DeepTopoNet：格陵兰冰盖冰下地形估计框架

了解格陵兰的冰下地形对于预测冰盖未来的质量损失及其对全球海平面上升的贡献至关重要。然而，观测数据复杂且稀疏的特性，特别是关于冰盖下方基岩地形的信息，显著增加了模型预测的不确定性。基岩地形传统上通过机载探冰雷达进行测量，该雷达直接测量飞机正下方的冰层厚度，在航线之间留下数十公里的数据空白。本研究引入了一个深度学习框架，我们称之为 DeepTopoNet，它通过一种新颖的动态损失平衡机制整合了雷达衍生的冰层厚度观测数据和 BedMachine Greenland 数据。在所有重建基岩地形的努力中，BedMachine 已成为最广泛使用的数据集之一，它结合了质量守恒原理和冰厚度测量来生成高分辨率的基岩高程估计。所提出的损失函数自适应地调整雷达数据和 BedMachine 数据之间的权重，在雷达覆盖有限的区域确保鲁棒性，同时利用 BedMachine 预测（即基岩估计）的高空间分辨率。我们的方法结合了基于梯度和趋势面特征来增强模型性能，并利用专为次网格尺度预测设计的 CNN 架构。通过在 Upernavik Isstr{\o}m 区域进行系统测试，该模型实现了高精度，在重建冰下地形方面优于基线方法。这项工作展示了深度学习在弥合观测空白方面的潜力，为推断冰下地形提供了可扩展且高效的解决方案。