Deep-learning for Soil Moisture Retrieval from Sentinel-1 SAR and InSAR Data

Soil moisture is a key Essential Climate Variable that influences climate and the Earth’s ecosystem through complex land–atmosphere interactions. Interest in monitoring and understanding soil moisture has grown over recent years, studying how soil moisture evolves, driven by the need to characterize its spatio-temporal variability at global scale using remote-sensing observations. Obtaining global soil moisture maps at fine resolution scales, lower than 1km remains a challenge, and Active Microwave Instruments, in particular Synthetic Aperture Radar (SAR), can be used to achieve such goal. Traditionally, retrieval of soil moisture through SAR are obtained from radar backscatter models. More recently, interferometric model-based approaches for soil moisture retrieval using closure phases have been proposed and have shown to give promising results and further insight in obtaining fine resolution surface soil moisture maps. This thesis proposes a first investigation and performance assessment of a Deep-Learning framework that joins radiometric and interferometric observables using a Convolutional Neural Network to estimate absolute soil moisture at a 1 km scale. The Deep-Learning framework consists of a first weakly-supervised learning using as reference the Sentinel-1 Global Land Cover Surface Soil Moisture products at 1 km scale. Then, the network is refined by fine-tuning, considering local in-situ measurements from the International Soil Moisture Network (ISMN), enabling the CNN to estimate absolute surface soil moistures. Results show that the CNN can successfully learn spatial patterns from the weakly-supervised learning step and is able to align with the temporal evolution of the ISMN in-situ soil moisture measurements during fine-tuning, with the model that considers both radiometric and interferometric observables performing better.

L’umidità del suolo è una variabile climatica essenziale che influenza il clima e l’ecosistema terrestre. L’interesse per il monitoraggio e la comprensione dell’umidità del suolo è cresciuto negli anni, spinto dalla necessità di caratterizzare la sua variabilità su scala globale. Ottenere mappe globali ad alta risoluzione rimane una sfida e i radar ad apertura sintetica (SAR) rappresentano una tecnologia chiave per raggiungere tale obiettivo. Tradizionalmente, la stima dell’umidità del suolo da dati SAR si basa su modelli di backscatter (retrodiffusione). Più recentemente, sono stati proposti approcci interferometrici basati sull’uso delle closure phases (chiusura circolare di fasi interferometriche) per la stima dell’umidità del suolo, mostrando risultati promettenti e offrendo nuove prospettive per la generazione di mappe ad alta risoluzione. Questa tesi propone una prima indagine e una valutazione delle prestazioni di un framework di deep learning che combina osservabili radiometrici e interferometrici mediante una Rete Neurale Convoluzionale (CNN) per stimare l’umidità del suolo assoluta alla scala di 1 km. Il framework di deep learning è definito come un apprendimento debolmente supervisionato (weakly supervised learning), utilizzando i prodotti Sentinel-1 Global Land Cover Surface Soil Moisture a 1 km di risoluzione. Viene inoltre condotta un’analisi di importanza delle caratteristiche (feature importance) per quantificare il contributo degli input radiometrici e interferometrici nella stima dell’umidità relativa del suolo. Successivamente, la rete viene raffinata tramite fine-tuning considerando misure locali in situ provenienti dall’International Soil Moisture Network (ISMN), consentendo la previsione dell’umidità del suolo assoluta. I risultati mostrano che la rete è capace di stimareche include osservabili interferometrici ottiene le migliori prestazioni ed è in grado di riprodurre l’evoluzione temporale delle misure ISMN.Questa tesi propone una prima analisi sul possibile utilizzo di entrambi modelli di backscatter e modelli interferometrici basati sulle closure phases utilizzando una rete neurale convoluzionale (CNN) per stimare l'umidità del suolo in superficie. Lo studio principale si concentra sulle regioni nord-occidentali dell'Europa, utilizzando i prodotti Sentinel-1 Global Land Cover Surface Soil Moisture a 1km. Nello studio viene analizzata l'importanza di ciascun input al modello per quantificare il contributo degli input radiometrici e interferometrici alla stima dell'umidità del suolo. L'approccio viene poi esteso con una strategia di "fine-tuning" che usa le misurazioni locali dell'International Soil Moisture Network (ISMN), consentendo stime assolute dell'umidità del suolo. Infine, l'approccio proposto viene valutato su una regione arida della Spagna, per comprendere meglio l'influenza delle closure phases e la robustezza del modello in diverse condizioni climatiche. I risultati mostrano che la rete apprende relazioni significative tra l'umidità del suolo e le misure interferometriche, che migliorano le prestazioni rispetto ai modelli basati esclusivamente su modelli radiometrici.