探索基于 ICESat-2 数据的潜在嵌入用于海冰表征
机器学习
2025-04-29 v1 大气与海洋物理
摘要
冰雪云和高度卫星-2(ICESat-2)提供高分辨率的海冰高度测量数据。近期研究开发了基于 ICESat-2 数据的机器学习方法，主要侧重于表面类型分类。然而，这些方法严重依赖手动收集的标签，监督学习所需时间和精力显著，因其涉及将轨道测量数据与重叠的背景光学图像进行交叉引用。此外，ICESat-2 轨道与背景图像的碰撞相对罕见，由于不同的飞越模式和大气条件。为克服这些限制，本研究探索了基于无监督自编码器对无标签数据导出潜在嵌入的潜力。我们基于长短期记忆(LSTM)和卷积神经网络(CNN)开发了自编码器模型，用于重建 ICESat-2 的地形序列并导出嵌入。随后，我们应用统一流形近似和投影(UMAP)进行维度缩减和可视化。我们的结果表明，自编码器导出的嵌入保留了整体结构，但生成的聚类相对更紧凑，与原始 ICESat-2 数据相比，表明嵌入有望减少所需的标签样本数量。
引用
@article{arxiv.2504.18668,
title = {Exploring the Potential of Latent Embeddings for Sea Ice Characterization using ICESat-2 Data},
author = {Daehyeon Han and Morteza Karimzadeh},
journal= {arXiv preprint arXiv:2504.18668},
year = {2025}
}
备注
4 pages, 4 figures