PILA：面向可解释地球观测的物理信息低秩增强
机器学习
2025-12-19 v2
摘要
物理上有意义的表征对于地球观测 (Earth Observation, EO) 至关重要，但现有的物理模型往往简化且不完整。这导致仿真结果与观测数据之间的差异，阻碍了可靠的正向模型反演。常见的 EO 反演方法要么忽视这种不完整性，要么依赖特定情境的预处理。更近期的方法使用物理信息自编码器，但依赖难以解释的辅助变量，且难以平衡多个正则化器。我们提出物理信息低秩增强 (Physics-Informed Low-Rank Augmentation, PILA) 框架，通过可学习的低秩残差来增强不完整物理模型的灵活性，同时保持与支配物理规律的接近性。我们在涉及多样化物理过程的两个 EO 逆问题上评估了 PILA：由光学遥感数据进行的森林辐射传递反演；以及由全球导航卫星系统 (Global Navigation Satellite Systems, GNSS) 位移数据进行的火山变形反演。在不同领域，PILA 能获得更准确且可解释的物理变量。对于森林光谱反演，PILA 改善了树种的分离效果，并相对于最新方法，将预测误差降低 40%~71%。对于火山变形，PILA 对变量的恢复捕捉到了2008年阿库塔火山一次主要的气压事件，估计的源深、体积变化及位移模式均与已有研究结果一致，但后者需要大量额外的预处理。最后，我们分析了模型秩、可观测性及物理先验的影响，提示PILA可能为即使超越地球观测领域的不完整物理模型反演提供一种有效的通用路径。代码已公开于 https://github.com/yihshe/PILA.git。
引用
@article{arxiv.2405.18953,
title = {PILA: Physics-Informed Low Rank Augmentation for Interpretable Earth Observation},
author = {Yihang She and Andrew Blake and Clement Atzberger and Adriano Gualandi and Srinivasan Keshav},
journal= {arXiv preprint arXiv:2405.18953},
year = {2025}
}