《埋藏弹药辨识技术》美陆军最新49页报告

地表附近埋藏的弹药及其他物体常能在红外图像中被识别，因其热学特性与辐射特性有别于周围原状土壤。但热特征随时间的演变受多重复杂交互过程影响，包括入射太阳辐射、土壤热传导、地表长波辐射、以及与大气间的显热潜热交换。这种复杂性使得开发鲁棒分类算法尤其困难。尽管机器学习算法日益普及，其通常需包含所有应用环境的大型训练数据集；而融合热特征物理机制理解的算法，则有望提升性能并减少对海量训练数据的需求。为此，本报告构建地表能量交换的简化模型，阐述如何将其融入可区分埋藏物与背景的最大似然比分类器与贝叶斯分类器。特别提出了一种利用埋藏物24小时周期内不同振幅相位响应的贝叶斯分类器变体，后续研究将通过实验数据验证这些算法。

地表弹药及其他危险物体的识别与排爆处理在军事及人道主义任务中至关重要。红外成像技术因目标物热特性异于周边土壤而常用于识别，但热对比度高度取决于物体材质、埋深及土壤条件（Frankenstein et al. 2020）。其亦随昼夜时段与气象条件动态变化，源于包括短波（太阳）辐射入射、土壤热传导、地表长波辐射、大气显热潜热交换等复杂交互过程（Clausen et al. 2020; Clausen et al. 2021; Musty et al. 2022）。这种复杂性导致开发鲁棒的物体探测分类算法面临特殊挑战。近年来，基于卷积神经网络等的机器学习（ML）分类器因能识别复杂图像中的目标而广受欢迎，但ML存在显著缺陷：需采集所有潜在应用场景（此处指陆军可能活动的多样化环境）的大规模训练数据。当应用于训练集未涵盖的场景时，ML性能会不可预测地显著下降。相比之下，基于物理机理的分类器无需大型数据集——其本质“理解”（无需学习）物理规律，只要物理假设成立，在新环境中应能保持良好性能。

本报告核心目标是构建地表能量交换模型，并演示如何将其融入区分埋藏物与背景的分类器。旨在建立真实性与计算复杂度间的理想平衡：模型需足够真实以解析数据集主要特征，同时足够简洁以适配地面传感器或无人机等低算力平台。探究这种保真度与计算量的最佳平衡点（sweet spot）是本研究的核心挑战之一。确立描述近地能量交换基础物理的适用模型后，需开发能融合该模型的分类器。传统统计方法（如最大似然法与贝叶斯法）可将物理模型纳入分类框架，因此本报告亦探讨基于物理模型的统计框架适配方案。

图：​​地表像素能量平衡物理模型​​。图示为地表像素区域（表面积Ap，有效深度dp）的垂直剖面图。该模型涉及三个层：大气层、地表层及深层土壤。核心目标是估算发射率（ε）与体积热容（Cv），因其取决于该像素区域的组成材料。