PhysE-Inv：基于物理编码的逆向建模方法用于北极雪深预测
机器学习
2026-02-25 v3 人工智能
摘要
准确估计北极雪深仍是一个因海冰参数稀缺而具有关键时变逆问题。现有的过程基模型和数据驱动模型要么对稀疏数据高度敏感，要么缺乏对气候关键应用所需的物理可解释性。为此，我们引入 PhysE-Inv，一个新颖的框架，将一种新进的序列架构——带多头注意力和对比学习的 LSTM 编码器-解码器——与物理引导的推断相结合。我们的核心创新在于一种物理约束的逆方法。该方法首先利用水力平衡正向模型作为目标-表述代理，实现在缺乏直接真实值情况下的有效学习；其次，它使用重构物理正则化在潜在空间上动态发现隐藏物理参数，这些参数来自噪声、不完整的时间序列输入。针对最先进的基线进行评估，PhysE-Inv 在预测性能上显著提升，误差降低 20%，同时在物理一致性和数据稀缺性韧性方面优于经验方法。除了北极雪深，PhysE-Inv 还可广泛应用于地球和气候科学中的其他噪声、数据稀缺问题。
引用
@article{arxiv.2601.17074,
title = {PhysE-Inv: A Physics-Encoded Inverse Modeling approach for Arctic Snow Depth Prediction},
author = {Akila Sampath and Vandana Janeja and Jianwu Wang},
journal= {arXiv preprint arXiv:2601.17074},
year = {2026}
}