Transforming Observations of Ocean Temperature with a Deep Convolutional Residual Regressive Neural Network

要約

海面水温 (SST) は、グラウンド トゥルース、リモート センシング、またはハイブリッド モデル手法によって測定できる重要な気候変数です。
ここでは、20 世紀後半から 21 世紀初頭にかけてのいくつかの関連技術の進歩を応用した海面水温監視の進歩を祝います。
当社は、既存の水循環観測フレームワークである Flux to Flow (F2F) をさらに開発し、AMSR-E と MODIS を融合して高解像度の製品にし、他の方法では利用できない勾配を捕捉して雲の隙間を埋めることを目的としています。
私たちのニューラル ネットワーク アーキテクチャは、深い畳み込み残差回帰ニューラル ネットワークに制約されています。
我々は、パッシブマイクロ波放射計 AMSR-E、可視および赤外線監視装置 MODIS、および現場 Argo データセット ISAS によって測定された、2010 年の月 12 回の海面水温測定値の 3 つのスナップショットを利用します。
プラットフォームのパフォーマンスとこのアプローチの成功は、二乗平均平方根誤差 (RMSE) メトリクスを使用して評価されます。
入力データと出力データの 1:1 構成と大きな観測領域は、単一の計算ノードと dcrrnn 構造をそのまま使用するには困難すぎると判断しました。
単一の 100 x 100 ピクセル領域と小さなトレーニング データセットに制限すると、アルゴリズムははるかに広い地理をカバーするベースライン実験よりも改善されます。
次の個別のステップでは、非常に小さな出力範囲で大きな入力範囲を考慮することを想定しています。
さらに、コンピュータ ビジョン タスクを実行する前に、陸地と海の変数を統合する必要があることがわかりました。
最後に、遭遇したコンピューティングの障害を克服するには並列化が必要であると考えています。

要約(オリジナル)

Sea surface temperature (SST) is an essential climate variable that can be measured via ground truth, remote sensing, or hybrid model methodologies. Here, we celebrate SST surveillance progress via the application of a few relevant technological advances from the late 20th and early 21st century. We further develop our existing water cycle observation framework, Flux to Flow (F2F), to fuse AMSR-E and MODIS into a higher resolution product with the goal of capturing gradients and filling cloud gaps that are otherwise unavailable. Our neural network architecture is constrained to a deep convolutional residual regressive neural network. We utilize three snapshots of twelve monthly SST measurements in 2010 as measured by the passive microwave radiometer AMSR-E, the visible and infrared monitoring MODIS instrument, and the in situ Argo dataset ISAS. The performance of the platform and success of this approach is evaluated using the root mean squared error (RMSE) metric. We determine that the 1:1 configuration of input and output data and a large observation region is too challenging for the single compute node and dcrrnn structure as is. When constrained to a single 100 x 100 pixel region and a small training dataset, the algorithm improves from the baseline experiment covering a much larger geography. For next discrete steps, we envision the consideration of a large input range with a very small output range. Furthermore, we see the need to integrate land and sea variables before performing computer vision tasks like those within. Finally, we see parallelization as necessary to overcome the compute obstacles we encountered.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google