张量化的大规模时空动态大气数据是否具有低秩特性？
机器学习
2025-07-08 v1 大气与海洋物理
摘要
本研究首次考察了张量化大规模时空动态大气变量的低秩特性。我们聚焦于覆盖美国本土(CONUS)地区的四年期Sentinel-5P tropospheric NO2产品(S5P-TN)。本文证明了对此类动态变量进行低秩近似是可行的。我们将S5P-TN数据的低秩特性应用于对Sentinel-5P产品进行插值填补，采用基于CANDECOMP/PARAFAC(CP)分解和交替最小二乘(ALS)的低秩张量模型(LRTM)。此外，我们通过与基于地理统计的空间插值方法进行比较，评估了LRTM的结果，并对S5P-TN产品进行全面的空间统计和时序分析。该研究的结果表明，张量完成成功地重构了S5P-TN产品中缺失的值，特别是在存在广泛云层遮蔽、预测离群值和识别热点时，数据在扩展的空间和时间尺度上进行张量化处理效果尤为显著。
引用
@article{arxiv.2507.03289,
title = {Do Tensorized Large-Scale Spatiotemporal Dynamic Atmospheric Data Exhibit Low-Rank Properties?},
author = {Ryan Solgi and Seyedali Mousavinezhad and Hugo A. Loaiciga},
journal= {arXiv preprint arXiv:2507.03289},
year = {2025}
}