Super-resolution of satellite-derived isoprene emissions using land cover-informed neural networks

This thesis aims to improve the spatial resolution of isoprene emission maps derived from satellite observations by using neural network-based algorithms for image super-resolution (SR) and land cover maps as additional inputs in the process of enhancing the isoprene map. Isoprene emissions are a crucial indicator of plant stress and play a key role in processes related to air quality and climate. This study employs multi-image super-resolution (MISR) techniques, combining low-resolution isoprene emission maps with auxiliary data such as land cover maps, cropland, and tree cover data to produce high-resolution isoprene emission maps. State-of-the-art deep learning (DL) architectures for image SR, including Second-order Attention Networks (SAN) and Hybrid Attention Transformers (HAT), were adapted for this purpose. Experimental results show that integrating land cover data, especially in three-channel configurations (using isoprene emissions, cropland, and tree cover), significantly enhances the model’s accuracy and generalization capability in the geographic regions used during algorithm training. However, performance remains limited, particularly for high-intensity emissions during the summer season. This limitation arises from challenges in transforming the isoprene map dynamics based on statistical information extracted from the data. Such transformations are necessary to handle the high dynamic range but struggle with the natural bimodal distribution of the data. Additionally, experiments on generalization to geographic and climatic areas not used during training highlight the need for architectural improvements to the SR models and data transformation processes to better capture the complex nonlinear relationships between isoprene emissions and the numerous environmental factors influencing them. Potential future developments include extending the proposed approach to global multi-resolution datasets to assess its applicability in diverse geographic contexts, testing alternative transformations or seasonal approaches to more effectively address bimodal and seasonal variations in emissions, and implementing advanced SR architectures to better manage and leverage the spatial and temporal correlations in the data. Among these, physics-informed neural networks or models integrating biogeophysical layers within SR architectures could improve the reconstruction of emission maps as well as the generalization capability of these algorithms.

Questa tesi si propone di migliorare la risoluzione spaziale di mappe di emissione di isoprene derivanti da osservazioni satellitari, utilizzando algoritmi basati su reti neurali per la super-risoluzione (SR) di immagini, e mappe di copertura del suolo come informazioni aggiuntive nel processo di miglioramento della mappa di isoprene. Le emissioni di isoprene sono un importante indicatore dello stress delle piante e svolgono un ruolo chiave nei processi legati alla qualità dell'aria e al clima. Questo studio adotta tecniche di SR multi-immagine (MISR), combinando mappe a bassa risoluzione delle emissioni di isoprene con dati ausiliari quali mappe di copertura del suolo, terreni coltivati e copertura arborea, per produrre una mappa di emissione di isoprene ad alta risoluzione. Architetture di deep learning (DL) allo stato dell'arte nel contesto di SR di immagini, tra cui la Second-order Attention Networks (SAN) e l'Hybrid Attention Transformers (HAT), sono state adattate a questo scopo. I risultati sperimentali evidenziano che l'integrazione dei dati di copertura del suolo, specialmente in configurazioni a tre canali, utilizzando quindi emissioni di isoprene, terreni coltivati e copertura arborea, migliora significativamente l'accuratezza e la capacità di generalizzazione del modello in regioni geografiche utilizzate in fase di addestramento degli algoritmi. Tuttavia, le prestazioni rimangono limitate, in particolare per le emissioni ad alta intensità durante la stagione estiva. Ciò è dovuto alle difficoltà del processo di transformazione della dinamica della mappa di isoprene basato sulle informazioni statistiche estratte dai dati. Questa trasformazione è necessaria per gestire l'elevata gamma dinamica, ma non è adatta a gestire la naturale distribuzione bimodale dei dati. Inoltre, gli esperimenti sulla generalizzazione in aree geografiche e climatiche non utilizzate in fase di addestramento sottolineano la necessità di miglioramenti architetturali dei modelli di SR e della trasformazione dei dati, al fine di catturare al meglio le complesse relazioni non lineari tra le emissioni di isoprene e i numerosi fattori ambientali che influenzano le emissioni stesse. Possibili sviluppi futuri includono l’estensione dell'approccio proposto a dataset globali a multi-risoluzione per valutarne l’applicabilità in contesti geografici diversi, la sperimentazione di trasformazioni alternative o approcci stagionali per affrontare in modo più efficace le variazioni bimodali e stagionali delle emissioni, e l’implementazione di architetture di SR avanzate per una migliore gestione e utilizzo delle correlazioni spaziali e temporali dei dati utilizzati. Tra queste, le reti neurali informate dalla fisica o i modelli che integrano strati biogeofisici in architetture di SR potrebbero migliorare le prestazioni nella ricostruzione delle mappe, nonchè la capacità di generalizzazione di questi algoritmi.