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

Technische Samenvatting: RoughNet – Het in kaart brengen van de ruwheid van Arctisch zeeijs middels diffusie-gebaseerde super-resolutie

Probleemstelling
Nauwkeurige schatting van de oppervlakte-ruwheid van zeeijs (Sea Ice Roughness, SIR) is cruciaal voor klimaatmodellering (beïnvloeding van de interactie tussen ijs en atmosfeer en de energiebalans) en het waarborgen van de veiligheid van Arctische reizen over het ijs voor inheemse gemeenschappen. Bestaande methoden voor het verkrijgen van hoogresolutie SIR-gegevens zijn echter beperkt. Luchtgestuurde LiDAR-metingen bieden precieze metingen, maar zijn kostbaar, logistiek uitdagend en missen schaalbaarheid voor frequente, grootschalige monitoring. Satellietgebaseerde proxy-methoden (bijv. multi-angle optische of SAR-backscatter) worden beperkt door sensorgestuurde resolutie en meetgeometrie, waardoor ze vaak niet in staat zijn om fijnschalige topografische variabiliteit (0,01–5 m) vast te leggen. Bovendien is er, hoewel deep learning de 3D-oppervlakte-inferentie heeft geavanceerd, een gat in het toepassen van generatieve modellen voor het reconstrueren van meter-schaal Arctische oppervlakte-ruwheid direct vanuit optische satellietbeelden, met name in wintercondities die gekenmerkt worden door laag contrast en visuele homogeniteit.

Methodologie
De auteurs stellen RoughNet voor, een conditioneel diffusiekader ontworpen om multispectrale optische satellietbeelden in kaart te brengen naar hoogresolutie oppervlakte-hoogte-residuen.

• Databronnen: Het model wordt getraind op gekoppelde gegevens uit drie Arctische regio's in Noord-Canada (Pond Inlet, Tuktoyaktuk en Cambridge Bay).
  • Doelwit (Target): Airborne LiDAR-gegevens verzameld tijdens de 2024 IceBird-campagnes, verwerkt tot 1 m resolutie Digital Elevation Models (DEMs). Om de focus op ruwheid in plaats van absolute hoogte te leggen, zijn deze omgezet naar lokaal gedemende residuvelden door een kwadratisch oppervlak aan te passen en af te trekken.
  • Conditionering: Sentinel-2 Level-2A multispectrale beelden (vier 10 m banden: Blauw, Groen, Rood, NIR). Het model maakt gebruik van stapels van zes temporele scènes per regio om complementaire aanwijzingen te bieden met betrekking tot verlichting en schaduwen.
• Modelarchitectuur: RoughNet maakt gebruik van een U-Net backbone binnen een conditioneel diffusiekader.
  • Input: Het netwerk neemt een ruizige doelwit LiDAR-patch (1 m resolutie, 256×256 pixels) gecombineerd met een gefuseerde conditionele kaart afgeleid van zes Sentinel-2 patches (hermaat gemaakt naar 256×256).
  • Fusiestrategie: De zes Sentinel-2 weergaven worden geaggregeerd tot een enkele attribuutbewuste kaart via een gedeelde CNN-encoder, een kleine MLP voor metadata (kijkgeometrie, bewolking), en een temperatuurgecontroleerde softmax om de meest informatieve weergaven te wegen.
  • Trainingsdoel: Het model leert een Gaussisch ruiscorruptieproces om te keren, waarbij de schone residu-topografie direct wordt voorspeld. De verliesfunctie combineert per-pixel Mean Squared Error (MSE) met L2-gradiëntregularisatie op ruimtelijke afgeleiden om structurele getrouwheid en randbehoud af te dwingen.
• Samplingstrategie: Een ablatieonderzoek vergeleek verschillende ruisschema's (Lineair vs. Cosinus) en samplers (DDPM, DDIM, PLMS). De Cosine PLMS configuratie werd gekozen als optimaal, omdat deze een goede balans biedt tussen lage fout in de amplitude van de ruwheid en hoge statistische getrouwheid.

Belangrijkste Bijdragen

1. Eerste Generatieve Hoogte-synthese in het Arctisch gebied: Dit werk presenteert de eerste toepassing van generatieve diffusiemodellen voor het synthetiseren van meter-schaal zeeijs-topografie direct vanuit optische satellietbeelden in een winterse Arctische omgeving.
2. Super-resolutie van 10 m naar 1 m: Het framework slaagt erin om 10 m Sentinel-2 inputs in kaart te brengen naar 1 m lokaal genormaliseerde oppervlakte-residuele velden, waarmee de ruimtelijke beperkingen van traditionele proxy-methoden worden omzeild.
3. Statistische Getrouwheid boven Pixel-perfectie: De aanpak geeft prioriteit aan de reconstructie van statistische en structurele eigenschappen (verdeling van hoogtes, ruimtelijke continuïteit) boven exacte pixel-voor-pixel correspondentie, wat de stochastische aard van oppervlakte-ruwheid erkent.

Resultaten
Het model werd geëvalueerd op validatieregionen (Pond Inlet, Tuktoyaktuk) en een onbekende testregio (Cambridge Bay).

• Nauwkeurigheid: Het best presterende model (Cosine PLMS) bereikte een out-of-domain Root Mean Squared Error (RMSE) van 0,09 m (9 cm).
• Statistische Eigenschappen:
  • Bias: Bijna nul, wat aangeeft dat er geen systematische over- of onderschatting is.
  • Ruwheidsamplitude: De genormaliseerde RMSE ($\sigma$ fout) was ongeveer 17–18%, wat aangeeft dat de reconstructiefout in de orde van grootte ligt van de intrinsieke variabiliteit van het ruwheidsveld zelf.
  • Distributionele Getrouwheid: De Jensen–Shannon Divergentie (JSD) tussen de voorspelde en de grondwaarheid hoogteverdelingen was laag (0,07 validatie, 0,08 test), wat bevestigt dat het model de juiste waarschijnlijkheidsdichtheidsfuncties (PDF's) behoudt, inclus\text{ bij } de log-normale kenmerken van zeeijs.
  • Spectrale Eigenschappen: Het model legt de algehele amplitude en oriëntatie vast, maar vertoont enige overmatige smoothing van fijne texturen, wat leidt tot een lichte misallocatie van hoogfrequente spectrale energie (log-PSD RMSE ~1,07).
• Generalisatie: Het model generaliseerde goed naar de onbekende Cambridge Bay-regio, hoewel visuele inspectie aantoonde dat specifieke langwerpige rugstructuren niet volledig werden gevangen, waarschijnlijk door het lokaal beperkte receptieve veld van de patch-gebaseerde aanpak.
• Ablatiebevindingen: Het Cosine ruisschema en de PLMS sampler presteerden beter dan andere configuraties, waarbij het cosine schema hoogfrequente signaalinformatie beter behield tijdens de vroege diffusiestappen en PLMS een hogere orde trajectbenadering bood.

Betekenis en Claims
Het artikel claimt dat RoughNet een schaalbaar pad biedt voor hoogresolutie zeeijs-mapping in datarme omgevingen. Door aan te tonen dat generatieve diffusiemodellen de fysiek betekenisvolle oppervlaktestructuur kunnen herstellen uit enkel optische beelden, biedt dit werk een levensvatbaar alternatief voor kostbare luchtgestuurde metingen.

De auteurs benadrukken dat het vermogen van het model om centimeter-schaal absolute nauwkeurigheid te reconstrueren terwijl realistische ruwheidsstatistieken behouden blijven, een substantiële vooruitgang is in ruimtelijke granulariteit ten opzichte van eerder werk, dat doorgaans werkt op meter- tot decameter-schaal. Deze capaciteit ondersteunt twee primaire toepassingen:

1. Klimaatwetenschap: Het leveren van realistische ruwheidsparametrisaties voor modellen van de interactie tussen ijs en atmosfeer.
2. Arctische Veiligheid: Het mogelijk maken van het genereren van hoogresolutie oppervlaktekaarten om inheemse gemeenschappen te assisteren bij het plannen van veiligere, efficiëntere reisroutes.

Het artikel erkent bescheiden beperkingen, waaronder de afhankelijkheid van een vaste lengte van de conditionering (zes scènes), de vereiste van daglicht optische beelden (in tegenstelling tot radar), en de huidige beperking tot immobiel landvast ijs. Er wordt opgemerkt dat hoewel het model de algemene structuur vastlegt, de reconstructie van de fijnere micro-textuur nog imperfect is, en dat toekomstig werk nodig is om de voorspellingsvariantie voor veiligheidskritische navigatie te kwantificeren.