基于稀疏雷达信号的亚冰床地形学习——结合物理引导的残差学习
计算机视觉与模式识别
2025-11-19 v1
摘要
准确的亚冰床地形对于冰盖建模至关重要，但雷达观测稀疏且分布不均。我们提出了一种基于物理引导的残差学习框架，对BedMachine先验预测亚冰床厚度残差，并从观测的表面重建冰床。我们采用DeepLabV3+解码器配合标准编码器（如ResNet-50）进行训练，采用轻量级物理和数据术语：多尺度质量守恒、流向总变异、拉普拉斯阻尼、厚度非负性、先验一致性斜坡项，以及受置信度图调制的遮蔽Huber拟合到雷达拾取信号。为衡量现实世界的泛化能力，我们采用泄漏安全的块状留置法（垂直/水平）并设置安全缓冲区，仅在留置的核心上报告指标。在两个格陵兰亚亚区，本方法在测试核心上实现了卓越的准确性和高结构保真度，优于U-Net、Attention U-Net、FPN和普通CNN。残差-先验设计结合物理特征，产生具有较强空间连贯性和物理可行性的冰床，适用于在域移情况下的操作性制图。
引用
@article{arxiv.2511.14473,
title = {Learning Subglacial Bed Topography from Sparse Radar with Physics-Guided Residuals},
author = {Bayu Adhi Tama and Jianwu Wang and Vandana Janeja and Mostafa Cham},
journal= {arXiv preprint arXiv:2511.14473},
year = {2025}
}