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

技術要約：XバンドInSAR DEMにおける浸透バイアス補正のためのハイブリッドAI–物理モデリング

問題提起
氷河や積雪地域における干渉合成開口レーダ（InSAR）から得られるデジタル標高モデル（DEM）は、「浸透バイアス」として知られる系統的な標高誤差に悩まされている。この現象は、Xバンドのレーダー信号が乾燥した雪や氷を透過することによって発生し、測定された位相中心が実際の表面よりも下に位置してしまうために起こる。ICESat-2とTanDEM-Xのデータを比較することで示されているように、このバイアスは数メートルに達することもあり、地形の標高や雪の特性によって大きく変化する。純粋な物理モデル（例：一様体積モデル）は、学習データを必要とせず解釈性に優れているものの、複雑で現実世界の散乱シナリオを捉えきれないことが多い。一方、純粋なデータ駆動型機械学習（ML）アプローチは局所的な変動をモデル化できるが、取得ジオメトリの多様性が不足している場合、堅牢性や汎化能力に欠けることが多い。

手法
著者らは、パラメトリックな物理モデリングと機械学習コンポーネント（多層パーセプトロン、MLP）を相乗的に組み合わせたハイブリッドフレームワークを提案している。核心となる目的は、InSAR観測量から垂直散乱プロファイル $f(z)$ のパラメータを予測することにより、浸透バイアス ($p_{bias}$) を推定することである。

1. 物理モデル： 本研究では、信号の垂直散乱を制御する2つのパラメトリックプロファイルを評価している。
   • 指数関数プロファイル： 一定の信号消衰係数を仮定する一様体積（UV）モデルから派生しており、単一のパラメータである片方向浸透深さ ($d_{pen}$) の推定を必要とする。
   • ワイブル（Weibull）プロファイル： 深さ方向の粒径や密度の変化による信号消衰の変化を捉えることができる、より柔軟なモデルである。これには、スケールパラメータ ($\lambda_w$) と形状パラメータ ($k_w$) の2つのパラメータの推定が必要となる。
2. ハイブリッドアーキテクチャ： 物理パラメータを固定するのではなく、MLPを訓練して、体積デコリレーション、入射角、垂直波数、干渉位相、後方散乱などの入力特徴量に基づき、各ピクセル固有のパラメータ ($\hat{d}_{pen}$, $\hat{\lambda}_w$, $\hat{k}_w$) を予測させる。これらの予測されたパラメータは、最終的な推定バイアスを計算するために物理方程式（具体的には体積デコリレーション方程式）に投入される。
3. 訓練シナリオ： 汎化性能を厳密に評価するため、著者らは取得ジオメトリの主要なパラメータである曖昧さの高さ（HoA）に基づき、3つの訓練シナリオを定義している。
   • All（全データ）： 利用可能なすべてのHoA値の範囲で訓練を行う。
   • Interpolation（補間）： 中間のHoA値（50–60 m）を除外して訓練を行い、補間能力をテストする。
   • Extrapolation（外挿）： 高いHoA値（>70 m）を除外して訓練を行い、外挿性能をテストする。

主な貢献

• ハイブリッドフレームワーク： 物理的制約（指数関数およびワイブルプロファイル）をデータ駆動型の学習プロセスに組み込んだ統合的な補正フレームワークを提示し、モデルがInSARデータから散乱プロファイルパラメータを直接学習できるようにした。
• 系統的な汎化分析： 従来の精度のみに焦点を当てた研究とは異なり、本研究は補間および外挿能力を明示的にテストすることで、異なる取得ジオメトリ（HoA）におけるモデルの堅牢性を系統的に評価している。
• 比較評価： 純粋な物理的ベースライン（UVモデル）および純粋なデータ駆動型MLPベースラインと、ハイブリッドアプローチを直接比較している。

結果
グリーンランド氷床上のTanDEM-Xデータを用い、NASA IceBridge ATM LiDARデータによって検証された実験の結果、以下の知見が得られた。

• ベースラインの性能： 補正前のDEMは大きな負のバイアス（平均 $\approx -5.14$ m）を示す。純粋な物理的UVモデルは、このバイアスを減少させるものの、高いRMSE（2.07 m）と低い $R^2$（0.06）をもたらし、実際の散乱挙動を捉えるには不十分であることを示している。
• ハイブリッド vs. 純粋ML： 全範囲のHoA値で訓練した場合、ハイブリッドモデルと純粋なMLPは共に同等の高い精度を実現した（例：指数関数ハイブリッドのRMSE $\approx 0.52$ m、$R^2 \approx 0.94$）。
• 汎化の堅牢性： ハイブリッドアプローチの決定的な利点は、訓練データの多様性が制限された場合に現れる。
  • 補間（Interpolation）： 指数関数ハイブリッドモデルは、中間のHoA値が除外された場合でも、低い誤差と高い $R^2$ (0.94) を維持し、変動が増大したワイブルモデルおよびMLPモデルを上回った。
  • 外挿（Extrapolation）： 未知の高HoA値に対してテストを行った際、MLPモデルは大幅な性能低下（RMSEが1.27 mに増加、$R^2$ が0.64に低下）に見舞われた。対照的に、指数関数ハイブリッドモデルは堅牢性を維持した（RMSE 0.88 m、$R^2$ 0.83）。
• モデルの複雑性： 単純な指数関数モデル（1パラメータ）は、ワイブルモデル（2パラメータ）よりも堅牢で安定していることが証明された。ワイブルモデルは外挿時に中程度の劣化を示したが、これは十分な制約なしに2つのパラメータを推定することによる、不良設定（ill-posed）な性質に起因すると考えられる。

意義と主張
本論文は、学習プロセスに物理的制約を組み込むことで、特に高品質なリファレンスデータや多様な取得ジオメトリが限られている運用シナリオにおいて、モデルの性能と安定性が大幅に向上することを主張している。著者らは以下の通り述べている。

1. 指数関数ハイブリッドモデルは、DEMの浸透バイアスを補正するための最も効果的な手法であり、すべてのテストシナリオにおいて最も低い誤差と最高の安定性を提供する。
2. 物理的制約を組み込むことで、高度に多様な訓練データへの依存度が軽減され、未知の取得ジオメトリ（HoA条件）への優れた汎化が可能になる。
3. このフレームワークは、予測を物理的な散乱プロファイルに基づかせることで解釈性を向上させ、異なる波長で動作する他の衛星ミッション（Sentinel、Harmonyなど）にも適応可能な、堅牢なバイアス補正ソリューションを提供する。

本研究は、純粋なML手法はバランスの取れたデータにおいては効果的であるが、データ多様性が制約される場合、信頼性を確保するためにはハイブリッドアプローチが優れていると結論付けている。これは、大規模なInSARアプリケーションにおける共通の課題である。