海洋性または湖畔終端型の氷河の崩壊前端位置に関する正確な情報は、進行中の氷河変化プロセスを分析し、前端融解率などの他の変数を評価する上で基本的な氷河変数である。近年、研究者たちは衛星画像上で自動的に崩壊前端を検出できるアルゴリズムの導入を始めている。多くの研究では、空間分解能が十分に高く、異なるスペクトルバンドが存在するため、氷の特徴を明確に分離できる光学画像が用いられている。一方で、合成開口レーダー（SAR）画像上での崩壊前端検出は極めて望ましい。SAR画像は極夜期にも取得可能であり、天候（例えば雲カバー）に左右されないため、世界規模で年間を通じたモニタリングが可能となる。本論文では、複数の世界地域からのSAR画像と、それに対応する手動ラベルを含むベンチマークデータセット（Gourmelon et al., 2022b）を提示する（https://doi.org/10.1594/PANGAEA.940950）。このデータセットを用いることで、氷河の崩壊前端検出に向けたさまざまなアプローチを実装・検証し、性能を公正に比較可能となる。データセットは681サンプルから構成されており、深層学習によるセグメンテーションモデルの学習に十分な規模である。また、複数ミッションデータから得られた長期的な氷河崩壊前端情報を提供する最初のデータセットである。南極、グリーンランド、アラスカの氷河を含むため、本データセット上で訓練・評価されたモデルの広範な適用性が保証される。テストセットはトレーニングセットと独立しているため、モデルの汎化能力を評価できる。本データセットでは、2種類のラベルを提供している：1つは背景から崩壊前端を区別する二値セグメンテーションラベル、もう1つは異なる地形クラスを分類する多クラスセグメンテーションラベルである。他の崩壊前端データセットとは異なり、本データセットはラベルだけでなく、対応する前処理済みかつ地理参照されたSAR画像（PNG形式）も含まれている。このデータセットへの容易なアクセスにより、データサイエンスなど他の分野の研究者も専門知識を貢献できる。このベンチマークデータセットにより、異なる前端検出アルゴリズム間の比較可能性が確保され、前端検出研究の再現性が向上する。さらに、各ラベルタイプに対して1つのベースラインモデルを提示する。両モデルとも、最も一般的な深層学習セグメンテーションアーキテクチャの一つであるU-Netに基づいている。以下の2つの後処理手順により、セグメンテーション結果が1ピクセル幅の前端線に変換される。2種類のラベルを提供することで、両アプローチを用いて問題に対処できる。異なるモデルの性能を評価するにあたり、まず再現率（recall）、適合率（precision）、F1スコア、およびJaccard係数を用いてセグメンテーション結果を検証することを提案する。次に、ラベルされた前端との平均距離誤差を計算することで、前端線の抽出精度を評価する。提示されたベースラインモデルは、南極のMapple氷河において平均距離誤差150 m ± 24 m、アラスカのColumbia氷河において840 m ± 84 mを示した。Columbia氷河は複数のセクションからなる複雑な崩壊前端を有するのに対し、Mapple氷河は側方で明確に制約された単一の崩壊前端を持つため、比較対象として適切である。