Physics-Conditioned Synthesis of Internal Ice-Layer Thickness for Incomplete Layer Traces
作者: Zesheng Liu, Maryam Rahnemoonfar
分类: cs.LG
发布日期: 2026-04-22
备注: Accepted for 2026 IEEE International Geoscience and Remote Sensing Symposium (IGARSS 2026)
💡 一句话要点
提出物理条件约束的冰层厚度合成方法，补全雷达图像中不完整的冰层信息
🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)
关键词: 冰层厚度合成 雷达图像补全 物理条件约束 几何学习 Transformer模型
📋 核心要点
- 雷达图像冰层信息缺失是冰川研究的挑战，现有方法依赖完整数据，无法有效处理不完整冰层。
- 提出一种物理条件约束的冰层厚度合成方法，利用几何学习和Transformer模型补全缺失信息。
- 实验表明，该方法能有效恢复冰层信息，并可作为预训练提升下游深度冰层预测器的精度。
📝 摘要（中文）
雷达图像中的内部冰层是雪积累和冰动力学的重要证据，但由于分辨率限制、传感器噪声和信号丢失，雷达衍生的层边界观测通常是不完整的，存在不连续的痕迹，有时甚至完全缺失层。现有的冰层地层图模型通常假设层轮廓足够完整，并侧重于从可靠追踪的浅层预测更深层的厚度。本文通过结合来自物理气候模型的同步物理特征，从不完整的雷达衍生层痕迹中合成完整的冰层厚度标注，从而解决层补全问题。所提出的网络结合了几何学习来聚合层内空间上下文，以及基于Transformer的时间模块，该模块在各层之间传播信息，以鼓励连贯的地层和一致的厚度演化。为了从不完整的监督中学习，我们优化了一个mask-aware的鲁棒回归目标，该目标仅在观察到的厚度值处评估误差，并按有效条目的数量进行归一化，从而在不同的稀疏性下实现稳定的训练，而无需插补，并将补全引导到物理上合理的值。该模型保留了可用的观测厚度，仅推断缺失区域，恢复碎片化的片段，甚至完全缺失的层，同时与测量的痕迹保持一致。此外，合成的厚度堆栈为下游的深层预测器提供了有效的预训练监督，与在相同的完全追踪数据上从头开始训练相比，提高了微调的准确性。
🔬 方法详解
问题定义：论文旨在解决雷达图像中冰层信息不完整的问题。由于雷达分辨率限制、噪声干扰和信号衰减，导致冰层边界观测数据存在不连续、断裂甚至完全缺失的情况。现有方法通常假设冰层数据完整，无法有效处理这些不完整的数据，限制了其在冰川研究中的应用。
核心思路：论文的核心思路是利用物理气候模型提供的物理特征作为条件，结合几何学习和时间序列建模，从不完整的雷达数据中合成完整的冰层厚度信息。通过物理约束，保证合成的冰层厚度在物理上是合理的。
技术框架：该方法主要包含以下几个模块：1) 几何学习模块：利用几何学习方法聚合层内的空间上下文信息，捕捉冰层内部的几何特征。2) 基于Transformer的时间模块：利用Transformer模型在不同冰层之间传播信息，捕捉冰层厚度随时间演化的规律，保证地层结构的连贯性。3) Mask-aware鲁棒回归损失函数：该损失函数只在观测到的厚度值处计算误差，并根据有效数据的数量进行归一化，从而实现对不完整数据的有效学习。
关键创新：该方法最重要的创新点在于将物理气候模型提供的物理特征作为条件，指导冰层厚度的合成。这种物理约束能够保证合成的冰层厚度在物理上是合理的，避免了生成不符合物理规律的结果。此外，Mask-aware鲁棒回归损失函数的设计也使得模型能够有效地从不完整的数据中学习。
关键设计：1) 几何学习模块采用图神经网络（GNN）来聚合层内空间信息。2) 时间模块使用Transformer编码器-解码器结构，捕捉冰层厚度的时间依赖性。3) Mask-aware损失函数采用L1损失，并对每个样本的损失进行归一化，以平衡不同稀疏程度样本的影响。
🖼️ 关键图片
📊 实验亮点
该方法通过在不完整数据上进行训练，能够有效地恢复缺失的冰层信息，并与观测数据保持一致。实验结果表明，该方法能够显著提高冰层厚度预测的准确性，并且合成的冰层数据可以作为预训练数据，提升下游深度学习模型的性能。与从头开始训练相比，使用合成数据进行预训练可以提高深层预测器的准确性。
🎯 应用场景
该研究成果可应用于冰川学、气候变化研究等领域。通过补全雷达图像中缺失的冰层信息，可以更准确地分析冰川的积累和消融过程，从而更好地理解气候变化对冰川的影响。此外，该方法还可以应用于其他类似的地层结构分析，例如沉积岩研究等。
📄 摘要（原文）
Internal ice layers imaged by radar provide key evidence of snow accumulation and ice dynamics, but radar-derived layer boundary observations are often incomplete, with discontinuous traces and sometimes entirely missing layers, due to limited resolution, sensor noise, and signal loss. Existing graph-based models for ice stratigraphy generally assume sufficiently complete layer profiles and focus on predicting deeper-layer thickness from reliably traced shallow layers. In this work, we address the layer-completion problem itself by synthesizing complete ice-layer thickness annotations from incomplete radar-derived layer traces by conditioning on colocated physical features synchronized from physical climate models. The proposed network combines geometric learning to aggregate within-layer spatial context with a transformer-based temporal module that propagates information across layers to encourage coherent stratigraphy and consistent thickness evolution. To learn from incomplete supervision, we optimize a mask-aware robust regression objective that evaluates errors only at observed thickness values and normalizes by the number of valid entries, enabling stable training under varying sparsity without imputation and steering completions toward physically plausible values. The model preserves observed thickness where available and infers only missing regions, recovering fragmented segments and even fully absent layers while remaining consistent with measured traces. As an additional benefit, the synthesized thickness stacks provide effective pretraining supervision for a downstream deep-layer predictor, improving fine-tuned accuracy over training from scratch on the same fully traced data.