Towards Reliable Sea Ice Drift Estimation in the Arctic Deep Learning Optical Flow on RADARSAT-2

📄 arXiv: 2510.26653v1 📥 PDF

作者: Daniela Martin, Joseph Gallego

分类: cs.CV, physics.geo-ph

发布日期: 2025-10-30

💡 一句话要点

利用深度学习光流法，提升RADARSAT-2卫星图像海冰漂移估计的可靠性

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 海冰漂移估计 深度学习 光流法 SAR图像 RADARSAT-2 极地遥感 计算机视觉

📋 核心要点

  1. 传统光流方法依赖强假设，在复杂海冰场景中精度受限，难以满足北极导航等需求。
  2. 利用深度学习光流模型，直接从SAR图像中学习海冰运动模式，无需人为假设。
  3. 在RADARSAT-2数据集上，多个模型达到亚公里级精度，验证了深度学习光流在极地遥感中的有效性。

📝 摘要（中文）

精确估计海冰漂移对于北极航行、气候研究和业务预报至关重要。光流是一种计算机视觉技术，用于估计连续图像之间像素级的运动。虽然光流在计算机视觉领域发展迅速，但其在地球物理问题和卫星SAR图像中的应用仍未得到充分探索。传统的光流方法依赖于数学模型和对运动的强假设，这限制了它们在复杂场景中的准确性。最近基于深度学习的方法显著提高了性能，现在已成为计算机视觉的标准，这促使我们将其应用于海冰漂移估计。我们提出了首个大规模基准测试，在RADARSAT-2 ScanSAR海冰图像上评估了48个深度学习光流模型，并使用端点误差（EPE）和Fl all指标，以GNSS跟踪浮标作为真值进行评估。一些模型实现了亚公里级的精度（EPE 6到8像素，300到400米），相对于海冰运动的空间尺度和北极的典型导航要求来说，这是一个很小的误差。我们的结果表明，这些模型能够捕捉到一致的区域漂移模式，并且与传统方法相比，最近基于深度学习的光流方法显著提高了运动估计的准确性，可以有效地转移到极地遥感领域。光流产生空间连续的漂移场，为每个图像像素提供运动估计，而不是在稀疏的浮标位置，为导航和气候建模提供了新的机会。

🔬 方法详解

问题定义：论文旨在解决利用卫星SAR图像精确估计海冰漂移的问题。现有传统光流方法依赖于对海冰运动的强假设，例如亮度恒定、小运动等，这些假设在复杂的海冰场景中往往不成立，导致估计精度下降。此外，传统方法对于SAR图像的噪声和纹理变化也较为敏感。

核心思路：论文的核心思路是利用深度学习光流模型，直接从大量的RADARSAT-2 ScanSAR海冰图像数据中学习海冰的运动模式。深度学习模型具有强大的特征提取和非线性映射能力，可以克服传统方法对运动假设的依赖，并更好地处理SAR图像的噪声和纹理变化。通过端到端的训练，模型可以直接预测像素级的海冰漂移矢量。

技术框架：整体框架包括数据预处理、模型训练和评估三个主要阶段。首先，对RADARSAT-2 ScanSAR图像进行预处理，包括几何校正、辐射校正等。然后，选择一系列深度学习光流模型，例如PWC-Net、FlowNet2.0等，并在预处理后的图像对上进行训练。训练过程中，使用GNSS跟踪浮标的数据作为真值，计算模型的损失函数。最后，使用端点误差（EPE）和Fl all等指标评估模型的性能。

关键创新：该论文的关键创新在于首次将大规模深度学习光流模型应用于卫星SAR图像的海冰漂移估计，并构建了一个大规模的基准数据集。与传统方法相比，深度学习方法能够更准确地捕捉海冰的复杂运动模式，并提供空间连续的漂移场。

关键设计：论文使用了多种深度学习光流模型，并针对海冰漂移的特点进行了一些调整。例如，可以尝试使用更深的网络结构来提取更复杂的特征，或者使用注意力机制来关注图像中的关键区域。损失函数方面，除了传统的L1或L2损失外，还可以考虑使用基于图像相似性的损失函数，例如结构相似性（SSIM）损失。此外，数据增强技术，例如旋转、缩放、平移等，也可以用于提高模型的泛化能力。

📊 实验亮点

实验结果表明，多个深度学习光流模型在RADARSAT-2数据集上取得了显著的性能提升，一些模型达到了亚公里级的精度（EPE 6到8像素，300到400米）。与传统方法相比，深度学习模型能够更准确地捕捉海冰的复杂运动模式，并提供空间连续的漂移场，为北极地区的导航和气候研究提供了新的可能性。

🎯 应用场景

该研究成果可应用于北极航运安全保障，为船舶提供实时的海冰漂移信息，辅助航线规划。同时，高精度的海冰漂移数据对于气候变化研究至关重要，可以用于评估海冰融化速度、分析海冰对气候的影响。此外，该技术还可应用于极地地区的资源勘探和环境监测。

📄 摘要（原文）

Accurate estimation of sea ice drift is critical for Arctic navigation, climate research, and operational forecasting. While optical flow, a computer vision technique for estimating pixel wise motion between consecutive images, has advanced rapidly in computer vision, its applicability to geophysical problems and to satellite SAR imagery remains underexplored. Classical optical flow methods rely on mathematical models and strong assumptions about motion, which limit their accuracy in complex scenarios. Recent deep learning based approaches have substantially improved performance and are now the standard in computer vision, motivating their application to sea ice drift estimation. We present the first large scale benchmark of 48 deep learning optical flow models on RADARSAT 2 ScanSAR sea ice imagery, evaluated with endpoint error (EPE) and Fl all metrics against GNSS tracked buoys. Several models achieve sub kilometer accuracy (EPE 6 to 8 pixels, 300 to 400 m), a small error relative to the spatial scales of sea ice motion and typical navigation requirements in the Arctic. Our results demonstrate that the models are capable of capturing consistent regional drift patterns and that recent deep learning based optical flow methods, which have substantially improved motion estimation accuracy compared to classical methods, can be effectively transferred to polar remote sensing. Optical flow produces spatially continuous drift fields, providing motion estimates for every image pixel rather than at sparse buoy locations, offering new opportunities for navigation and climate modeling.