Development of innovative land applications for ESA's HydroGNSS mission

Abstract

(English) The research presented in this paper-based dissertation focuses on the development of products for the ESA HydroGNSS mission, including the Level 2 surface inundation algorithm, the exploitation of the coherent channel for the L1B product, and the development of a simplified coherent channel simulator. The first contribution of this work is the development of a water detection algorithm that is applicable to high and low sampling rate data. The integration of two low-sampling rate power-derived observables, the reflectivity and the power spread ratio, enables a more comprehensive characterization of surface properties. And, the incorporation of auxiliary background information mitigates the impact of spatial heterogeneity. The random forest classifier effectively captures nonlinear relationships, achieving results that meet accuracy requirements, with false positives primarily associated with wetland areas. Another advancement is the integration of two high-sampling rate complex-derived observables, one of which is introduced for the first time -- the normalized amplitude (NA). NA remains stable over land and shows minimal sensitivity to changes in coherence integration time. The findings indicate that the NA has greater feature importance than the coherence coefficient (CC), underscoring its relevance for water classification. The second contribution of this work involves an analysis of the impact of the right-hand circularly polarized signal on the water detection algorithm. The normalized power spread ratio in the right-hand circularly polarized signal exhibits a clearer distinction between land and water surfaces and shows higher consistency across various land types compared to its left-hand counterpart. Reflectivity in the right-hand circularly polarized exhibits increased overlap between land and water surfaces, which may negatively impact classification performance. For non-inland water surfaces, the surface type contributes negatively to the output, indicating that higher coherence indicators are required to mitigate its influence. Furthermore, posterior probabilities derived from Bayes’ theorem demonstrate that the combination of normalized power spread ratio and reflectivity enhances classification accuracy by reducing false positives. The third contribution focuses on the exploitation of the HydroGNSS coherent channel. An analysis was conducted to assess the sensitivity of coherence indicators to water surfaces. CC and NA were compared to the `full entropy' metric available in the CYGNSS product. The results indicate that NA exhibits a similar sensitivity to water surfaces as full entropy and remains stable regardless of the coherent integration time. In contrast, the CC demonstrates higher sensitivity to small water bodies but is strongly influenced by the integration time. Additionally, a new variable, high sampling rate reflectivity (HSRR), was developed from normalized amplitude applying a track-wise exponential fit to the low-rate calibrated reflectivity. HSRR exhibits good agreement with both CYGNSS L1 reflectivity and calibrated raw IF reflectivity, further validated through a forward model. To enhance its robustness, a noise threshold based on low sampling rate noise floor was introduced. Adjacent track analyses confirmed that it provides a higher resolution than current 1–2 Hz products, improving its applicability for detailed surface characteristic monitoring. The development of a simplified coherent channel simulator has contributed to better understanding the behavior of this new GNSS-R mode of operation, and is included as an annex. Until now, simulating high sampling rate complex GNSS-R signals reflected over land required complicated models with computationally expensive implementations. Being able to reduce the complexity of the modeling and its implementation and computing time has facilitated the generation of synthetic data that mimic the properties of the coherent channel.

(Català) Aquesta tesi, basada en articles, se centra en el desenvolupament de productes per a la missió HydroGNSS de l'ESA, incloent l'algoritme de detecció d'inundacions de Nivell 2, l'explotació del canal coherent per al producte L1B i el desenvolupament d’un simulador simplificat del canal coherent. La primera contribució és un algoritme de detecció d’aigua aplicable tant a dades de baixa com d’alta taxa de mostreig. La integració de dos observables derivats de potència de baixa taxa —la reflectivitat i la raó de dispersió de potència— permet una caracterització més completa de les propietats de la superfície. A més, la incorporació d’informació auxiliar redueix l’impacte de l’heterogeneïtat espacial. El classificador de bosc aleatori captura relacions no lineals i assoleix els requisits de precisió, amb falsos positius associats principalment a zones de pantans. També s’incorporen dos observables derivats de senyals complexes d’alta taxa, un dels quals s’introdueix per primera vegada: l’amplitud normalitzada (NA), que es manté estable sobre terra i és poc sensible al temps d’integració coherent. Els resultats indiquen que la NA té una importància superior al coeficient de coherència (CC) per a la classificació d’aigua. La segona contribució analitza l’impacte de la senyal amb polarització circular dreta (RHCP). La raó de dispersió de potència normalitzada en RHCP mostra una separació més clara entre terra i aigua, i major consistència entre diversos tipus de superfície. En canvi, la reflectivitat en RHCP presenta més superposició entre terra i aigua, la qual cosa pot afectar negativament la classificació. En superfícies aquàtiques no interiors, el tipus de superfície contribueix negativament al resultat, indicant que calen indicadors de coherència més elevats per compensar aquest efecte. A més, les probabilitats posteriors, derivades del teorema de Bayes, demostren que la combinació de reflectivitat i raó de dispersió de potència normalitzada millora l’exactitud de la classificació reduint els falsos positius. La tercera contribució se centra en l'explotació del canal coherent d’HydroGNSS. Es va dur a terme una anàlisi per avaluar la sensibilitat dels indicadors de coherència a les superfícies d’aigua. El CC i la NA es van comparar amb la mètrica d’“entropia total” disponible al producte CYGNSS. La NA mostra una sensibilitat similar a la de l’entropia total i és més estable respecte al temps d’integració. En canvi, el CC és més sensible a petits cossos d’aigua però molt afectat pel temps d’integració. També es va desenvolupar una nova variable: la reflectivitat d’alta taxa (HSRR), obtinguda a partir de la NA mitjançant un ajust exponencial per trajecte. La HSRR presenta bona concordança amb la reflectivitat L1 de CYGNSS i amb dades calibrades del producte IF. Es va introduir un llindar de soroll basat en la taxa baixa per millorar-ne la robustesa. L’anàlisi de trajectes adjacents confirma que proporciona una resolució més alta que els productes actuals d’1–2 Hz, millorant la seva aplicabilitat per al monitoratge detallat de característiques de superfície. Finalment, es presenta un simulador simplificat del canal coherent, inclòs com a annex. Fins ara, simular senyals complexes GNSS-R d’alta taxa reflectides sobre terra requeria models costosos. Aquesta versió redueix la complexitat computacional i permet generar dades sintètiques realistes, facilitant la seva aplicació en estudis sobre el canal coherent.

(Español) Esta tesis basada en artículos se centra en el desarrollo de productos para la misión HydroGNSS de la ESA, incluyendo el algoritmo de inundación superficial de Nivel 2, la explotación del canal coherente para el producto L1B y el desarrollo de un simulador simplificado del canal coherente. La primera contribución es el desarrollo de un algoritmo de detección de agua aplicable a datos de alta y baja tasa de muestreo. La integración de dos observables derivados de potencia a baja tasa —la reflectividad y la razón de dispersión de potencia— permite una caracterización más completa de las propiedades de la superficie. La incorporación de información auxiliar mitiga el impacto de la heterogeneidad espacial. El clasificador de bosque aleatorio captura eficazmente relaciones no lineales, cumpliendo los requisitos de precisión, con falsos positivos principalmente en zonas húmedas. También se integran dos observables complejos de alta tasa, uno de ellos introducido por primera vez: la amplitud normalizada (NA), que se mantiene estable sobre tierra y muestra baja sensibilidad a variaciones en el tiempo de integración. Los resultados indican que la NA tiene mayor importancia que el coeficiente de coherencia (CC), subrayando su relevancia para la clasificación de agua. La segunda contribución analiza el impacto de la señal con polarización circular derecha en el algoritmo de detección de agua. La razón de dispersión de potencia normalizada en RHCP presenta una mejor diferenciación entre tierra y agua y mayor coherencia entre tipos de superficie, en comparación con LHCP. En contraste, la reflectividad en RHCP presenta mayor solapamiento entre tierra y agua, lo que puede afectar negativamente el rendimiento de clasificación. En superficies acuáticas no continentales, el tipo de superficie contribuye negativamente, lo que indica que se requieren indicadores de coherencia más altos para compensar este efecto. Además, las probabilidades posteriores derivadas del teorema de Bayes demuestran que la combinación de reflectividad y razón de dispersión normalizada mejora la precisión al reducir falsos positivos. La tercera contribución se centra en la explotación del canal coherente de HydroGNSS. Se analizó la sensibilidad de los indicadores de coherencia a superficies acuáticas. El coeficiente de coherencia y la amplitud normalizada, calculados con 4 ms de integración coherente, se compararon con la métrica de entropía completa del producto CYGNSS. La NA muestra una sensibilidad similar a la entropía completa y se mantiene estable frente a cambios en el tiempo de integración, lo cual es relevante dado que la entropía completa no puede obtenerse de HydroGNSS. El CC muestra mayor sensibilidad a pequeños cuerpos de agua, pero con mayor dependencia del tiempo de integración. Además, se desarrolló una nueva variable, la reflectividad de alta tasa (HSRR), ajustando exponencialmente la reflectividad calibrada de baja tasa a lo largo de la trayectoria. La HSRR coincide bien con la reflectividad L1 de CYGNSS y la reflectividad IF calibrada, y fue validada mediante un modelo directo. Se introdujo un umbral de ruido basado en el nivel de ruido de baja tasa para mejorar su robustez. Análisis de trayectorias adyacentes confirmaron que ofrece mejor resolución que los productos actuales de 1–2 Hz, aumentando su aplicabilidad al monitoreo detallado. Por último, se incluye un simulador simplificado del canal coherente (anexo). Hasta ahora, la simulación de señales GNSS-R complejas a alta tasa reflejadas sobre tierra requería modelos complejos y costosos. Este enfoque reduce la complejidad y el tiempo de cómputo, facilitando la generación de datos sintéticos con propiedades similares al canal coherente.