物理的な制約による不完了な層軌跡から内部氷層厚さの合成

arXiv:2604.20783v1 Announce Type: new Abstract: レーダー画像化された内部氷層は、積雪の堆積と氷のダイナミクスに関する決定的な証拠を提供しますが、レーダーから導き出された層境界観測は、分解能の制限、センサーノイズ、および信号丢失により、しばしば不連続な軌跡を示し、時には完全に欠如した層が存在することがあります。既存の氷層成層図学のグラフベースのモデルは、通常、十分completeな層プロファイルを前提とし、確実に追跡された浅層から深い層の厚さを予測することに焦点を当てています。本研究では、物理気候モデルから同期された colocated 物理特性を条件として、不完了なレーダー由来の層軌跡から完全な氷層厚さアノテーションを合成することで、その層の完成问题そのものを解決します。提案されるネットワークは、層内の空間的文脈を集約するために幾何学的学習と、層を超えて情報を伝播させ、整合的な成層図学と一貫した厚さ進化を促すためのトランスフォーマーベースの時間的モジュールを組み合わせています。不完全な監督から学習するために、我々は観測された厚さ値のみを評価し、有効なエントリ数を正規化するマスク感知型頑健回帰最適化関数を最適化し、補填なしに異なる疎さにおいて安定した訓練を可能にすると同時に、物理的に妥当な値に向けて完成を引き寄せます。モデルは、利用可能な場所で観測された厚さを保持し、のみ欠如している領域を推測します、断片化したセグメントを回復させ、そして完全に欠如している層を回復させ、そして測定された軌跡と一貫性を残します。さらに、合成された厚さスタックは、後続の深い層予測器のための効果的なプリトレーニング監督を提供し、同じ完全な軌跡データ上でからスクラッチからの訓練よりも、微調整した精度を向上させます。

arXiv:2604.20783v1 Announce Type: new Abstract: Internal ice layers imaged by radar provide key evidence of snow accumulation and ice dynamics, but radar-derived layer boundary observations are often incomplete, with discontinuous traces and sometimes entirely missing layers, due to limited resolution, sensor noise, and signal loss. Existing graph-based models for ice stratigraphy generally assume sufficiently complete layer profiles and focus on predicting deeper-layer thickness from reliably traced shallow layers. In this work, we address the layer-completion problem itself by synthesizing complete ice-layer thickness annotations from incomplete radar-derived layer traces by conditioning on colocated physical features synchronized from physical climate models. The proposed network combines geometric learning to aggregate within-layer spatial context with a transformer-based temporal module that propagates information across layers to encourage coherent stratigraphy and consistent thickness evolution. To learn from incomplete supervision, we optimize a mask-aware robust regression objective that evaluates errors only at observed thickness values and normalizes by the number of valid entries, enabling stable training under varying sparsity without imputation and steering completions toward physically plausible values. The model preserves observed thickness where available and infers only missing regions, recovering fragmented segments and even fully absent layers while remaining consistent with measured traces. As an additional benefit, the synthesized thickness stacks provide effective pretraining supervision for a downstream deep-layer predictor, improving fine-tuned accuracy over training from scratch on the same fully traced data.