从多变量模拟卫星观测学习海面高度插值
机器学习
2024-05-07 v3
摘要
基于卫星的遥感任务彻底改变了我们对海洋状态和动力学的理解。其中，星载测高仪提供宝贵的海面高度（SSH）测量，用于估算表面地转流。由于所采用的传感器技术，SSH 观测中存在重要空缺。完整 SSH 图通过线性最优插值（OI）（如广泛使用的 Data Unification and Altimeter Combination System (DUACS)）生成。另一方面，海表温度（SST）产品具有更高的数据覆盖率，且 SST 通过平流与地转流存在物理联系。我们提出了一种新的多变量观测系统模拟实验（OSSE），模拟 20 年的 SSH 与 SST 卫星观测。我们在此数据上训练基于注意力的编码器-解码器深度学习网络（\textsc{abed}），比较两种设定：训练时可访问真值与不可访问真值。在我们的 OSSE 上，我们比较了使用有监督或无监督损失函数训练、带或不带 SST 信息的 ABED 重建结果。我们从涡旋检测角度评估 SSH 插值。我们还引入了一种将学习从模拟迁移到观测的新方法：在我们的 OSSE 上监督预训练，随后在卫星数据上无监督微调。基于 Ocean Data Challenge 2021 的真实 SSH 观测，我们发现该学习策略结合 SST 的使用，相比 OI 将均方根误差降低了 24%。
引用
@article{arxiv.2310.07626,
title = {Learning of Sea Surface Height Interpolation from Multi-variate Simulated Satellite Observations},
author = {Theo Archambault and Arthur Filoche and Anastase Charantonis and Dominique Bereziat and Sylvie Thiria},
journal= {arXiv preprint arXiv:2310.07626},
year = {2024}
}
备注
Accepted to JAMES. 31 pages, minor revision