AI-ready Snow Radar Echogram Dataset (SRED)

SRED数据集是一个“深度学习就绪”的雷达echogram数据集，由2012年国家航空航天局冰桥行动（OIB）任务期间收集的雪雷达机载数据生成。该数据集包含13,717个标记和57,815个弱标记的echograms，覆盖了多种雪区（干燥、消融、湿润）和不同的沿轨分辨率。该数据集为推进雷达echogram层跟踪和雪积累估计提供了宝贵的资源，有助于我们更好地理解极地冰盖对气候变暖的反应。The SRED dataset is a "deep learning-ready" radar echogram dataset generated from airborne snow radar data collected during the 2012 National Aeronautics and Space Administration (NASA) Operation IceBridge (OIB) mission. This dataset contains 13,717 annotated and 57,815 weakly annotated echograms, covering a wide range of snow regimes (dry, ablation, and wet) as well as diverse along-track resolutions. This dataset serves as a valuable resource for advancing radar echogram layer tracking and snow accumulation estimation, facilitating a better understanding of the responses of polar ice sheets to global warming.

搜集汇总

数据集介绍

构建方式

SRED数据集构建基于NASA Operation Ice Bridge (OIB)任务2012年采集的Snow Radar机载雷达数据，通过专业信号处理流程生成标准化二维回波图。数据预处理包含三个关键步骤：首先采用自适应CFAR算法结合数字高程模型实现地表跟踪与平坦化处理，消除地形起伏对层位分析的干扰；其次通过三次多项式去趋势算法和二维移动平均滤波，补偿信号衰减并增强雪层边界对比度；最后进行线性归一化处理使像素值统一至[0,1]区间。数据集最终包含13,717张人工标注样本和57,815张弱标注样本，覆盖格陵兰冰盖11条航线的干雪区、过渡区和湿雪区等多类积雪环境。

特点

该数据集具有三个显著特征：一是多尺度空间覆盖特性，通过2km/5km/10km/20km/50km五种沿航迹距离的插值处理，形成统一1664×256像素尺寸的回波图，模拟不同空间积累模式；二是积雪带多样性，严格划分L1(干雪)、L2(过渡)、L3(湿雪)三类测试集，反映融水对电磁波散射的差异化影响；三是标注体系创新性，提供二进制分割和深度分层多类分割两种标注范式，后者采用Lmax层级编码实现年积累层的时序追踪。数据集特别邻近冰芯钻孔点，为雷达回波与气候数据关联研究提供独特条件。

使用方法

该数据集支持两种深度学习应用范式：在二进制分割任务中，模型需对回波图像素进行层/非层二分类，输出经后处理提取层位轮廓；在深度分层分割任务中，模型需直接识别各年积累层对应的像素区间。基准测试表明，AttentionUNet在干雪区达到0.972的OIS F-score，但湿雪区性能显著下降至0.218，反映当前算法对融水干扰的敏感性。评估时建议采用N像素精度（N=2/5/10）和平均绝对误差（MAE）双指标，其中MAE可通过Δr=0.01m的像素-厚度转换公式定量评估积累量估算误差。数据集配套提供标准化预处理代码和五类主流分割模型的基准性能，支持端到端积雪层追踪算法的开发与验证。

背景与挑战

背景概述

AI-ready Snow Radar Echogram Dataset (SRED) 是由美国堪萨斯大学遥感与集成系统中心（CReSIS）的Oluwanisola Ibikunle、Hara Talasila、Jilu Li和John Paden等研究人员于2025年提出的首个面向深度学习的标准化雷达回波图数据集。该数据集基于2012年美国宇航局（NASA）Operation Ice Bridge（OIB）任务中采集的Snow Radar机载数据构建，旨在解决极地冰盖内部雪层追踪这一关键科学问题。通过提供13,717张标注样本和57,815张弱标注样本，SRED覆盖了干燥、消融和湿润等多种雪区环境，为量化气候变化对格陵兰等极地冰盖物质平衡的影响提供了重要研究基础。该数据集的建立显著推动了雷达回波图像分析领域从传统信号处理方法向深度学习范式的转变，填补了该领域缺乏标准化基准数据集的空白。

当前挑战

SRED数据集面临的核心挑战主要体现在两个维度：科学问题层面，极地雪层追踪需解决复杂雪区环境下电磁波衰减、层间干扰等导致的弱信号识别难题，现有计算机视觉分割算法虽能识别雪层像素，但直接提取年积累量仍需开发端到端模型以减少后处理；数据构建层面，原始雷达数据存在地形起伏引起的表面畸变、介质衰减导致的深层信号退化、不同雪区水含量差异引起的散射特性变化等技术障碍，研究团队通过表面跟踪平坦化、信号去趋势、自适应滤波等创新预处理方法提升数据质量。此外，湿雪区因融水导致的层理结构侵蚀现象，对模型泛化能力提出了更高要求。

常用场景

经典使用场景

AI-ready Snow Radar Echogram Dataset (SRED) 是专为深度学习应用设计的雷达回波图数据集，主要用于极地冰盖内部雪层的自动检测和追踪。该数据集通过提供标准化的训练、验证和测试集，为研究人员提供了一个统一的基准平台，用于开发和评估深度学习模型在雪层追踪任务中的性能。其经典使用场景包括利用卷积神经网络（CNN）和语义分割算法对雷达回波图中的雪层进行像素级分类，从而实现对年度积雪积累率的精确估计。

实际应用

在实际应用中，SRED数据集被广泛应用于气候变化监测和极地冰盖质量平衡研究。例如，通过结合NASA Operation Ice Bridge任务采集的空中雷达数据，该数据集能够帮助科学家量化格陵兰冰盖的积雪年积累率，进而改进海平面上升预测模型。此外，其多距离多视角策略生成的多样化回波图，可模拟不同空间积累模式，为极地冰川动态研究提供了高精度的数据支持。

衍生相关工作

SRED数据集催生了一系列经典研究工作，包括基于U-Net和AttentionUNet的雪层语义分割模型、结合物理约束的端到端积雪深度估计算法，以及利用生成对抗网络（GAN）增强训练数据的合成方法。相关成果如《Deep ice layer tracking and thickness estimation using fully convolutional networks》和《Multi-scale transfer learning for internal layer tracking》均以该数据集为基础，推动了雷达回波分析领域从传统信号处理向深度学习范式的转型。