Titolo della tesi: Spaceborne GNSS Reflectometry for Soil Moisture: From Physics-Based Modeling to Hybrid Deep Learning
L’umidità del suolo è una Variabile Climaticamente Essenziale (ECV) che svolge un ruolo cruciale nei cicli globali dell’acqua e dell’energia. Sebbene la radiometria in banda L abbia consolidato uno standard per il monitoraggio del contenuto idrico del suolo, le missioni attuali sono limitate da una risoluzione spaziale relativamente grossolana. La **riflettometria dei sistemi globali di navigazione satellitare (GNSS-R) è emersa come una tecnica di telerilevamento dirompente in grado di colmare tale divario, fornendo dati ad alta risoluzione spazio-temporale attraverso l’uso di segnali di opportunità. Tuttavia, il recupero operativo dell’umidità del suolo da dati GNSS-R affronta oggi un dilemma fondamentale: i modelli basati sulla fisica offrono interpretabilità ma faticano a gestire l’eterogeneità della superficie, mentre gli approcci data-driven garantiscono elevata accuratezza ma non sempre preservano una coerenza con la conoscenza fisica del dominio.
Questa tesi affronta tale sfida sviluppando un quadro di benchmarking unificato che valuta in modo sistematico e contribuisce a colmare il divario tra strategie di retrieval basate sulla fisica e strategie data-driven. La ricerca inizia con un confronto rigoroso tra un modello d’inversione semi-empirico (SE) e un approccio basato su reti neurali artificiali (ANN), nel contesto della futura missione HydroGNSS dell’Agenzia Spaziale Europea. Per garantire una validazione robusta, viene implementato uno schema di campionamento stratificato su diverse zone climatiche e tipologie di copertura del suolo, sfruttando i dati della costellazione CYGNSS della NASA insieme a ingressi ausiliari provenienti da più fonti. Sulla base di questo benchmark, la tesi propone un’architettura avanzata di Hybrid Deep Learning (HDL). Questo nuovo modello integra la capacità di estrazione di caratteristiche delle Convolutional Neural Networks (CNN) con le capacità di regressione delle reti neurali standard, sfruttando conoscenza fisica del dominio per guidare il processo di apprendimento.
I risultati mostrano una chiara gerarchia prestazionale. L’approccio basato su ANN raggiunge un Root-Mean-Square Error (RMSE) complessivo di circa 0,047 m³/m³ (correlazione R ~ 0,90), superando in modo significativo il modello semi-empirico nella maggior parte dei regimi, in particolare quando si applica un filtraggio meno restrittivo della qualità dei dati. Il modello HDL proposto ottiene l’accuratezza più elevata, riducendo l’RMSE a 0,038 m³/m³ (R ≈ 0,93). In particolare, l’inclusione della stratificazione specifica per clima e di input ancillari comporta riduzioni dell’errore del 44–47% in ambienti di scattering complessi. Questi risultati indicano che, sebbene i modelli semi-empirici restino preziosi per la loro interpretabilità in regioni con scarsa disponibilità di dati, le architetture di deep learning offrono la flessibilità e la precisione richieste per l’osservazione della Terra di nuova generazione. Di conseguenza, si raccomanda una strategia di retrieval ibrida per massimizzare lo sfruttamento dei futuri dataset. Questo lavoro fornisce una roadmap di base per la missione HydroGNSS e suggerisce che i miglioramenti futuri dovrebbero concentrarsi sull’espansione della copertura di addestramento nelle regioni ad alte latitudini oggi sottorappresentate, al fine di realizzare pienamente il potenziale della GNSS-R spaziale per l’idrologia.