基于生成对抗网络的卫星海表温度数据超分辨率
大气与海洋物理
2025-12-01 v1 流体动力学
地球物理
摘要
本文解决了卫星海表温度（SST）数据的超分辨率问题。尽管标准的间隙填充技术在生成空间完整数据集方面效果良好，但其本质上会平滑掉可能对于更好地理解海洋动力学至关重要的细节特征。我们检验了使用深度学习模型作为自动编码器（AEs）和生成模型作为条件生成对抗网络（C-GANs）来重建插值期间丢失的小尺度结构。我们的监督式、无模型的训练基于地中海的SST观测数据，重点学习给定低分辨率输入的高分辨率场的条件分布。我们应用平铺与合并策略来处理有限的观测覆盖范围并确保空间连续性。基于均方误差指标、谱分析和梯度统计的定量评估表明，虽然自动编码器可降低重建误差，但未能恢复高频变动性；相比之下，C-GAN有效恢复了真实SST场的统计特性，代价是增加了与地面观测的点测值偏差。我们的结果凸显了深度生成模型在增强海洋学应用中卫星数据物理和统计真实性的潜力。
引用
@article{arxiv.2511.22610,
title = {Super-resolution of satellite-derived SST data via Generative Adversarial Networks},
author = {Claudia Fanelli and Tiany Li and Luca Biferale and Bruno Buongiorno Nardelli and Daniele Ciani and Andrea Pisano and Michele Buzzicotti},
journal= {arXiv preprint arXiv:2511.22610},
year = {2025}
}