Learning of Sea Surface Height Interpolation from Multi-variate Simulated Satellite Observations

要約

衛星を利用したリモートセンシング・ミッションは、海洋の状態や動態に関する我々の理解を一変させた。その中でも、宇宙からの高度測定は、地衡流を推定するために使用される貴重な海面高度（SSH）測定を提供する。採用されているセンサー技術により、SSH観測には重要なギャップが生じている。完全なSSHマップは、広く使用されているData Unification and Altimeter Combination System (DUACS)のような線形Optimal Interpolations (OI)を使用して作成されます。一方、海面水温（SST）プロダクトはより高いデータカバレッジを持ち、SSTは移流を通して地衡流と物理的にリンクしている。我々は、20年間のSSHとSST衛星観測をエミュレートする新しい多変量観測システムシミュレーション実験（OSSE）を提案する。このデータに対して、注意に基づくエンコーダ-デコーダ深層学習ネットワーク( \textsc{abed}) を訓練し、訓練中に地上真実にアクセスする設定と、アクセスしない設定の2つを比較する。OSSE上で、教師ありまたは教師なしの損失関数を用いて、SST情報の有無にかかわらず訓練した場合のABED再構成を比較する。SSH補間については渦検出の観点から評価する。また、シミュレーションから観測に学習を移行させる新しい方法を紹介する：我々のOSSEで教師付き事前学習を行い、その後衛星データで教師なし微調整を行う。オーシャン・データ・チャレンジ2021の実際のSSH観測に基づき、この学習戦略と海面水温の利用を組み合わせることで、OIと比較して平均二乗誤差が24%減少することがわかった。

要約(オリジナル)

Satellite-based remote sensing missions have revolutionized our understanding of the Ocean state and dynamics. Among them, space-borne altimetry provides valuable Sea Surface Height (SSH) measurements, used to estimate surface geostrophic currents. Due to the sensor technology employed, important gaps occur in SSH observations. Complete SSH maps are produced using linear Optimal Interpolations (OI) such as the widely-used Data Unification and Altimeter Combination System (DUACS). On the other hand, Sea Surface Temperature (SST) products have much higher data coverage and SST is physically linked to geostrophic currents through advection. We propose a new multi-variate Observing System Simulation Experiment (OSSE) emulating 20 years of SSH and SST satellite observations. We train an Attention-Based Encoder-Decoder deep learning network (\textsc{abed}) on this data, comparing two settings: one with access to ground truth during training and one without. On our OSSE, we compare ABED reconstructions when trained using either supervised or unsupervised loss functions, with or without SST information. We evaluate the SSH interpolations in terms of eddy detection. We also introduce a new way to transfer the learning from simulation to observations: supervised pre-training on our OSSE followed by unsupervised fine-tuning on satellite data. Based on real SSH observations from the Ocean Data Challenge 2021, we find that this learning strategy, combined with the use of SST, decreases the root mean squared error by 24% compared to OI.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL