Väitös merijään epälineaarisen dynamiikan alalta, DI Matias Uusinoka

Väitöskirjan nimi: Nonlinear Dynamics of Sea Ice at Intermediate Scales via Deep Learning Optical Flow  

Väittelijä: Matias Uusinoka
Vastaväittäjä: Dr. Nils Hutter, GEOMAR Helmholtz Centre for Ocean Research Kiel, Saksa
Kustos: Prof. Arttu Polojärvi, Aalto-yliopiston insinööritieteiden korkeakoulu 

Deformaatio jääkentissä ilmenee tyypillisesti äkillisenä, tilassa voimakkaasti paikallistuneena ilmiönä läpi suuren määrän eri mittakaavoja. Tämän tyyppisen käyttäytymisen ymmärtäminen ja mallintaminen on erityisen haastavaa jääfysiikassa, sillä nämä ilmiöt sijoittuvat kahden perinteisesti toisistaan pohjustavanlaatuisesti poikkeavan näkökulman väliin. Pienissä mittakaavoissa näitä ilmiöitä tutkitaan yksityiskohtaisen jään mekaniikan kautta, mutta suuremmissa mittakaavoissa tukeudutaan kontinuumikuvaukseen ja tilastollisiin piirteisiin. Tämän väitöskirjan tarkoituksena on havainnoida näiden kahden lähestymismallin väliin jäävien mittakaavojen deformaatiokenttien epälineaarista dynamiikkaa.  Työ yhdistää syväoppimispohjaisen optisen vuon menetelmää ja tilastollisen fysiikan lähestymistapoja, joilla deformaatiokenttiä analysoidaan eri mittakaavoissa.

Työssä kehitetään syväoppimiseen pohjautuva optisen vuon menetelmä, joka muuntaa kohinaisen tutkadatan tiheiksi siirtymä- ja muodonmuutoskentiksi. Menetelmää sovelletaan tämän jälkeen Arktiselta kerättyyn laivatutkadataan, jonka pohjalta selvitetään, miten deformaatiokenttien tilastolliset piirteet muuttuvat tilan ja ajan funktiona. Analyysissa hyödynnetään skaalainvarianssia, multifraktaalianalyysia sekä rakennefunktioita. Tulokset osoittavat ensimmäistä kertaa, että talviolosuhteissa klassisella skaalainvarianssilla on potentiaalinen alaraja noin sadan metrin suuruusluokassa. Lisäksi työ osoittaa, että multifraktaaliset tilastolliset piirteet edellyttävät riittävän suuria havainnointialueita sekä tilassa että ajassa. Näiden havaintojen pohjalta väitöskirjassa ehdotetaan teoreettista konseptia multifraktaalipiirteiden kynnysmittakaavoista tilassa ja ajassa (”threshold domain sizes”), jotka kytkevät tilastollisen fysiikan mukaiset piirteet jääpeitteen mitattuihin ominaisuuksiin.

Tulokset mahdollistavat kvantitatiivisen viitteen sille, miten paikallistuneen murtumisen mekaaniset tulkinnat voidaan mahdollisesti yhdistää laajan mittakaavan tilastollisiin kuvauksiin, sekä milloin erilaiset laskennalliset mallit ovat ylipäätään sovellettavissa. Eräs työn merkittävä implikaalio on mahdollisuus jäljentää suurten mittakaavojen tilastollisia ominaisuuksia laboratorio-olosuhteissa. Kehitetty syväoppimiseen pohjautuva tutkimustyökalu on lisäksi yleistettävissä muihin tutka- ja satelliittidatalähteisiin, joissa tarvitaan tarkkaa venymäkenttien havainnointia voimakkaan kohinan ja hyvin pienten siirtymien vallitessa.

Avainsanat: Skaalainvarianssi, multifraktaalisuus, syväoppiminen, optinen vuo, merijään dynamiikka 

Linkki väitöskirjan sähköiseen esittelykappaleeseen (esillä 7 päivää ennen väitöstä): Aaltodoc