面向NASA GRACE-FO 验证与验证的迭代编码-解码VAE异常检测: 用于NOAA DART 时间序列的机器学习方法
机器学习
2024-12-24 v1 人工智能
地球物理
摘要
NOAA深海灾害报告委托(DART)数据对NASA-JPL的海啸检测、实时操作和海洋学研究至关重要。然而,这些时间序列数据常包含尖峰、阶跃和漂移,这会降低数据质量并掩盖关键海洋特征。为此,本工作引入一种迭代编码-解码变分自编码器(Iterative Encoding-Decoding VAEs)模型,以提高DART时间序列的质量。不同于传统的滤波和阈值方法会风险扭曲数据固有特征,迭代编码-解码VAE逐步移除异常值,同时保留数据潜在结构。一种混合阈值方法进一步保留边界附近真实的海洋特征。应用于复杂DART数据集时,该方法产生的重构相较于经典统计技术更能保持关键海洋属性,在尖峰移除和细微阶跃变化方面具有更好的鲁棒性。高质量数据支持NASA-JPL在GRACE-FO任务中进行的关键验证与验证工作,该任务要求准确测量地球引力场和全球水动力学。最终,这种数据处理方法提升了海啸检测能力,为未来气候模型提供更可解释、更可靠的解释基础。
引用
@article{arxiv.2412.16375,
title = {Iterative Encoding-Decoding VAEs Anomaly Detection in NOAA's DART Time Series: A Machine Learning Approach for Enhancing Data Integrity for NASA's GRACE-FO Verification and Validation},
author = {Kevin Lee},
journal= {arXiv preprint arXiv:2412.16375},
year = {2024}
}
备注
Preprint