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

技术摘要：用于 X 波段 InSAR DEM 穿透偏差校正的混合 AI–物理建模

问题陈述
源自冰川和积雪覆盖区域的干涉合成孔径雷达（InSAR）数字高程模型（DEM）存在被称为“穿透偏差”（penetration bias）的系统性高程误差。这种现象发生是因为 X 波段雷达信号会穿透干雪和冰层，导致测量的相位中心位于实际表面之下。正如 ICESat-2 与 TanDEM-X 数据对比所示，这种偏差可达数米，并随地形高度和雪属性的变化而显著变化。虽然纯物理模型（例如均匀体积模型，Uniform Volume）提供了无需训练数据的可解释性，但它们往往无法捕捉复杂的现实世界散射场景。相反，纯数据驱动的机器学习（ML）方法可以模拟局部变化，但在缺乏多样化获取几何结构的训练数据时，往往缺乏鲁棒性和泛化能力。

方法论
作者提出了一种将参数化物理模型与机器学习组件（多层感知器，即 MLP）协同结合的混合框架。核心目标是通过从 InSAR 可观测变量中预测垂直散射剖面 $f(z)$ 的参数，来估计穿透偏差 ($p_{bias}$)。

1. 物理模型： 研究评估了两种控制信号垂直散射的参数化剖面：
   • 指数剖面（Exponential Profile）： 源自均匀体积（UV）模型，假设信号消减系数恒定。它需要估计单个参数：单程穿透深度 ($d_{pen}$)。
   • Weibull 剖面： 一种更灵活的模型，能够捕捉由于深度方向上粒径和密度变化引起的信号消减变化。它需要估计两个参数：尺度参数 ($\lambda_w$) 和形状参数 ($k_w$)。
2. 混合架构： 该研究并非假设物理参数是固定的，而是训练一个 MLP 来预测每个像素的具体参数 ($\hat{d}_{pen}$, $\hat{\lambda}_w$, $\hat{k}_w$)。这些预测的参数随后被输入到物理方程中（具体为体积去相关方程），以计算最终估计的偏差。输入特征包括体失相（volumetric decorrelation）、入射角、垂直波数、干涉相位和后向散射。
3. 训练场景： 为了严格评估泛化能力，作者根据关键的获取几何参数——高度模糊度（Height of Ambiguity, HoA），定义了三个训练场景：
   • 全集（All）： 在所有可用的 HoA 取值范围内进行训练。
   • 插值（Interpolation）： 排除中等范围的 HoA 值（50–60 m）进行训练，以测试插值能力。
   • 外推（Extrapolation）： 排除高 HoA 值（>70 m）进行训练，以测试外推性能。

核心贡献

• 混合框架： 本文提出了一个集成校正框架，将物理约束（指数和 Weibull 剖面）嵌入到数据驱动的学习过程中，使模型能够直接从 InSAR 数据中学习散射剖面参数。
• 系统性的泛化分析： 不同于以往可能仅关注准确性的研究，本研究通过显式测试插值和外推能力，系统地评估了模型在不同获取几何结构（Hoక）下的鲁棒性。
• 对比评估： 研究提供了混合方法、纯物理基准（UV 模型）以及纯数据驱动 MLP 基准之间的直接比较。

结果
在格陵兰冰盖上的 TanDEM-X 数据上进行的实验（通过 NASA IceBridge ATM LiDAR 数据进行验证）得出以下发现：

• 基准性能： 未经校正的 DEM 存在巨大的负偏差（均值 $\approx -5.14$ m）。纯物理 UV 模型虽然降低了偏差，但导致高 RMSE（2.07 m）和低 $R^2$（0.06），表明其不足以捕捉实际的散射行为。
• 混合模型 vs. 纯 ML： 当在全量 HoA 取值范围内进行训练时，混合模型和纯 MLP 均达到了相当高的精度（例如，指数混合模型的 RMSE $\approx 0.52$ m，$R^2 \approx 0.94$）。
• 泛化鲁棒性： 混合方法的关键优势在训练数据多样性受限时显现：
  • 插值： 即使在排除中等范围 HoA 值的情况下，指数混合模型仍保持较低误差和高 $R^2$ (0.94)，优于表现出更高变异性的 Weibull 和 MLP 模型。
  • 外推： 当在未见的高 HoA 值上进行测试时，MLP 模型性能显著下降（RMSE 增加至 1.27 m，$R^2$ 降至 0.64）。相比之下，指数混合模型保持了鲁棒性（RMSE 为 0.88 m，$R^2$ 为 0.83）。
• 模型复杂度： 较简单的指数模型（单参数）比 Weibull 模型（双参数）表现出更强的鲁棒性和稳定性；后者在外推时表现出中度退化，这可能是由于在缺乏足够约束的情况下估计两个参数具有病态性质（ill-posed nature）所致。

意义与主张
本文声称，将物理约束嵌入学习过程可以显著增强模型性能和稳定性，特别是在高质量参考数据或多样化获取几何结构有限的业务场景中。作者断言：

1. 指数混合模型是校正 DEM 穿透偏差最有效的方法，在所有测试场景中均提供了最低的误差和最高的稳定性。
2. 引入物理约束降低了对高度多样化训练数据集的依赖，从而能够更好地泛化到未见的获取几何结构（HoA 条件）中。
3. 该框架通过将预测建立在物理散射剖面的基础上，提高了可解释性，使其成为一种鲁棒的偏差校正解决方案，并有望适配于在不同波长下运行的其他卫星任务（如 Sentinel, Harmony）。

研究结论指出，虽然纯 ML 方法在数据平衡时非常有效，但混合方法在确保数据多样性受限时的可靠性方面更为优越，这是大规模 InSAR 应用中面临的常见挑战。