在为地球科学和遥感任务开发深度学习解决方案时，结果能否准确反映地球物理现象至关重要。为此，通过使用贝叶斯 U-Net 模型来完成从地球静止观测数据中创建合成低地球轨道被动微波数据的任务，试图在保持空间连续性的同时提供模型预测的不确定性度量。选择预测斑块大小的输出会在重建过程中产生假象，必须通过适当的聚合和加权策略来处理。研究了一系列这些策略，以有效减少大型重建图像中的人为梯度，同时保留可量化的不确定性。该方法改进了之前的工作，将平均绝对误差降低了 3%，结构相似度提高了 5%，视觉信息保真度提高了 13%，显示了感知质量的提高。同样，深度学习回归任务中的目标函数可以利用地球物理现象，根据物理特性做出更高质量的预测。提出了一种新的损失函数和推理方法，利用数据输入来约束目标函数，与基线相比，平均绝对误差降低了 7%。