aalto1 untyped-item.component.html
Nonlinear dynamics of sea ice at intermediate scales via deep learning optical flow
Loading...
URL
Journal Title
Journal ISSN
Volume Title
School of Engineering |
Doctoral thesis (article-based)
| Defence date: 2025-12-12
Electronic archive copy is available via Aalto Thesis Database.
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
Major/Subject
Mcode
Degree programme
Language
en
Pages
63 + app. 67
Series
Aalto University publication series Doctoral Theses, 241/2025
Abstract
Sea ice dynamics span from meter-scale engineering mechanics to basin-scale geophysics. Although extensive research has been performed at both ends of this spectrum, observations at intermediate scales are still lacking. Furthermore, to connect research on ice dynamics in engineering and geophysics, a quantitative link between these approaches is required. This research addresses the gap by analyzing the properties of nonlinear dynamics through scaling laws observed in deformation fields extracted from ship radar data.
To reliably obtain strains from radar imagery, first, a deep-learning optical flow framework is developed. A novel estimate initialization technique is proposed, enabling higher accuracy with small displacements and radar noise. The framework is demonstrated to surpass the accuracy of all other methods. Based on deformation fields extracted with the proposed method from ship radar data, increased intermittency and longer quiescent periods are observed. A lower bound of the scale invariant properties from first-moment spatial scaling is observed. Seasonal analyses show robustness of this lower bound during winter. During summer, more granular behavior is observed, with negligible localization, thus defying the applicability of fractal analysis. Further analysis on the multifractal properties of the deformation fields demonstrates early-winter conditions to exhibit a quadratic form of the multifractal spectrum that is typically observed in large-scale analysis. Latewinter deformations transition toward near-monofractal or unstable patterns as the ice cover evolves. Fully developed multifractal spectra are shown to emerge only with large enough spatial and temporal domain sizes. These observations are used to extend the multifractal framework applied to ice dynamics by introducing threshold domain sizes in space and time. The threshold domain sizes are hypothesized to depend on the properties of the ice cover.
The results of this work have major implications for research on ice dynamics. The developed method for analyzing motion and deformation from radar data opens new avenues for studying field data from various sources. The observations on the lower bound for scale invariance and the introduction of threshold domain sizes help model selection between discrete element and continuum models. The threshold domain sizes also indicate the possibility of reproducing largescale statistics of ice dynamics under controlled conditions in laboratory studies. The methods and findings together provide empirically grounded criteria for linking scales in ice dynamics, which affects research ranging from ice-structure interaction to numerical modeling at geophysical scales.
Merijään dynamiikan tutkimus jakautuu metritason insinöörimekaniikan ja satojen kilometrien laajuisten geofysiikan ilmiöiden tutkimukseen. Vaikka tutkimustyötä on tehty runsaasti molempien alojen toimesta, väliin jäävien mittakaavojen havainnot ovat yhä puutteellisia. Jotta insinööritieteellinen ja geofysiikan merijään dynamiikan tutkimus voidaan kvantitatiivisesti linkittää, tarvitaan näiden kahden alan perustavanlaatuisesti erilaisten lähestymistapojen välille yhdistävää metriikkaa. Tämän väitöstyön tarkoituksena on täydentää keskimittakaavojen havaintoja ja teoriaa analysoimalla skaalauslakien pohjalta epälineaarisen dynamiikan ominaisuuksia tutkadatasta johdetuissa deformaatiokentissä.
Lähtökohtaisesti tässä väitöstyössä kehitetään syväoppimiseen perustuvan optisen vuon avulla menetelmä, joka mahdollistaa pienten venymien luotettavan havainnoinnin meluisasta tutkadatasta korkealla resoluutiolla. Menetelmä todetaan muita samaan tarkoitukseen kehitettyjä ratkaisuja tarkemmaksi. Menetelmän kehityksen jälkeen uutta lähestymistapaa hyödynnetään keskimittakaavojen deformaatiokenttien havainnointiin, joiden todetaan olevan ajallisesti katkonaisempia kuin aiemmat havainnot osoittavat. Ensimmäisen momentin tila-aikaskaalauksessa havaitaan skaalainvarianttien ominaisuuksien alaraja, jonka mittakaava pysyttelee lähes vakiona koko talvikauden ajan. Kesäkaudelle siirryttäessä venymäkentän ominaisuudet eivät enää todenna fraktaalianalyysin edellyttämää riittävää tilallista lokalisoitumista. Multifraktaalianalyysi vuorostaan osoittaa, ettei merijään deformaatiokenttien fraktaaliominaisuudet pysy vakiona jääkentän kehittyessä. Alkutalven olosuhteissa kentästä on havaittavissa satelliittikuvissa aiemmin todettu kvadraattinen multifraktaalispektri, mutta kentän ominaisuuksien muuttuessa spektri lähestyy lähes monofraktaalisia ja epävakaita sovituksia. Täysin kehittyneen multifraktalispektrin todetaan ilmenevän ainoastaan riittävän suurilla tilallisilla ja ajallisilla mittausalueilla. Analyysien pohjalta tämä väitöstyö laajentaa olemassa olevaa merijään dynamiikkaan sovellettua multifraktaaliteoriaa ottamalla huomioon tilalliset ja ajalliset kynnysmittakaavat. Näiden mittakaavojen esitetään riippuvan jääkentän ominaisuuksista.
Tämän väitöstyön tuloksilla on merkittäviä vaikutuksia jään dynamiikan tutkimukseen niin geofysiikassa kuin myös insinöörimekaniikassa. Kehitetty menetelmä liike- ja deformaatiokenttien havainnointiin mahdollistaa eri lähteistä kerätyn empiirisen mittausdatan kattavamman hyödyntämisen. Havainnot skaalausinvarianssin alarajasta sekä työssä esitetyt kynnysmittakaavat auttavat numeerisessa mallinnuksessa valitsemaan diskreettien elementtien ja kontinuumimallien välillä. Kynnysmittakaavojen todentaminen saattaa myös tulevaisuudessa mahdollistaa geofysikaalisten mittakaavojen jään dynamiikan tilastollisten ominaisuuksien toistaminen kontrolloiduissa laboratorio-olosuhteissa. Tämän väitöstyön kehittämä menetelmä ja löydökset tarjoavat empiirisesti perustellun linkin mittakaavojen yhdistämiseen jään dynamiikassa, jonka vaikutusalaan kuuluvat tutkimusaiheet jää-rakennevuorovaikutuksesta aina geofysikaaliseen numeeriseen mallinnukseen.
Description
Supervising professor
Polojärvi, Arttu, Assoc. Prof., Aalto University, Department of Energy and Mechanical Engineering, FinlandThesis advisor
Haapala, Jari, Research Prof., Finnish Meteorological Institute, FinlandÅström, Jan, Dr., CSC – IT Center for Science, Finland
Other note
Parts
- [Publication 1]: Matias Uusinoka, Jari Haapala, and Arttu Poloj¨arvi. (2025). Deep learningbased optical flow in fine-scale deformation mapping of sea ice dynamics. Geophysical Research Letters, 52, e2024GL112000.
Full text in Acris/Aaltodoc: https://urn.fi/URN:NBN:fi:aalto-202501292164DOI: 10.1029/2024GL112000 View at publisher
- [Publication 2]: Matias Uusinoka, Jari Haapala, Jan ˚Astr¨om, Mikko Lensu, and Arttu Poloj¨arvi. (2025). Scale Invariance in Kilometer-Scale Sea Ice Deformation. Accepted for publication in The Cryosphere, egusphere-2025-311.
DOI: 10.5194/egusphere-2025-311 View at publisher
- [Publication 3]: Matias Uusinoka, Antoine Savard, Jan ˚Astr¨om, Jari Haapala, and Arttu Poloj¨arvi. (2025). Threshold Domain Sizes For Multifractality in Ice Deformation. Geophysical Research Letters, 52, e2025GL116833.
Full text in Acris/Aaltodoc: https://urn.fi/URN:NBN:fi:aalto-202508276837DOI: 10.1029/2025GL116833 View at publisher