In zwei nachfolgenden Nachbearbeitungsschritten werden die Segmentierungsergebnisse in 1-Pixel-breite Frontabgrenzungen umgewandelt. Durch die Bereitstellung beider Etikettentypen können beide Ansätze zur Lösung des Problems genutzt werden. Zur Bewertung der Leistung verschiedener Modelle schlagen wir zunächst die Überprüfung der Segmentierungsergebnisse mittels Recall, Präzision, F1-Score und Jaccard-Index vor. Als zweiten Schritt kann die Frontabgrenzung durch Berechnung des mittleren Abstandsfehlers zur etikettierten Front bewertet werden. Die vorgestellten „vanilla“-Modelle erzielen eine Baseline mit einem mittleren Abstandsfehler von 150 m ± 24 m für den Mapple-Gletscher in Antarktika und 840 m ± 84 m für den Columbia-Gletscher in Alaska, dessen komplexere Abbruchfront aus mehreren Abschnitten besteht und im Vergleich zum laterally gut eingeschränkten, einheitlichen Abbruchfront des Mapple-Gletschers eine größere räumliche Variabilität aufweist.