克服地球观测中的“Physics Shock”：一种用于基于PINN的洪水推理的异方差不确定性框架

# 克服地球观测中的“物理冲击”：用于PINN洪水推断的异方差不确定性框架  
来源：https://arxiv.org/html/2605.24106  
Tewodros Syum Gebre¹, Jagrati Talreja¹, Matilda Anokye¹, and Leila Hashemi\-Beni¹,²  
¹作者单位：北卡罗来纳农工州立大学科学与技术学院建筑环境系，格林斯博罗，NC 27405，美国（电子邮箱：[email protected]; [email protected]; [email protected]; [email protected]）。  
²L. Hashemi-Beni同时任职于联合国大学水、环境与健康研究所，安大略省里士满山，加拿大。  
通讯作者：Leila Hashemi-Beni。  

###### 摘要  

从遥感数据（如合成孔径雷达SAR）中快速准确地绘制洪水范围，对于灾害响应至关重要，但标准的深度学习模型常因缺乏水文约束而生成物理上不可能的预测。尽管物理信息神经网络（PINNs）试图通过将控制方程直接嵌入损失函数来解决此问题，但其在真实遥感数据中的应用却频繁失败。将刚性空间导数（如二维浅水方程）强行施加到试图拟合噪声SAR散斑的未条件化潜空间上，会导致灾难性的梯度发散——我们称之为“物理冲击”现象。本文提出一种专为应用型地球观测设计的新型不确定性感知PINN框架，以解决这一不稳定问题。通过集成动态热身协议和基于负对数似然目标的异方差偶然不确定性建模，网络学会了在高传感器噪声区域动态放松物理约束，而在高置信区域严格施加约束。在Sen1Floods11数据集上的评估表明，我们的概率型注意力门控FNO-UNet成功稳定了多目标优化，与确定性基线相比，交并比（IoU）相对提升了+25%。此外，通过深度集成，我们成功将固有的传感器噪声与分布外地形未知性区分开，为业务机构提供了高度校准、物理一致的置信区间，以支持稳健的灾害缓解与实时决策。本文目前正在《IEEE应用地球观测与遥感选题期刊》审稿中。  

## I 引言  

### I-A 业务需求与SAR瓶颈  

快速准确地绘制洪水范围是灾害响应、风险缓解和人道资源调配的业务要求。在此背景下，合成孔径雷达（SAR）系统（如Sentinel-1星座）已被证明是地球观测的金标准[14](https://arxiv.org/html/2605.24106#bib.bib29)。与光学传感器不同，SAR具备全天候、昼夜成像能力，能穿透厚重云层，在风暴高峰期提供被淹区域的快照[6](https://arxiv.org/html/2605.24106#bib.bib34)。然而，释放SAR数据的全部潜力从根本上受限于其复杂的辐射特性。雷达照明的相干性固有地产生散斑噪声——一种颗粒状干扰，会降低图像质量并掩盖底层空间特征。此外，SAR传感器的侧视几何引入了严重的几何与辐射畸变，包括地形叠掩、透视收缩和雷达阴影，尤其是在地形复杂或城市密集环境中[1](https://arxiv.org/html/2605.24106#bib.bib15), [22](https://arxiv.org/html/2605.24106#bib.bib51), [13](https://arxiv.org/html/2605.24106#bib.bib28]。这些伪影并非可简单去除的缺陷，而是固有的、不可约的数据噪声——正式称为“偶然不确定性”。因此，确定性的逐像素水体分类变得高度模糊。当模型被迫对这些受损数据进行硬预测时，不可避免地会过拟合噪声，大大降低洪水图的可靠性和业务实用性。  

### I-B 纯深度学习的局限性  

近年来，数据驱动的深度学习（DL）架构，尤其是卷积神经网络（CNN）和视觉Transformer，在遥感计算机视觉任务中取得了显著成功[7](https://arxiv.org/html/2605.24106#bib.bib41)。通过利用层次化特征提取，这些模型擅长识别复杂空间模式，与传统的阈值方法相比，极大地加速了大尺度洪水分割的速度。然而，纯深度学习模型作为无约束的“黑箱”运行，仅将洪水映射视为辐射模式识别练习，完全脱离了流体动力学的物理基础。当应用于业务水文学时，这种抽象构成了一个严重缺陷。由于缺乏对地形或守恒定律的理解，标准神经网络常常生成物理上不可能的预测。常见的失败模式包括：在陡峭地形梯度上预测深积水、生成碎片化的水力不连通池体，或由于雷达二次弹射效应在城市区域产生大量假阳性分类。最终，仅依赖感知而缺乏物理基础，使得这些模型在关键洪水推断任务上结构性地不合格。  

### I-C 物理信息神经网络与“物理冲击”  

请参见图注  图1：“物理冲击”现象的概念示意图。当将刚性物理约束施加到未条件化的SAR噪声数据潜表示上时，空间导数会放大散斑，导致物理损失灾难性发散（红色）。本文提出的不确定性感知PINN通过动态热身阶段（灰色）缓解此问题，延迟物理约束直到不确定性被学习，从而获得稳定优化（蓝色）。  

物理信息神经网络（PINNs）通过将控制水文定律（如二维浅水方程SWE）直接嵌入模型的优化目标，为解决这一物理缺陷提供了有前景的解决方案[24](https://arxiv.org/html/2605.24106#bib.bib22), [9](https://arxiv.org/html/2605.24106#bib.bib33)。尽管在模拟或纯净数据环境中非常成功，但在真实地球观测数据上部署PINNs却引入了一个致命的优化障碍[8](https://arxiv.org/html/2605.24106#bib.bib43), [10](https://arxiv.org/html/2605.24106#bib.bib37)。物理损失严重依赖于在预测输出上计算空间导数。我们正式将此现象定义为“物理冲击”（如图1所示）。如所示，当刚性物理约束立即施加到未条件化的潜空间时，空间导数会大规模放大固有的SAR散斑，触发灾难性的梯度发散，导致物理损失爆炸并完全停止收敛。  

现有文献试图通过纯数学的动态权重平衡来缓解PINN梯度病态。然而，这些方法基于一个错误假设：底层训练数据是干净确定的。通过忽略固有的传感器物理特性——特别是SAR不可约的偶然噪声——它们迫使模型将严格的物理规则应用于根本不可信的像素，这必然导致模型崩溃。我们提出的框架通过促进稳定的训练动态来解决此问题，如图1所示。  

### I-D 概念跃迁：不确定性感知PINN  

为了弥合严密数学物理与噪声地球观测传感器之间的深刻鸿沟，我们提出一种范式转变：不确定性感知PINN框架。我们的方法独特地结合了异方差偶然不确定性建模与动态热身协议。网络并非平等对待所有SAR像素，而是设计为同时预测洪水深度及其相关的空间方差。  

本文提出一种新颖、数值稳定的物理引导洪水推断框架，明确设计用于将PINN从理论模拟环境过渡到应用型业务部署。我们的核心贡献有三点：  

- **缓解物理冲击**：我们引入动态热身与稳定协议，防止梯度发散，从而能在高度噪声的地球观测数据集上稳定训练PINN。  
- **异方差物理集成**：我们数学上定义了一个双目标损失函数，利用预测的偶然方差来平衡刚性物理方程与传感器不可靠性。此应用型架构与确定性基线相比，实现了交并比（IoU）相对提升+25%。  
- **可操作的不确定性解耦**：利用深度集成，我们成功将固有数据噪声（偶然不确定性）与分布外模型未知性（认知不确定性）区分开。这为业务灾害响应机构提供了高度校准、物理可解释的可靠性指标，弥合了深度学习输出与真实风险评估之间的差距。  

为支持开放科学，源代码和模型权重已在 https://github.com/tsgebre/Flood_Physics_Guided_DL.git 公开发布。  

## II 相关工作  

### II-A SAR洪水映射的深度学习  

历史上，基于SAR图像的洪水范围映射严重依赖于振幅阈值和变化检测技术[12](https://arxiv.org/html/2605.24106#bib.bib1), [17](https://arxiv.org/html/2605.24106#bib.bib2), [5](https://arxiv.org/html/2605.24106#bib.bib39), [2](https://arxiv.org/html/2605.24106#bib.bib42)。虽然计算高效，但这些经典方法极易受到辐射伪影、风致表面粗糙度和入射角变化的影响。近年来，范式决定性地转向了深度学习（DL），其中卷积神经网络（CNN）（如U-Net）和现代视觉Transformer（如SegFormer）主导了该领域[21](https://arxiv.org/html/2605.24106#bib.bib3), [4](https://arxiv.org/html/2605.24106#bib.bib4)。这些架构在层次化特征提取方面展现出卓越能力，隐式地减轻了SAR散斑并改善了洪水掩膜的空间连续性。大型基准数据集（如Sen1Floods11）进一步推动了这些快速数据驱动分割模型的发展[3](https://arxiv.org/html/2605.24106#bib.bib5)。然而，一个根本且未解决的差距依然存在：纯深度学习架构作为无约束的“黑箱”运行，它们学习辐射特征与标注掩膜之间的统计相关性，却没有任何水文现实基础。因此，它们极容易生成物理上不可能的预测，例如在陡峭地形梯度上映射深积水，或产生孤立、水力不连通的池体。此外，由于雷达二次弹射效应，它们在复杂城市环境中常遭受严重假阳性[18](https://arxiv.org/html/2605.24106#bib.bib6)，凸显了仅依赖感知模式识别进行地球系统建模的局限性。  

### II-B 地球科学中的物理信息神经网络  

为了弥补纯数据驱动模型的物理缺陷，物理信息神经网络（PINNs）已成为计算地球科学中的一种变革性方法[15](https://arxiv.org/html/2605.24106#bib.bib7), [9](https://arxiv.org/html/2605.24106#bib.bib33), [8](https://arxiv.org/html/2605.24106#bib.bib43), [11](https://arxiv.org/html/2605.24106#bib.bib48), [10](https://arxiv.org/html/2605.24106#bib.bib37)。通过将控制微分方程（如Navier-Stokes方程或浅水方程SWE）直接嵌入损失函数，PINNs约束神经网络产生尊重基本守恒定律的解[20](https://arxiv.org/html/2605.24106#bib.bib8), [16](https://arxiv.org/html/2605.24106#bib.bib9)。尽管在纯净模拟环境和受控物理建模中取得了巨大成功，但将PINNs扩展到有噪声的真实地球观测数据已被证明极其困难。主要障碍是数据驱动损失与物理引导残差之间的多目标优化冲突。由于物理约束严重依赖于空间导数，它们充当了高通滤波器。当天真地应用于有噪声的传感器数据时，这些导数会放大高频伪影（如SAR散斑），导致灾难性的梯度发散——我们称之为“物理冲击”现象。  

为了缓解这些梯度病态，研究人员开发了复杂的数学技术，如动态权重平衡和神经正切核（NTK）引导的权重分配[25](https://arxiv.org/html/2605.24106#bib.bib10), [26](https://arxiv.org/html/2605.24106#bib.bib11)。虽然这些方法有效地平衡了竞争梯度的大小，但它们隐含了一个严重缺陷：它们将所有输入数据视为确定性真值。它们在数学上平衡了损失项，却完全忽略了传感器物理特性。通过迫使刚性物理方程应用于根本上受损或模糊的像素，而不考虑固有的传感器不可靠性，这些以数学为中心的稳定技术在部署于原始未校准的卫星图像时必然失败。  

### II-C 遥感的量化不确定性  

认识到卫星观测中固有的噪声和模糊性，遥感界越来越多地采用不确定性量化（UQ）框架来提高模型可靠性。从贝叶斯深度学习、蒙特卡洛Dropout到最近的证据深度学习，这些技术已被成功应用于生成逐像素的置信区间，用于土地覆盖和洪水分割[19](https://arxiv.org/html/2605.24106#bib.bib12), [23](https://arxiv.org/html/2605.24106#bib.bib13)。这些模型通过明确指示网络在哪些区域不确定，有效地标记出密集植被、云层或雷达阴影等模糊区域，提供了关键的业务价值。  

然而，当前遥感的UQ应用仍然是纯数据驱动且被动的。虽然这些模型成功地量化了不确定性，但它们并未利用物理定律来主动减少或协商这种不确定性。差距在于缺乏传感器置信度与环境物理约束之间的功能反馈机制。我们的工作直接弥合了这一差距。我们提出的框架的主要差异化轴线是创建一个主动反馈环路：我们将异方差偶然不确定性不仅用作被动的输出指标，而且用作优化环路内的动态门控机制。通过使物理损失与预测数据方差成反比缩放，我们的模型智能地在噪声区域放松严格的物理规则，同时在干净区域严格施加它们，无缝地弥合了概率感知与流体动力学现实之间的鸿沟。  

## III 方法学