面向阿德尔加深的海冰漂移估计：基于 RADARSAT-2 的深学习光流
计算机视觉与模式识别
2025-10-31 v1 地球物理
摘要
准确估计海冰漂移对阿德尔加的导航、气候研究和操作性预测至关重要。虽然光流法作为一种用于估计连续图像之间像素级运动的计算机视觉技术，在计算机视觉领域取得了快速进展，但其在地球物理问题和卫星 SAR 影像上的适用性仍未得到充分探索。经典光流方法依赖数学模型和关于运动的强假设，这限制了其在复杂场景中的准确性。近期基于深度学习的方法显著提升了性能，已成为计算机视觉中的标准做法，推动其在海冰漂移估计中的应用。我们present了在 RADARSAT 2 ScanSAR 海冰影像上对 48 个深度学习光流模型进行的首个大规模基准测试，采用端点误差 (EPE) 和 Fl all 指标对比 GNSS 轨迹的浮标进行评估。多个模型实现了亚公里精度（EPE 6 到 8 像素，300 到 400 米），相对于海冰运动的尺度和阿德尔加典型导航要求而言，误差较小。我们的结果表明，这些模型能够捕捉到一致的区域漂移模式，最近的深度学习光流方法在运动估计准确性方面显著优于经典方法，可有效应用于极地遥感。光流产生 spatially 连续的漂移场，为每个图像像素提供运动估计，而不仅仅是稀疏浮标位置，这为导航和气候建模提供了新的机遇。
关键词
引用
@article{arxiv.2510.26653,
title = {Towards Reliable Sea Ice Drift Estimation in the Arctic Deep Learning Optical Flow on RADARSAT-2},
author = {Daniela Martin and Joseph Gallego},
journal= {arXiv preprint arXiv:2510.26653},
year = {2025}
}