K-STEMIT：面向雷达数据 subsurface 地层厚度估计的知识驱动的高效多分支时空图神经网络
机器学习
2026-04-14 v1 计算机视觉与模式识别
摘要
subsurface地层包含有关积累、变形和层形成在极地冰盖中的时空信息。特别是，内部冰层厚度的变化为雪质量平衡估计和冰盖变化投影提供了宝贵约束。虽然雷达传感器可以将这些分层结构捕获为深度分辨的 radargram，但直接用于雷达图像的卷积神经网络常对信噪比和获取制造痕迹敏感。此外，纯数据驱动的方法可能在利用物理知识方面不足，导致在空间或时间外推时产生不现实的厚度估计。为此，我们发展K-STEMIT，一种 novel 知识驱动的、高效的、多分支时空图神经网络，将空间学习的几何框架与时序卷积结合以捕获时序动态，并整合来自 Model Atmospheric Regional physical weather model 的同步物理数据。采用自适应特征融合策略，以动态方式组合来自不同分支学习的特征。对K-STEMIT在知识驱动和非知识驱动设置以及其他现有方法中进行了大量实验比较。结果表明，K-STEMIT在保持接近最优效率的同时始终实现最高准确率。最显著的是， incorporating 自适应特征融合和物理先验相较于其传统多分支变体，均方根误差降低21.01%，且额外成本可忽略不计。此外，我们提出的K-STEMIT实现了 consistently lower per-year relative MAE，使我们能够在大范围空间区域中可靠、持续地评估雪积变化的时空特性。
关键词
引用
@article{arxiv.2604.09922,
title = {K-STEMIT: Knowledge-Informed Spatio-Temporal Efficient Multi-Branch Graph Neural Network for Subsurface Stratigraphy Thickness Estimation from Radar Data},
author = {Zesheng Liu and Maryam Rahnemoonfar},
journal= {arXiv preprint arXiv:2604.09922},
year = {2026}
}