El hielo marino del Ártico es un indicador crítico de la dinámica climática global, influyendo directamente en la navegación marítima, la biodiversidad polar y la seguridad en la ingeniería offshore. La cartografía precisa de los diversos tipos de hielo, como el hielo frazil, el barro, los estanques de deshielo y el agua abierta, es esencial para el monitoreo ambiental; sin embargo, sigue siendo un desafío formidable en la teledetección satelital. Estas dificultades surgen de imágenes de bajo contraste, firmas espectrales superpuestas y las sutiles diferencias texturales características de las regiones polares. Las técnicas tradicionales de umbralización basadas en la entropía a menudo fallan al segmentar estas escenas complejas, ya que generalmente se basan en suposiciones de distribución gaussiana que no se alinean con la naturaleza estocástica de los datos del Ártico. Para abordar estas limitaciones, este artículo presenta un nuevo marco de segmentación no supervisada basado en la entropía cruzada simétrica (SCE). A diferencia de las medidas direccionales estándar, la SCE proporciona una función objetivo más robusta para la umbralización de múltiples niveles al maximizar simultáneamente la cohesión intra-clase y minimizar la ambigüedad inter-clase. El método propuesto utiliza una estrategia de búsqueda optimizada para identificar los niveles de intensidad que mejor delinean las características complejas del Ártico. Realizamos un extenso estudio comparativo basado en la entropía que evaluó la SCE frente a 25 medidas de entropía de última generación, incluyendo las entropías de Shannon, Kapur, Rényi, Tsallis y Masi. Nuestros resultados experimentales demuestran que el método SCE: (i) logra una precisión superior al superar consistentemente a los modelos establecidos en precisión de segmentación y definición de límites; (ii) proporciona claridad visual al producir segmentos con ruido significativamente reducido, lo que los hace ideales para identificar estanques de deshielo a pequeña escala y zonas de barro; y (iii) demuestra robustez computacional al proporcionar valores de umbral estables incluso en conjuntos de datos con distribuciones de clase no gaussianas y mala iluminación. En última instancia, estas mejoras ofrecen datos de características de hielo de alta calidad que mejoran la evaluación de riesgos, la planificación operativa y la modelización predictiva. Esta investigación marca un gran avance en los estudios del mar Ártico e introduce una nueva herramienta valiosa para las comunidades de procesamiento de imágenes y visión por computadora.