Novel Hybrid Quantum-Classical Computing Algorithms Enhancing Satellite Remote Sensing Applications for Earth Observation

Abstract

Earth observation (EO) is increasingly driven by large-scale remote sensing (RS) data, acquired from satellite and airborne platforms across diverse temporal and spatial resolutions. These datasets are characterized not only by volume, but by complex properties such as multi-source heterogeneity, high dimensionality, nonlinear feature distributions, and spatio-temporal variability. Processing such data at operational scale introduces significant algorithmic and computational challenges, particularly in high resolution environmental monitoring and planetary-scale inference tasks. Quantum computing (QC) offers a computational paradigm fundamentally different from classical computing, leveraging the principles of quantum mechanics to perform operations in high-dimensional state spaces. This theoretical advantage makes QC a compelling candidate for selected EO tasks, especially those involving combinatorial optimization and learning tasks. However, the limited qubit fidelity and scale of current quantum hardware constrain their direct applicability to operational applications in Earth observation. This PhD thesis investigates the application of annealing-based and circuit-based quantum algorithms to EO, as well as the integration of quantum algorithms with classical devices, such as those in high-performance computing (HPC) environments. It examines acquisition scheduling and data classification tasks within EO workflows. Experiments assess practical algorithmic benefits, computational scalability, and constraints imposed by hybrid quantum-classical execution. Results demonstrate that quantum modules, when carefully embedded into HPC architectures, can enhance selected stages of EO pipelines, specifically using quantum machine learning and quantum optimization approaches.Jarðrannsóknir (e. Earth observation, EO) eru í auknum mæli drifnar áfram af stórum fjarkönnunar (e. remote sensing, RS) gagnasöfnum, sem eru fengin með gervihnöttum og loftförum í fjölbreyttum tímaskölum og rúmfræðilegum upplausnum. Þessi gagnasöfn einkennast ekki aðeins af stærð, heldur einnig af flóknum eiginleikum á borð við fjölbreytilegan uppruna, háa vídd, ólínulega dreifingu fitjueiginda, og breytileika í rúmi og tíma. Vinnsla slíkra gagna á rekstrarskala felur í sér verulegar reikniritalegar og útreikningslegar áskoranir, sérstaklega í háupplausnar umhverfisvöktun og líkanrekstur á plánetuskala. Skammtatölvuvinnsla (e. quantum computing, QC) býður upp á reiknilíkan sem er grundvallarlega ólíkt hefðbundnum tölvum, sem nýtir lögmál skammtafræðinnar til að framkvæma aðgerðir í hávíddarástandsrúmum. Þessir fræðilegu yfirburðir gera QC að sannfærandi kosti fyrir valin EO verkefni, einkum þau sem fela í sér fléttufræðitengd bestunarverkefni og lærdómsverkefni. Hins vegar takmarkar takmörkuð nákvæmni og stærð skammtabita í núverandi skammtatölvuvélbúnaði beinan nýtileika þeirra í rekstrarlegum jarðarrannsóknum. Þessi doktorsritgerð rannsakar beitingu temprunarbyggðra (e. annealing-based) og rásbyggðra (e. circuitbased) skammtareiknirita í EO, sem og samþættingu skammtareiknirita við klassíska tölvuvinnslu, einkum í stórvirkum tölvuvinnslu (e. high-performance computing, HPC) umhverfum. Hún skoðar verkefni tengd gagnaöflunartímaáætlunargerð og gagnaflokkun innan EO vinnuferla. Tilraunir meta raunverulegan hag reikniritanna, skalanleika útreikninga, og skorður sem fylgja blönduðum skammta-klassískum keyrslum. Niðurstöður sýna að skammtaforritseiningar (e. quantum modules), þegar þær eru vandlega innfelldar í HPC arkitektúr, geta bætt tiltekin stig í EO verkferlum, þá sérstaklega með notkun skammtatölvuvélnáms og skammta-bestunar nálgunum.