CuMoLoS-MAE：一种用于遥感数据重建的掩码自编码器
机器学习
2026-01-15 v2 大气与海洋物理
摘要
来自多普勒激光雷达、雷达和辐射计等遥感仪器的精确大气廓线，经常受到低信噪比（SNR）门、距离折叠和虚假不连续性的破坏。传统的间隙填补会模糊精细尺度结构，而深度模型则缺乏置信度估计。我们提出了 CuMoLoS-MAE，一种课程引导的蒙特卡洛随机集成掩码自编码器，旨在 (i) 恢复精细尺度特征，如上升气流和下沉气流核心、切变线和小涡旋，(ii) 学习大气场的数据驱动先验，以及 (iii) 量化逐像素的不确定性。在训练期间，CuMoLoS-MAE 采用掩码比例课程，迫使 ViT 解码器从逐渐稀疏的上下文中进行重建。在推理阶段，我们通过对随机掩码实现进行蒙特卡洛采样来近似后验预测，多次评估该 MAE 并聚合输出，以获得后验预测均值重建以及精细分辨的逐像素不确定性图。结合高保真重建，这种新颖的基于深度学习的工作流能够增强对流诊断，支持实时数据同化，并改善长期气候再分析。
引用
@article{arxiv.2508.14957,
title = {CuMoLoS-MAE: A Masked Autoencoder for Remote Sensing Data Reconstruction},
author = {Anurup Naskar and Nathanael Zhixin Wong and Sara Shamekh},
journal= {arXiv preprint arXiv:2508.14957},
year = {2026}
}
备注
Accepted for poster presentation at the NeurIPS 2025 workshop on Tackling Climate Change with Machine Learning. 5 pages, 2 figures