Satèl·lit SMOS © ESA/AOES Medialab
Una nova metodología de Machine Learning pot estimar el gruix del gel marí prim a partir de mesures SMOS. Els resultats obtinguts mostren un gran acord amb les dades in situ, obrint la porta a una millora potencial del processament de dades de gel marí SMOS.
El gel marí prim és un component essencial de l’entorn físic de l’Àrtic, i juga un paper crucial en la regulació del clima i la temperatura intervenint en l’intercanvi de calor i aigua entre l’oceà i l’atmosfera. També serveix com a indicador clau del canvi climatic, i condiciona les operacions dels vaixells a la zona.
Imatge de gel marí prim a l’Oceà Àrtic. © ESA, S. Hendricks/AWI
L’Observació de la Terra és vital per monitorar el gel marí prim, entendre la seva dinàmica i fer prediccions precises. La missió Humitat del Sòl i Salinitat de l’Oceà (SMOS, per les seves sigles en anglès) de l’ESA, llançada el 2009, contribueix a aquest esforç amb el seu radiòmetre passiu de microones a bord. Aquest instrument mesura la temperatura de brillantor de la superfície, que, després del processament, pot proporcionar estimacions de gruix del gel marí prim (gruix del gel fins a 1 metre).
La temperatura de brillantor és invisible per a l’ull humà, ja que depèn de la intensitat de l’energia electromagnètica emesa des d’una font específica a la regió de microones de l’espectre. Està influenciat per diverses condicions del gel marí, com ara la salinitat, la temperatura, la presència de neu i el gruix del mateix gel marí.
Gel ‘pancake’ prop de la costa de Svalbard, Noruega. © Ferran Hernández.
En un estudi recent dut a terme per isardSAT i l’Institut de Ciències del Mar (ICM-CSIC), dos algorismes d’aprenentatge automàtic (Random Forest i Gradient Boosting) van obtenir estimacions millorades del gruix del gel marí. Entrenats amb valors de temperatura de brillantor SMOS i dades simulades del model físic de Burke (Burke et al., 1979), ambdós algorismes proporcionen estimacions del gruix del gel marí que són molt semblants amb el producte actual de l’ESA, amb fins i tot lleugeres millores.
Mapa del gruix del gel marí de l’oceà Àrtic generat amb els algorismes Random Forest i Gradient Boosting amb dades del 30 de gener del 2019.
Millorant la precisió de les estimacions del gruix del gel marí
Actualment, s’utilitzen dos algorismes per recuperar el gruix del gel marí prim a partir de mesures SMOS: el producte oficial de l’ESA, generat amb un algorisme semiempíric desenvolupat per l’Institut Alfred Wegener (AWI), i un enfocament empíric distribuït per la Universitat de Bremen (UB).
La metodologia d’aprenentatge automàtic desenvolupada en aquest estudi demostra una forta correlació amb el producte oficial de l’ESA. A més, quan es validen amb dades de veritat terrestre de les boies d’amarratge del Beaufort Gyre Exploration Project (BGEP), els resultats mostren una correlació encara més gran en comparació amb el producte existent de l’ESA, reduint moderadament alguns dels seus errors.
“Gràcies als pocs recursos computacionals que requereix aquesta metodologia, funciona més ràpid i obté millors resultats que el producte SMOS original”, explica Ferran Hernández Macià, investigador implicat en el projecte. En Ferran està treballant en aquesta metodologia com a part del seu doctorat, que se centra a millorar els algorismes per estimar el gruix del gel marí a partir de dades de satèl·lit mitjançant tècniques de Machine Learning.
“En el futur, s’haurien d’explorar algorismes avançats de Machine Learning com aquests per millorar no només la consistència espacial sinó també temporal de les dades de satèl·lit”, afegeix Hernández Macià. “Això podria ajudar a obtenir prediccions fiables de gel marí en temps gairebé real, necessàries per a les operacions dels vaixells, i també per estudiar les conseqüències del canvi climàtic”, explica l’investigador.
Referència:
F. Hernández-Macià, C. Gabarró, G. S. Gomez and M. J. Escorihuela, “A Machine Learning Approach on SMOS Thin Sea Ice Thickness Retrieval,” in IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, vol. 17, pp. 10752-10758, 2024, doi: 10.1109/JSTARS.2024.3406921.