| Data: |
2026 |
| Resum: |
Les estimacions satel·litàries del gruix del gel marí mantenen incerteses significatives a causa de limitacions en la modelització de l'emissió de microones. Existeix un buit de coneixement sobre la permitivitat del gel marí, un paràmetre difícil d'estimar. A més, els models de transferència radiativa discrepen, especialment respecte als efectes de coherència en gel cobert de neu. Utilitzant mesures in situ, aquesta tesi avalua parametritzacions de permitivitat i esquemes de transferència radiativa. S'utilitzen dades de les campanyes MOSAiC i ARCTIC-MON per aquest propòsit. Observacions d'instruments com ARIEL, ELBARA i UWBRAD permeten avaluar enfocaments incoherents i coherents, i formulacions dielèctriques empíriques i teòriques. Els resultats revelen signes d'efectes de coherència in situ a escala local, però el seu impacte a escala satel·litària requereix més investigació. Pel que fa a la permitivitat, l'anàlisi mostra alta incertesa entre enfocaments. Tot i que els models empírics són robusts, les troballes suggereixen que la parametrització més realista de les inclusions de salmorra se situa entre formes esfèriques i d'agulla. La radiometria en banda L ofereix capacitats úniques per monitoritzar gel prim, cada cop més prevalent pel canvi climàtic, mentre que els altímetres radar mesuren millor el gel gruixut (> 1 m). Aquesta tesi millora les estimacions del gel prim combinant modelització física amb estratègies avançades de dades. Es desenvolupa un marc híbrid d'aprenentatge automàtic per a SMOS que supera les limitacions d'inversió tradicionals entrenant algorismes amb dades generades per models físics. Aquest mètode ofereix alta precisió i incertesa controlada amb pocs recursos computacionals, superant els enfocaments actuals. S'avaluen diverses arquitectures algorísmiques, des d'arbres de decisió fins a aprenentatge profund. El compromís òptim entre precisió i cost computacional s'assoleix amb Random Forest, que s'integra en una cadena de processament per generar un producte semi-operacional de nivell 3 de SMOS. Finalment, es desenvolupa un enfocament sinèrgic que explota la retrodispersió de l'altímetre radar per estimar la permitivitat del gel. El mètode té dues etapes. A la primera, s'entrena un model Random Forest amb simulacions SMRT de formes d'ona de CryoSat-2 sota diverses condicions geofísiques. Aquest model s'aplica a dades de CryoSat-2 promitjades en 15 dies per derivar estimacions efectives de permitivitat. A la segona etapa, un algorisme Random Forest modificat incorpora aquesta permitivitat inferida. En integrar-se a l'algorisme de SMOS, aquest model augmenta significativament la precisió. La validació amb dades in situ independents mostra una clara millora respecte a les referències. A més, la incertesa propagada es redueix substancialment en comparació amb enfocaments només de SMOS. Aquestes troballes destaquen el valor de les metodologies híbrides que combinen física i aprenentatge automàtic, i els beneficis de la sinergia multi-sensor. Aquest enfocament millora les estimacions actuals del gel marí i assenyala el camí per als futurs sistemes d'observació polar. |
| Resum: |
Las estimaciones satelitales del espesor del hielo marino mantienen incertidumbres significativas debido a limitaciones en la modelización de la emisión de microondas. Existe un vacío de conocimiento sobre la permitividad del hielo marino, un parámetro difícil de estimar. Además, los modelos de transferencia radiativa discrepan, especialmente respecto a los efectos de coherencia en hielo cubierto de nieve. Utilizando mediciones in situ, esta tesis evalúa parametrizaciones de permitividad y esquemas de transferencia radiativa. Se utilizan datos de las campañas MOSAiC y ARCTIC-MON para este propósito. Observaciones de instrumentos como ARIEL, ELBARA y UWBRAD permiten evaluar enfoques incoherentes y coherentes, y formulaciones dieléctricas empíricas y teóricas. Los resultados revelan signos de efectos de coherencia in situ a escala local, pero su impacto a escala satelital requiere más investigación. En cuanto a la permitividad, el análisis muestra alta incertidumbre entre enfoques. Aunque los modelos empíricos son robustos, los hallazgos sugieren que la parametrización más realista de las inclusiones de salmuera se sitúa entre formas esféricas y de aguja. La radiometría en banda L ofrece capacidades únicas para monitorizar hielo delgado, cada vez más prevalente por el cambio climático, mientras que los altímetros radar miden mejor el hielo grueso (> 1 m). Esta tesis mejora las estimaciones del hielo delgado combinando modelización física con estrategias avanzadas de datos. Se desarrolla un marco híbrido de aprendizaje automático para SMOS que supera las limitaciones de inversión tradicionales entrenando algoritmos con datos generados por modelos físicos. Este método ofrece alta precisión e incertidumbre controlada con pocos recursos computacionales, superando los enfoques actuales. Se evalúan diversas arquitecturas algorítmicas, desde árboles de decisión hasta aprendizaje profundo. El compromiso óptimo entre precisión y coste computacional se logra con Random Forest, que se integra en una cadena de procesamiento para generar un producto semi-operacional de nivel 3 de SMOS. Finalmente, se desarrolla un enfoque sinérgico que explota la retrodispersión del altímetro radar para estimar la permitividad del hielo. El método tiene dos etapas. En la primera, se entrena un modelo Random Forest con simulaciones SMRT de formas de onda de CryoSat-2 bajo diversas condiciones geofísicas. Este modelo se aplica a datos de CryoSat-2 promediados en 15 días para derivar estimaciones efectivas de permitividad. En la segunda etapa, un algoritmo Random Forest modificado incorpora esta permitividad inferida. Al integrarse al algoritmo de SMOS, este modelo aumenta significativamente la precisión. La validación con datos in situ independientes muestra una clara mejora respecto a las referencias. Además, la incertidumbre propagada se reduce sustancialmente en comparación con enfoques solo de SMOS. Estos hallazgos destacan el valor de las metodologías híbridas que combinan física y aprendizaje automático, y los beneficios de la sinergia multi-sensor. Este enfoque mejora las estimaciones actuales del hielo marino y señala el camino para los futuros sistemas de observación polar. |
| Resum: |
Satellite-based retrievals of sea ice thickness remain subject to significant uncertainties, largely due to limitations in current microwave emission modeling. A critical knowledge gap exists regarding the formulation of sea ice permittivity, a parameter that is difficult to measure, estimate, or model. Furthermore, diverse radiative transfer modeling approaches yield discrepancies, particularly regarding the inclusion of coherence effects within the snow-covered sea ice medium. Utilizing in situ measurements, this study first evaluates different permittivity parametrizations and radiative transfer schemes. In particular, data from the MOSAiC and ARCTIC-MON field campaigns are used for this dual purpose. Radiometric observations from multiple instruments deployed during these campaigns (ARIEL, ELBARA, and UWBRAD) enable the assessment of both incoherent and coherent modeling approaches, as well as empirical and theoretical dielectric mixing formulations for sea ice permittivity. The results reveal clear signatures of coherence effects in local in situ measurements, while their impact at satellite-relevant spatial scales remains to be further investigated. Regarding sea ice permittivity, the analysis highlights substantial uncertainty across the different modeling approaches. While empirical models provide robust performance, the findings suggest that the most realistic parametrization of brine inclusions lies between the extremes of spherical and needle-like shapes. While L-band radiometry offers unique capabilities for monitoring thin sea ice, which is becoming increasingly prevalent due to climate change, radar altimeters provide robust measurements for thicker ice (>1 m). This thesis aims to enhance thin sea ice thickness retrievals by bridging physical modeling with advanced data-driven strategies. Building on physical foundations, a novel hybrid machine learning framework for SMOS is developed. This approach overcomes traditional inversion limitations by training regressor algorithms on comprehensive datasets generated with physical forward models. With reduced computational resources, the method delivers high-accuracy estimates with manageable uncertainty, showing clear potential to outperform current retrieval approaches. Several algorithmic architectures are evaluated, ranging from decision tree-based models to more complex deep learning methods. However, following a comprehensive assessment, the optimal trade-off between accuracy and computational cost is achieved with the random forest algorithm, which is subsequently integrated into a processing pipeline for the generation of a semi-operational Level 3 SMOS sea ice thickness product. Ultimately, a synergistic approach is developed in which radar altimeter backscatter is exploited to estimate sea ice permittivity. The method is structured as a two-stage pipeline. In the first stage, a random forest model is trained on SMRT simulations of CryoSat-2 waveforms under a wide range of geophysical conditions, including varying the brine inclusion shape and so the sea ice permittivity. This model is then applied to CryoSat-2 backscatter observations averaged over a 15-day window to retrieve effective permittivity estimates. In the second stage, a modified random forest algorithm, building upon the SMOS-only retrieval framework, is employed, now incorporating the inferred permittivity as an additional input. When integrated into the SMOS thin sea ice thickness retrieval algorithm, this enhanced model yields a significant improvement in accuracy. In particular, validation against independent in situ datasets shows a clear performance gain relative to baseline retrievals. Additionally, the uncertainty propagated through the retrieval chain is substantially reduced compared to SMOS-only approaches. Overall, these findings highlight the value of hybrid methodologies that combine physically based modeling with machine learning, as well as the benefits of multi-sensor synergy. This approach not only improves current satellite-derived sea ice thickness estimates but also points toward a promising direction for the next generation of polar Earth observation systems. |
| Resum: |
Universitat Autònoma de Barcelona. Programa de Doctorat en Informàtica. |
| Drets: |
Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial, la distribució, la comunicació pública de l'obra i la creació d'obres derivades, sempre i quan aquestes es distribueixin sota la mateixa llicència que regula l'obra original i es reconegui l'autoria.  |
| Llengua: |
Anglès |
| Document: |
Tesi doctoral ; Text ; Versió publicada |
| Matèria: |
Gruix del gel marí ;
Sea ice thickness ;
Espesor del hielo marino ;
Teledetecció ;
Remote sensing ;
Teledetección ;
Aprenentatge automàtic ;
Machine learning ;
Aprendizaje automático ;
Tecnologies |
visitant ::
identificació
