SENDAI：层次稀疏测量、高效数据同化框架
机器学习
2026-01-30 v1 人工智能
计算工程、金融与科学
摘要
在时空场重建中，Bridging data-rich training regimes 与 observation-sparse deployment 条件的差距仍是核心挑战，尤其当目标域表现出分布迁移、异构结构和多尺度动力学，而这些特征在可用训练数据中并不存在时。我们提出 SENDAI，一个层次稀疏测量、高效数据同化框架，通过结合基于仿真的先验与学习到的差异校正，从稀疏传感器观测中重建完整的空间状态。我们在卫星遥感领域展示了性能，通过重建 MODIS（中等分辨率成像光谱仪）衍生的植被指数场，覆盖六个全球分布的站点。利用季节性周期作为分布迁移的代理，框架在需要显著更稠密观测的已建立基线方法上持续优于表现——SENDAI 在传统基线方法上实现最高 185% 的 SSIM 提升，相较于最近的高频率方法实现 36% 的提升。这些收益在具有锐利边界和亚季节动力学的景观中尤为显著；更重要的是，该框架有效保留了诊断性相关结构——如场拓扑、土地覆盖连续性和空间梯度。通过产生更结构和光谱可分离的校正，重建的场更适合用于推断间接观测变量的下游任务。结果表明，这是一个轻量且在操作上可行的稀疏测量重建框架，适用于基于物理的推断、资源受限的部署以及实时监控与控制。
引用
@article{arxiv.2601.21664,
title = {SENDAI: A Hierarchical Sparse-measurement, EfficieNt Data AssImilation Framework},
author = {Xingyue Zhang and Yuxuan Bao and Mars Liyao Gao and J. Nathan Kutz},
journal= {arXiv preprint arXiv:2601.21664},
year = {2026}
}