MeltwaterBench：用于表面融水时空下采样的深度学习
计算机视觉与模式识别
2025-12-16 v1 人工智能
机器学习
大气与海洋物理
数据分析、统计与概率
摘要
格陵兰冰盖由于过程不完全理解且难以测量而加速融化。表面融水分布有助于理解这些过程，可通过遥感观测，但当前的融水图面面临权衡：要么在时间分辨率上高，要么在空间分辨率上高，二者不可同时满足。我们开发了深度学习模型，通过融合遥感观测数据和基于物理的模型，创建每日 100m 分辨率的网格化表面融水图。具体而言，我们利用合成孔径雷达 (SAR)、被动微波 (PMW) 以及数字高程模型 (DEM) 对东格陵兰赫利姆峰谷从 2017-2023 年的区域气候模型 (RCM) 输出进行时空下采样。使用 SAR 派生的融水作为“基准”，我们表明融合所有数据流的深度学习方法在研究区域上的准确率比仅依赖区域气候模型 (83% vs. 95% Acc.) 或仅依赖被动微波观测 (72% vs. 95% Acc.) 的现有非深度学习方法高出超过 10 个百分点。或者，通过 SAR 数据进行窗口计算创建的网格化产品会低估极端融水事件，但也达到了显著的准确率 (90%)，且不依赖深度学习。我们评估了标准深度学习方法 (UNet 和 DeepLabv3+)，并发布我们的时空对齐数据集作为基准 (MeltwaterBench)，用于与更复杂的数据驱动下采样方法进行比较。代码和数据均可在 上获取。
引用
@article{arxiv.2512.12142,
title = {MeltwaterBench: Deep learning for spatiotemporal downscaling of surface meltwater},
author = {Björn Lütjens and Patrick Alexander and Raf Antwerpen and Til Widmann and Guido Cervone and Marco Tedesco},
journal= {arXiv preprint arXiv:2512.12142},
year = {2025}
}