RoughNet: Mapping Arctic Sea Ice Roughness Using Diffusion-Based Super-Resolution of Satellite Imagery

Resumen Técnico: RoughNet – Mapeo de la Rugosidad del Hielo Marino Ártico mediante Superresolución Basada en Difusión

Planteamiento del Problema
La estimación precisa de la rugosidad de la superficie del hielo marino (SIR, por sus siglas en inglés) es crítica para la modelización climática (que influye en las interacciones hielo-atmósfera y el balance energético) y para garantizar la seguridad de los desplazamientos sobre el hielo de las comunidades indígenas. Sin embargo, los métodos existentes para obtener datos de SIR de alta resolución son limitados. Los levantamientos mediante LiDAR aerotransportado proporcionan mediciones precisas, pero son costosos, presentan desafíos logísticos y carecen de escalabilidad para un monitoreo frecuente y a gran escala. Los métodos de proximidad basados en satélites (por ejemplo, óptica multianular o retrodispersión de SAR) están limitados por la resolución del sensor y la geometría de muestreo, fallando a menudo en capturar la variabilidad topográfica de escala fina (0.01–5 m). Además, aunque el aprendizaje profundo ha avanzado en la inferencia de superficies 3D, existe una brecha en la aplicación de modelos generativos para reconstruir la rugosidad superficial del Ártico a escala de metros directamente a partir de imágenes ópticas de satélite, particularmente en condiciones invernales caracterizadas por bajo contraste y homogeneidad visual.

Metodología
Los autores proponen RoughNet, un marco de difusión condicional diseñado para mapear imágenes de satélite ópticas multiespectrales a residuales de elevación de superficie de alta resolución.

• Fuentes de Datos: El modelo se entrena con datos emparejados de tres regiones árticas en el norte de Canadá (Pond Inlet, Tuktoyaktuk y Cambridge Bay).
  • Objetivo (Target): Datos de LiDAR aerotransportado recolectados durante las campañas IceBird de 2024, procesados en Modelos Digitales de Elevación (DEM) con una resolución de 1 m. Para centrarse en la rugosidad en lugar de la elevación absoluta, estos se convierten en campos residuales localmente demedia mediante el ajuste y la resta de una superficie cuadrática.
  • Condicionamiento: Imágenes multiespectrales Sentinel-2 Nivel-2A (cuatro bandas de 10 m: Azul, Verde, Rojo, NIR). El modelo utiliza pilas de seis escenas temporales por región para proporcionar pistas complementarias sobre la iluminación y las sombras.
• Arquitectura del Modelo: RoughNet emplea una arquitectura de red U-Net dentro de un marco de difusión condicional.
  • Entrada: La red toma un parche de LiDAR ruidoso (resolución de 1 m, 256×256 píxeles) concatenado con un mapa de condicionamiento fusionado derivado de seis parches Sentinel-2 (redimensionados a 256×256).
  • Estrategia de Fusión: Las seis vistas de Sentinel-2 se agregan en un único mapa sensible a atributos mediante un codificador CNN compartido, un pequeño MLP para metadatos (geometría de visualización, cobertura de nubes) y un softmax controlado por temperatura para ponderar las vistas más informativas.
  • Objetivo de Entrenamiento: El modelo aprende a revertir un proceso de corrupción de ruido gaussiano, prediciendo directamente la topografía residual limpia. La función de pérdida combina el Error Cuadrático Medio (MSE) por píxel con una regularización de gradiente L2 en las derivadas espaciales para imponer fidelidad estructural y preservación de bordes.
• Estrategia de Muestreo: Un estudio de ablación comparó varios esquemas de ruido (Lineal vs. Coseno) y muestreadores (DDPM, DDIM, PLMS). La configuración Cosine PLMS fue seleccionada como la óptima, equilibrando el bajo error en la amplitud de la rugosidad con una alta fidelidad estadística.

Contribuciones Clave

1. Primera Síntesis Generativa de Elevación en el Ártico: Este trabajo presenta la primera aplicación de modelos de difusión generativa para sintetizar la topografía del hielo marino a escala de metros directamente a partir de imágenes ópticas de satélite en un entorno invernal del Ártico.
2. Superresolución de 10 m a 1 m: El marco logra mapear entradas de Sentinel-2 de 10 m a campos residuales de superficie localmente normalizados de 1 m, superando las restricciones espaciales de los métodos de proximidad tradicionales.
3. Fidelidad Estadística sobre la Perfección Píxel a Píxel: El enfoque prioriza la reconstrucción de propiedades estadísticas y estructurales (distribución de alturas, continuidad espacial) sobre la correspondencia exacta píxel a píxel, reconociendo la naturaleza estocástica de la rugosidad superficial.

Resultados
El modelo fue evaluado en regiones de validación (Pond Inlet, Tuktoyaktuk) y en una región de prueba no vista (Cambridge Bay).

• Precisión: El modelo con mejor desempeño (Cosine PLMS) alcanzó un Error Cuadrático Medio (RMSE) fuera de dominio de 0.09 m (9 cm).
• Propiedades Estadísticas:
  • Sesgo (Bias): Cercano a cero, lo que indica que no hay una sobreestimación o subestimación sistemática.
  • Amplitud de Rugosidad: El RMSE normalizado ($\sigma$ error) fue de aproximadamente 17–18%, indicando que el error de reconstrucción es del orden de la variabilidad intrínseca del campo de rugosidad.
  • Fidelidad Distribucional: La Divergencia de Jensen–Shannon (JSD) entre las distribuciones de elevación predichas y las de la verdad de terreno fue baja (0.07 validación, 0.08 test), confirmando que el modelo preserva las funciones de densidad de probabilidad (PDF) correctas, incluyendo las características log-normales del hielo marino.
  • Propiedades Espectrales: El modelo captura la amplitud y orientación general, pero exhibe cierto suavizado excesivo de las texturas de escala fina, lo que provoca una ligera mala asignación de la potencia espectral de alta frecuencia (log-PSD RMSE ~1.07).
• Generalización: El modelo se generalizó bien a la región no vista de Cambridge Bay, aunque la inspección visual notó que ciertas estructuras de crestas alargadas no fueron capturadas completamente, debido probablemente al campo receptivo localmente restringido del enfoque basado en parches.
• Hallazgos de Ablación: El esquema de ruido Cosine y el muestreador PLMS superaron a otras configuraciones, ya que el esquema de coseno preserva mejor la información de la señal de alta frecuencia durante las etapas tempranas de la difusión y el PLMS proporciona una aproximación de trayectoria de orden superior.

Significado y Reivindicaciones
El artículo afirma que RoughNet proporciona una vía escalable para el mapeo de hielo marino de alta resolución en entornos con escasez de datos. Al demostrar que los modelos de difusión generativa pueden recuperar estructuras superficiales físicamente significativas a partir de imágenes ópticas únicamente, este trabajo ofrece una alternativa viable a los costosos levantamientos aéreos.

Los autores enfatizan que la capacidad del modelo para reconstruir una precisión absoluta a escala de centímetros mientras preserva estadísticas de rugosidad realistas representa un avance sustantivo en granularidad espacial respecto a trabajos previos, que típicamente operan en escalas de metros a decámetros. Esta capacidad apoya dos aplicaciones principales:

1. Ciencia Climática: Proporcionar parametrizaciones de rugosidad realistas para modelos de interacción hielo-atmósfera.
2. Seguridad en el Ártico: Permitir la generación de mapas de superficie de alta resolución para asistir a las comunidades indígenas en la planificación de rutas de viaje más seguras y eficientes.

El documento reconoce modestamente las limitaciones, incluyendo la dependencia de un condicionamiento de longitud fija (seis escenas), el requerimiento de imágenes ópticas con luz diurna (a diferencia de la radar) y la restricción actual al hielo fijo inmóvil. Señala que, si bien el modelo captura la estructura general, la reconstrucción de la microtextura de escala fina sigue siendo imperfecta, y se requiere trabajo futuro para cuantificar la varianza de la predicción para la navegación crítica de seguridad.