본 논문은 InSAR 데이터로부터 얻어진 빙하 및 설빙 지역의 디지털 고도 모델(DEM)에서 흔히 발생하는 체계적인 고도 오차인 "침투 바이어스"를 해결하기 위한 통합 보정 프레임워크를 제안합니다. 물리 기반 모델과 머신러닝을 결합한 하이브리드 모델을 사용하여, 서로 다른 획득 매개변수를 가진 세 가지 훈련 시나리오를 통해 모델의 성능과 일반화 능력을 평가했습니다. 그린란드 빙상의 TanDEM-X 데이터를 이용한 실험 결과, 제안된 하이브리드 모델은 순수 물리 모델링 기반에 비해 DEM 오차의 평균과 표준 편차를 크게 줄였으며, 획득 매개변수의 다양성이 제한된 데이터로 훈련된 순수 ML 접근 방식보다 훨씬 향상된 일반화 성능을 달성했습니다.
