用深度卷积残差回归神经网络转换海洋温度观测
大气与海洋物理
2023-06-19 v1 机器学习
摘要
海表温度（SST）是一个基本气候变量，可通过地面实测、遥感或混合模型方法测量。在此，我们借助 20 世纪末与 21 世纪初若干相关技术进步，回顾 SST 监测的进展。我们进一步开发现有水循环观测框架 Flux to Flow（F2F），将 AMSR-E 与 MODIS 融合为更高分辨率产品，旨在捕捉梯度并填补原本不可用的云隙。我们的神经网络架构限定为深度卷积残差回归神经网络。我们利用 2010 年被动微波辐射计 AMSR-E、可见光与红外监测仪器 MODIS 以及现场 Argo 数据集 ISAS 所测得的十二个月 SST 的三组快照。该平台性能与本方法成功度使用均方根误差（RMSE）指标评估。我们确定，输入与输出数据的 1:1 配置及大观测区域对单一计算节点和 dcrrnn 结构而言过于困难。当限定于单个 100×100 像素区域和小型训练数据集时，该算法较覆盖更大地理范围的基线实验有所改进。对于下一步离散工作，我们设想考虑大输入范围与极小输出范围。此外，我们认为在执行此类计算机视觉任务前需整合陆地与海洋变量。最后，我们认为并行化是克服所遇计算障碍的必要手段。
引用
@article{arxiv.2306.09987,
title = {Transforming Observations of Ocean Temperature with a Deep Convolutional Residual Regressive Neural Network},
author = {Albert Larson and Ali Shafqat Akanda},
journal= {arXiv preprint arXiv:2306.09987},
year = {2023}
}