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

Technische Samenvatting: Hybride AI–Fysische Modellering voor Correctie van Penetratiebias in X-band InSAR DEM's

Probleemstelling
Digitale Hoogtemodellen (DEM's) afgeleid van Interferometrische Synthetische Apertuur Radar (InSAR) boven gletsjers en sneeuwbedekte regio's lijden aan systematische hoogtefouten die bekend staan als "penetratiebias". Dit fenomeen treedt op omdat X-band radarsignalen door droge sneeuw en ijs dringen, waardoor het gemeten fasecentrum onder het werkelijke oppervlak komt te liggen. Zoals aangetoond door vergelijkingen tussen ICESat-2 en TanDEM-X data, kan deze bias enkele meters bedragen en varieert deze significant met de terreinhoogte en sneeuweigenschappen. Terwijl puur fysische modellen (bijv. Uniform Volume) interpreteerbaarheid bieden zonder trainingsdata, schieten ze vaak tekort bij het vastleggen van complexe, realistische verstrooiingsscenario's. Omgekeerd kunnen puur datagestuurde Machine Learning (ML) benaderingen lokale variaties modelleren, maar missen ze vaak robuustheid en generalisatievermogen, met name wanneer de trainingsdata een gebrek aan diversiteit vertoont in acquisitiegeometrieën.

Methodologie
De auteurs stellen een hybride raamwerk voor dat parametrische fysische modellering synergetisch combineert met een Machine Learning-component (een Multi-Layer Perceptron, of MLP). Het kerndoel is het schatten van de penetratiebias ($p_{bias}$) door de parameters van een verticale verstrooiingsprofiel $f(z)$ te voorspellen op basis van InSAR-observabelen.

1. Fysische Modellen: De studie evalueert twee parametrische profielen die de verticale verstrooiing van signalen beheersen:
   • Exponentieel Profiel: Afgeleid van het Uniform Volume (UV) model, uitgaande van een constante signaalextinctiecoëfficiënt. Dit vereist het schatten van één parameter: de eenrichtings penetratiediepte ($d_{pen}$).
   • Weibull Profiel: Een flexibeler model dat in staat is om veranderingen in signaalextinctie door variaties in korrelgrootte en dichtheid met de diepte te vangen. Dit vereist het schatten van twee parameters: een schaalparameter ($\lambda_w$) en een vormparameter ($k_w$).
2. Hybride Architectuur: In plaats van vaste fysische parameters aan te nemen, wordt een MLP getraind om de specifieke parameters ($\hat{d}_{pen}$, $\hat{\lambda}_w$, $\hat{k}_w$) voor elke pixel te voorspellen op basis van inputkenmerken zoals volumetrische decorrelatie, invalshoek, verticale golfgetal, interferometrische fase en backscatter. Deze voorspelde parameters worden vervolgens ingevoerd in de fysische vergelijkingen (specifiek de volume decorrelatievergelijking) om de uiteindelijke geschatte bias te berekenen.
3. Trainingsscenario's: Om de generalisatie rigoureus te beoordelen, definiëren de auteurs drie trainingsscenario's op basis van de Height of Ambiguity (HoA), een cruciale parameter voor de acquisitiegeometrie:
   • All (Alle): Trainen op het volledige bereik van beschikbare HoA-waarden.
   • Interpolation (Interpolatie): Training sluit middenbereik HoA-waarden (50–60 m) uit om interpolatiecapaciteiten te testen.
   • Extrapolation (Extrapolatie): Training sluit hoge HoA-waarden (>70 m) uit om extrapolatieprestaties te testen.

Belangrijkste Bijdragen

• Hybride Raamwerk: Het artikel presenteert een geïntegreerd correctiekader dat fysische beperkingen (Exponentiële en Weibull profielen) inbedt in een datagestuurd leerproces, waardoor het model in staat is om parameters van verstrooiingsprofielen direct uit InSAR-data te leren.
• Systematische Generalisatieanalyse: In tegen tegenstelling tot eerdere werken die zich mogelijk enkel richten op nauwkeurigheid, evalueert deze studie de robuustheid van het model systematisch over verschillende acquisitiegeometrieën (HoA) door expliciet interpolatie- en extrapolatiecapaciteiten te testen.
• Vergelijkende Evaluatie: De studie biedt een directe vergelijking tussen de hybride benadering, een puur fysische baseline (UV-model) en een puur datagestuurde MLP-baseline.

Resultaten
Experimenten uitgevoerd op TanDEM-X data over de Groenlandse ijskap, gevalideerd tegen NASA IceBridge ATM LiDAR data, leveren de volgende bevindingen op:

• Baseline Prestaties: De ongecorrigeerde DEM vertoont een grote negatieve bias (gemiddeld $\approx -5,14$ m). Het puur fysische UV-model vermindert deze bias, maar resulteert in een hoge RMSE (2,07 m) en een lage $R^2$ (0,06), wat aangeeft dat het onvoldoende is om het werkelijke verstrooiingsgedrag te vatten.
• Hybride vs. Pure ML: Wanneer getraind op het volledige bereik van HoA-waarden, bereiken zowel de hybride modellen als de pure MLP een vergelijkbaar hoge nauwkeurigheid (bijv. Exponentiële hybride RMSE $\approx 0,52$ m, $R^2 \approx 0,94$).
• Generalisatie Robuustheid: Het cruciale voordeel van de hybride benadering komt naar voren wanneer de trainingsdata beperkt is in diversiteit:
  • Interpolatie: Het Exponentiële hybride model behoudt een lage fout en een hoge $R^2$ (0,94), zelfs wanneer middenbereik HoA-waarden worden uitgesloten, waarbij het de Weibull- en MLP-modellen overtreft die een hogere variabiliteit vertonen.
  • Extrapolatie: Het MLP-model lijdt onder een aanzienlijke prestatiedaling (RMSE stijgt naar 1,27 m, $R^2$ daalt naar 0,64) wanneer het wordt getest op ongeziene hoge HoA-waarden. In contrast hiermee blijft het Exponentiële hybride model robuust (RMSE 0,88 m, $R^2$ 0,83).
• Modelcomplexiteit: Het eenvoudigere Exponentiële model (één parameter) blijkt robuuster en stabieler dan het Weibull-model (twee parameters), dat een matige degradatie vertoont onder extrapolatie, waarschijnlijk door de slecht gestelde aard van het schatten van twee parameters zonder voldoende beperkingen.

Betekenis en Claims
Het artikel claimt dat het inbedden van fysische beperkingen in het leerproces de modelprestaties en stabiliteit aanzienlijk verbetert, met name in operationele scenario's waar hoogwaardige referentiedata of diverse acquisitiegeometrieën beperkt zijn. De auteurs stellen dat:

1. Het Exponentiële hybride model de meest effectieve methode is voor het corrigeren van de penetratiebias in DEM's, waarbij de laagste fouten en hoogste stabiliteit worden geboden over alle geteste scenario's.
2. Het opnemen van fysische beperkingen de afhankelijkheid van zeer diverse trainingsdatasets vermindert, wat een betere generalisatie naar ongeziene acquisitiegeometrieën (HoA-condities) mogelijk maakt.
3. Het raamwerk de interpreteerbaarheid verbetert door voorspellingen te funderen in fysische verstrooiingsprofielen, wat het een robuuste oplossing maakt voor bias-correctie die potentieel kan worden aangepast aan andere satellietmissies (bijv. Sentinel, Harmony) die op verschillende golflengten opereren.

De studie concludeert dat hoewel pure ML-methoden effectief zijn met gebalanceerde data, de hybride benadering superieur is voor het waarborgen van betrouwbaarheid wanneer de datadiversiteit beperkt is, een veelvoorkomende uitdaging in grootschalige InSAR-toepassingen.