一种雪特性感知的深度学习框架用于估算TanDEM-X DEM在冰盖上的穿透偏差

《Remote Sensing of Environment》：A snow properties-aware deep learning framework for penetration bias estimation of TanDEM-X DEMs over ice sheets

本文针对TanDEM-X InSAR DEM在冰雪覆盖区域因雷达波穿透雪层导致的高程测量偏差问题，提出了一种新颖的深度学习框架。该研究结合雪物理特性知识与InSAR系统，通过无监督雪相分割和下游穿透偏差回归两个内在关联的任务，构建了稳健的回归模型。实验结果表明，该方法能够独立于InSAR采集几何和雪特性，以R2= 90%和RMSE = 0.65 m的精度估算穿透偏差，显著提升了TanDEM-X DEM在冰盖区域的测量精度，对冰川学过程研究和气候变化影响评估具有重要意义。

　　

准确评估冰川体积与质量变化以及雪深，对于理解冰川学过程及气候变化影响至关重要。德国TanDEM-X任务作为X波段星载干涉合成孔径雷达任务，提供了全球范围的高分辨率数字高程模型，为相关研究提供了宝贵数据。然而，雷达波对雪冰介质的穿透深度存在固有变异性，这给精确估算地表高程变化和雪深带来了挑战。雷达波穿透会导致雷达平均相位中心估算出现偏差，进而造成穿透偏差，并低估地表地形高度。特别是在干雪区，这种穿透效应尤为显著，可能导致TanDEM-X DEM出现数米的高程偏差，若不加校正，将显著影响大地测量质量平衡估算的准确性。

为了解决TanDEM-X DEM在冰盖上的穿透偏差估计问题，并克服现有物理模型在复杂雪特性及多变采集几何下的局限性，研究人员开展了一项名为“一种雪特性感知的深度学习框架用于TanDEM-X DEM在冰盖上穿透偏差估计”的研究。该研究旨在开发一个能够结合雪物理特性和InSAR系统知识的鲁棒回归框架。由于缺乏大范围的参考数据，限制了全监督数据驱动方法的直接应用，本研究创新性地提出了一种包含两个内在关联任务的深度学习方法：首先是一个无监督的雪相分割模型，旨在独立于单次InSAR采集几何捕获积雪的整体特性；随后是一个下游的穿透偏差回归模型。为了确保第一个模型对InSAR几何的鲁棒性得以保持，研究团队探索了两种策略：一是采用微调方法，将分割模型的权重迁移至下游回归任务，利用分割任务中获得的知识来回归TanDEM-X DEM的穿透偏差；二是采用多任务学习方法进行下游任务，通过联合训练分割和回归模型，确保在分割任务中识别出的雪相关特征表示被持续用于提升最终的回归性能。

该论文已发表在《Remote Sensing of Environment》期刊上。为开展研究，作者主要应用了几项关键技术方法：1) 利用TanDEM-X任务的单极化(HH)条带模式CoSSC产品，提取了雷达后向散射系数(γ⁰)、体去相干因子(γ_Vol)、高度模糊(h_amb)和本地入射角(θ_inc)四个关键特征；2) 使用IceBridge ATM L2 Icessn高程数据作为地表高度的参考，并限制TanDEM-X与IceBridge采集时间间隔小于30天以减小时序偏差影响，最终获得包含144,374个数据点的数据集；3) 构建了以U-Net-like为骨干网络的深度学习框架，比较了完全监督回归、微调回归、固定编码器微调回归以及多任务回归等多种模型配置；4) 采用均方误差作为回归损失函数，并利用已训练好的雪相分割模型作为预训练任务或辅助任务来提升回归性能。

4.1. 回归结果

研究人员首先评估了所提出框架的有效性。与基于辐射传输模型的传统方法以及完全监督的深度学习基线相比，所有提出的深度学习配置均表现出更高的预测精度。其中，多任务学习配置在决定系数(R²= 0.90)和均方根误差(RMSE = 0.65 m)方面均取得了最佳或接近最佳的性能，并且显著降低了训练时间。分析表明，穿透偏差与雪相之间存在清晰的相关性：较低的穿透偏差对应于湿润雪和消融区（类别4和5），而较高的穿透值则与干雪区（类别1、2和3）相关。这验证了将雪相分割知识融入穿透偏差估计框架的合理性。

4.2. 模型鲁棒性评估

为了检验模型对不同InSAR采集几何的鲁棒性，研究按高度模糊和本地入射角范围对测试数据进行了细分评估。结果显示，传统的物理模型在不同采集几何下表现出较大的偏差和标准偏差。相比之下，提出的MTR模型在所有考虑的几何条件下均保持近乎无偏的性能，标准偏差在0.48至0.73米之间，证明了其在不同InSAR采集参数下的稳健性。进一步结合地形高程和雪特性进行分析表明，所提出的模型在不同高程和雪相类别下均能保持稳定的性能，而传统模型在干雪区等高程较高区域误差较大。

4.3. 分布外实验

通过设计将训练集和测试集按不同高度模糊范围划分的实验，研究人员评估了模型的泛化能力。当测试集的高度模糊范围超出训练集范围时，完全监督回归模型会出现高估或低估穿透偏差的现象。而多任务回归模型在所有三种测试场景下均优于完全监督回归模型，平均绝对误差降低了13厘米（约13%），这表明通过多任务学习整合雪相分割知识，有效增强了模型对未见过InSAR采集几何的泛化能力。

4.4. DEM校正与断面分析

最后，研究将训练好的MTR模型应用于格陵兰冰盖两个未参与训练的相邻TanDEM-X场景，以估算其穿透偏差并对DEM进行校正。通过与该区域IceBridge航飞实测高程数据对比发现，经过模型校正后的TanDEM-X DEM表面高度估计值与IceBridge测量值更加吻合。断面分析显示，穿透偏差在空间上并非恒定，从低海拔区域的约-2米到冰盖内部高海拔干雪区的约-6米不等，空间变异性显著。该实验证明了所提框架在真实场景下降低TanDEM-X高程测量不确定性的有效性和实用性。

该研究成功开发并验证了一个雪特性感知的深度学习框架，用于精确估计TanDEM-X DEM在冰盖上的穿透偏差。研究结论表明，利用雪相分割作为预训练或辅助任务，能够有效提升穿透偏差回归模型的性能和泛化能力，特别是在训练数据有限且InSAR采集几何多变的情况下。多任务学习策略被证明是平衡性能和鲁棒性的有效配置。该框架不仅显著提高了穿透偏差估计的准确性，其输出结果还有助于理解穿透偏差与雪特性之间的物理联系，增加了模型的可解释性。校正后的DEM能够为冰川物质平衡估算、雪深反演等冰川学研究提供更可靠的地表高程数据，从而增强我们对冰盖变化及其气候响应的理解。未来工作可集中于将模型扩展至更复杂的区域（如高山冰川）和不同季节，进一步验证和提升其适用性。