基于不确定性感知图学习的稀疏雷达数据格陵兰床岩地形绘制改进
计算机视觉与模式识别
2025-11-19 v2
摘要
准确绘制格陵兰亚次地下床岩图是支撑海平面上升预测不可或缺的，但雷达观测数据稀疏且分布不均。我们引入GraphTopoNet，一种基于图学习的框架，融合异构监督信息并通过蒙特卡洛 dropout显式建模不确定性。由表面可观测量(海拔、速度、质量平衡)构建的空间图谱增添了梯度特征和多项式趋势，以捕捉局部变异性和整体结构。为处理数据空洞，我们采用混合损失函数，将置信度加权的雷达监督与动态平衡的正则化相结合。应用于三个格陵兰亚子地区时，GraphTopoNet在插值、卷积和图基方法中均表现优异，误差降低最高可达60%，同时保留细微尺度的冰川特征。生成的床岩图提高了用于运营建模的可靠性，支持气候预测和政策制定机构。更广泛地来说，GraphTopoNet展示了图机器学习如何将稀疏、不确定的地球物理观测转化为大尺度可行动知识的方法。
引用
@article{arxiv.2509.08571,
title = {Improving Greenland Bed Topography Mapping with Uncertainty-Aware Graph Learning on Sparse Radar Data},
author = {Bayu Adhi Tama and Homayra Alam and Mostafa Cham and Omar Faruque and Jianwu Wang and Vandana Janeja},
journal= {arXiv preprint arXiv:2509.08571},
year = {2025}
}