用于联合数据压缩和成分提取的高光谱变分自编码器
机器学习
2025-11-25 v1 地球与行星天体物理
天体物理仪器与方法
摘要
地球静止气象卫星产生每日太平洋的数据，为存储、传输和分发给科学界带来了关键挑战。我们提出了一种变分自编码器 (VAE) 方法，可实现对 NASA TEMPO 卫星高光谱观测（1028 通道，290-490nm）进行 x514 压缩，重构误差在所有波长下均低于信号 1-2 个数量级。这种显著的数据体积降低使卫星观测的高效归档和共享成为可能，同时保持光谱保真度。除了压缩之外，我们还调查了大气信息在压缩潜空间中是否被保留，通过训练线性和非线性探针来提取 Level-2 产品（NO2、O3、HCHO、云量）。云量和总臭氧实现了强烈的提取性能（R^2 分别为 0.93 和 0.81），尽管这些代表了相对直接的检索，因为它们具有明显的光谱特征。相比之下，平流层痕气族的提取提出了真正的挑战（NO2 R^2 = 0.20，HCHO R^2 = 0.51），这反映了其较弱的信号和复杂的大气相互作用。关键的是，我们发现 VAE 将大气信息以半线性方式编码——非线性探针显著优于线性探针；且在训练期间进行显式的潜空间监督几乎没有改善，揭示了对某些产品而言的基本编码挑战。本工作表明，神经压缩可以显著降低高光谱数据体积，同时保留关键的大气信号，从而解决下一代地球观测系统的关键瓶颈。代码 - https://github.com/cfpark00/Hyperspectral-VAE
引用
@article{arxiv.2511.18521,
title = {Hyperspectral Variational Autoencoders for Joint Data Compression and Component Extraction},
author = {Core Francisco Park and Manuel Perez-Carrasco and Caroline Nowlan and Cecilia Garraffo},
journal= {arXiv preprint arXiv:2511.18521},
year = {2025}
}