Joint Retrieval of Cloud properties using Attention-based Deep Learning Models

要約

正確なクラウドプロパティの検索は、雲の動作と気候への影響を理解するために不可欠です。これには、気象予測、気候モデリング、地球の放射バランスの推定などがあります。
広く使用されている物理ベースのアプローチである独立したピクセル近似（IPA）は、各ピクセルがその隣接に依存しないと仮定することにより、放射伝達計算を簡素化します。
計算上効率的ですが、IPAには、3D放射効果からの不正確さ、クラウドエッジでのエラー、重複または不均一な雲畑に対する効果がないなど、大きな制限があります。
最近のAI/MLベースのディープラーニングモデルは、ピクセル全体の空間的関係を活用することにより、検索精度が向上しました。
ただし、これらのモデルは多くの場合、メモリ集約的であるか、単一のクラウドプロパティのみを取得するか、共同プロパティ検索と闘っています。
これらの課題を克服するために、CloudUnetを導入します。CloudUnetは、注意メカニズムを採用して厚く重複する雲領域のエラーを減らし、雲の光厚（COT）と雲の有効半径（CER）の共同検索のための特殊な損失関数を削減するコンパクトなUNETベースのモデルです。
大規模な渦シミュレーション（LES）データセットの実験では、CAMモデルが最先端の深い学習方法を上回り、COTで平均絶対エラー（MAE）を34％、CERで42％削減し、COTおよびCER回復で76％および86％低いMAEを達成することが示されています。

要約(オリジナル)

Accurate cloud property retrieval is vital for understanding cloud behavior and its impact on climate, including applications in weather forecasting, climate modeling, and estimating Earth’s radiation balance. The Independent Pixel Approximation (IPA), a widely used physics-based approach, simplifies radiative transfer calculations by assuming each pixel is independent of its neighbors. While computationally efficient, IPA has significant limitations, such as inaccuracies from 3D radiative effects, errors at cloud edges, and ineffectiveness for overlapping or heterogeneous cloud fields. Recent AI/ML-based deep learning models have improved retrieval accuracy by leveraging spatial relationships across pixels. However, these models are often memory-intensive, retrieve only a single cloud property, or struggle with joint property retrievals. To overcome these challenges, we introduce CloudUNet with Attention Module (CAM), a compact UNet-based model that employs attention mechanisms to reduce errors in thick, overlapping cloud regions and a specialized loss function for joint retrieval of Cloud Optical Thickness (COT) and Cloud Effective Radius (CER). Experiments on a Large Eddy Simulation (LES) dataset show that our CAM model outperforms state-of-the-art deep learning methods, reducing mean absolute errors (MAE) by 34% for COT and 42% for CER, and achieving 76% and 86% lower MAE for COT and CER retrievals compared to the IPA method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google