Hybrid AI-Physical Modeling for Penetration Bias Correction in X-band InSAR DEMs: A Greenland Case Study

ملخص تقني: النمذجة الهجينة بين الذكاء الاصطناعي والفيزياء لتصحيح انحياز الاختراق في نماذج الارتفاعات الرقمية (DEM) لنطاق X-band

بيان المشكلة
تعاني نماذج الارتفاعات الرقمية (DEMs) المستمدة من رادار التداخل بفتحة اصطناعية رمزية (InSAR) فوق المناطق الجليدية والمغطاة بالثلوج من أخطاء منهجية في الارتفاع تُعرف باسم "انحياز الاختراق" (penetration bias). تحدث هذه الظاهرة لأن إشارات رادار النطاق X تخترق الثلج والجليد الجاف، مما يجعل مركز الطور المقاس يقع تحت السطح الفعلي. وكما أظهرت المقارنات بين بيانات ICESat-2 وTanDEM-X، يمكن أن يصل هذا الانحياز إلى عدة أمتار ويتفاوت بشكل كبير مع تضاريس الأرض وخصائص الثلوج. وبينما توفر النماذج الفيزيائية البحتة (مثل نموذج الحجم الموحد - Uniform Volume) قابلية للتفسير دون الحاجة لبيانات تدريب، إلا أنها غالباً ما تفشل في رصد سيناريوهات التشتت المعقدة في العالم الحقيقي. وفي المقابل، فإن نهج تعلم الآلة (ML) القائم على البيانات البحتة يمكنه نمذجة التباينات المحلية، ولكنه غالباً ما يفتقر إلى القدرة على المتانة والتعميم، لا سيما عندما تفتقر بيانات التدريب إلى تنوع في هندسة الاستحواذ.

المنهجية
يقترح المؤلفون إطار عمل هجين يجمع بشكل تآزري بين النمذجة الفيزيائية البارامترية ومكون تعلم الآلة (الشبكة العصبية متعددة الطبقات - MLP). الهدف الأساسي هو تقدير انحياز الاختراق ($p_{bias}$) من خلال التنبؤ بمعلمات ملف التشتت الرأسي $f(z)$ من خلال ملاحظات InSAR.

1. النماذج الفيزيائية: تدرس الدراسة نموذجين بارامتريين يحكمان التشتت الرأسي للإشارات:
   • الملف الأسي (Exponential Profile): مشتق من نموذج الحجم الموحد (UV)، ويفترض معامل اضمحلال ثابت للإشارة. يتطلب هذا النموذج تقدير معلمة واحدة فقط: عمق الاختراق أحادي الاتجاه ($d_{pen}$).
   • ملف ويبول (Weibull Profile): نموذج أكثر مرونة قادر على رصد التغيرات في اضمحلال الإشارة نتيجة تغير حجم الحبيبات وكثافتها مع العمق. يتطلب هذا النموذج تقدير معلمتين: معلمة القياس ($\lambda_w$) ومعلمة الشكل ($k_w$).
2. البنية الهجينة: بدلاً من افتراض معلمات فيزيائية ثابتة، يتم تدريب شبكة MLP للتنبؤ بالمعلمات المحددة ($\hat{d}_{pen}$، $\hat{\lambda}_w$، $\hat{k}_w$) لكل بكسل بناءً على ميزات المدخلات مثل إلغاء الارتباط الحجمي، زاوية السقوط، العدد الموجي الرأسي، الطور التداخلي، والارتداد الخلفي. ثم تُغذى هذه المعلمات المتوقعة في المعادلات الفيزيائية (تحديداً معادلة إلغاء الارتباط الحجمي) لحساب الانحياز المقدر النهائي.
3. سيناريوهات التدريب: لتقييم القدرة على التعميم بصرامة، حدد المؤلفون ثلاثة سيناريوهات تدريب بناءً على "ارتفاع الغموض" (HoA)، وهو معلمة رئيسية لهندسة الاستحواذ:
   • الكل (All): التدريب على النطاق الكامل لقيم HoA المتاحة.
   • الاستكمال (Interpolation): يستبعد التدريب قيم HoA المتوسطة (50–60 م) لاختبار قدرات الاستكمال.
   • الاستقراء (Extrapolation): يستبعد التدريب قيم HoA العالية (>70 م) لاختبار أداء الاستقراء.

المساهمات الرئيسية

• الإطار الهجين: تقدم الورقة إطار تصحيح متكامل يدمج القيود الفيزيائية (ملفات التشتت الأسية وويبول) في عملية تعلم قائمة على البيانات، مما يسمح للنموذج بتعلم معلمات ملف التشتت مباشرة من بيانات InSAR.
• التحليل المنهجي للتعميم: على عكس الأعمال السابقة التي قد تركز فقط على الدقة، تقيم هذه الدراسة متانة النموذج بشكل منهجي عبر هندسات استحواذ مختلفة (HoA) من خلال اختبار قدرات الاستكمال والاستقراء صراحةً.
• التقييم المقارن: توفر الدراسة مقارنة مباشرة بين النهج الهجين، والأساس الفيزيائي (نموذج UV)، وأساس MLP القائم على البيانات البحتة.

النتائج
أسفرت التجارات التي أجريت على بيانات TanDEM-X فوق غطاء غرينلاند الجليدي، والتي تم التحقق من صحتها مقابل بيانات NASA IceBridge ATM LiDAR، عن النتائج التالية:

• أداء خط الأساس: يُظهر نموذج الارتفاع الرقمي غير المصحح انحيازاً سلبياً كبيراً (المتوسط $\approx -5.14$ م). نجح نموذج UV الفيزيائي البحت في تقليل هذا الانحياز، ولكنه نتج عنه جذر متوسط مربعات (RMSE) مرتفع (2.07 م) ومعامل تحديد ($R^2$) منخفض (0.06)، مما يشير إلى عدم كفايته في رصد سلوك التشتت الفعلي.
• الهجين مقابل التعلم الآلي البحت: عند التدريب على كامل نطاق قيم HoA، حققت كل من النماذج الهجينية ونموذج MLP البحت دقة عالية متقاربة (على سبيل المثال، النموذج الهجين الأسي RMSE $\approx 0.52$ م، و$R^2 \approx 0.94$).
• متانة التعميم: تبرز الميزة الحاسمة للنهج الهجين عند محدودية تنوع بيانات التدريب:
  • الاستكمال (Interpolation): حافظ النموذج الهجين الأسي على خطأ منخفض ومعامل تحديد عالٍ ($R^2 = 0.94$) حتى عند استبعاد قيم HoA المتوسطة، متفوقاً على نموذجي ويبول وMLP اللذين أظهرا تبايناً متزايداً.
  • الاستقراء (Extrapolation): يعاني نموذج MLP من انخفاض كبير في الأداء (ارتفاع RMSE إلى 1.27 م، وانخفاض $R^2$ إلى 0.64) عند اختباره على قيم HoA العالية غير المرئية. في المقابل، ظل النموذج الهجين الأسي متيناً (RMSE 0.88 م، $R^2 = 0.83$).
• تعقيد النموذج: أثبت النموذج الأسي الأبسط (معلمة واحدة) أنه أكثر متانة واستقراراً من نموذج ويبول (معلمتان)، والذي أظهر تدهوراً متوسطاً تحت ظروف الاستقراء، ويرجع ذلك على الأرجح إلى الطبيعة غير المحددة جيداً (ill-posed) لتقدير معلمتين دون قيود كافية.

الأهمية والادعاءات
تزعم الورقة أن دمج القيود الفيزيائية في عملية التعلم يعزز بشكل كبير من أداء النموذج واستقراره، لا سيما في السيناريوهات التشغيلية حيث تكون بيانات المرجع عالية الجودة أو هندسات الاستحواذ المتنوعة محدودة. ويؤكد المؤلفون ما يلي:

1. النموذج الهجين الأسي هو الطريقة الأكثر فعالية لتصحيح انحياز الاختراق في DEM، حيث يقدم أقل الأخطاء وأعلى مستويات الاستقرار عبر جميع السيناريوهات المختبرة.
2. إن دمج القيود الفيزيائية يقلل من الاعتماد على مجموعات بيانات تدريب متنوعة للغاية، مما يسمح بتعميم أفضل على هندسات الاستحواذ غير المرئية (ظروف HoA).
3. يعزز الإطار من قابلية التفسير من خلال ربط التنبؤات بملفات التشتت الفيزيائية، مما يجعله حلاً قوياً لتصحيح الانحياز يمكن تكييفه محتملاً مع مهام فضائية أخرى (مثل Sentinel أو Harmony) تعمل عند أطوال موجية مختلفة.

تخلص الدراسة إلى أنه بينما تكون طرق التعلم الآلي البحتة فعالة مع البيانات المتوازنة، فإن النهج الهجين يتفوق في ضمان الموثوقية عندما يكون تنوع البيانات محدوداً، وهو تحدٍ شائع في تطبيقات InSAR واسعة النط scales.