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

要約

衛星ベースのリモート センシング ミッションは、海洋の状態とダイナミクスに対する私たちの理解に革命をもたらしました。
そのうち、宇宙飛行高度計は、地表地衡流の推定に使用される海面高さ (SSH) の貴重な測定値を提供します。
ただし、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発生します。
完全な SSH マップは、広く使用されている Data Unification and Altimeter Combination System (DUACS) などの線形最適補間 (OI) を使用して高度計コミュニティによって作成されます。
ただし、OI は過度に滑らかなフィールドを生成することで知られているため、いくつかのメソ構造や渦が見逃されます。
一方、海面温度 (SST) プロダクトのデータ範囲ははるかに高く、SST は移流を通じて地衡海流と物理的に結びついています。
SSH と SST の衛星観測をエミュレートして補間方法を評価するための現実的な双子実験を設計します。
SST 情報を使用できる深層学習ネットワークと、トレーニング中にグラウンド トゥルースにアクセスできない設定とアクセスできる設定の 2 つの設定でトレーニングできるディープ ラーニング ネットワークを紹介します。
私たちの調査には、教師あり損失関数または教師なし損失関数を使用してトレーニングされた場合の前述のネットワークの比較分析が含まれます。
SSH 再構築の品質を評価し、渦検出と物理的特性の観点からネットワークのパフォーマンスをさらに評価します。
教師なし設定であっても、SST を使用すると、SST に依存しない内挿と比較して再構成パフォーマンスを向上させることが可能であることがわかりました。
私たちの再構成を DUACS と比較し、二乗平均平方根誤差に関して 41\% 減少したことを報告します。

要約(オリジナル)

Satellite-based remote sensing missions have revolutionized our understanding of the Ocean state and dynamics. Among them, spaceborne altimetry provides valuable measurements of Sea Surface Height (SSH), which is used to estimate surface geostrophic currents. However, due to the sensor technology employed, important gaps occur in SSH observations. Complete SSH maps are produced by the altimetry community using linear Optimal Interpolations (OI) such as the widely-used Data Unification and Altimeter Combination System (DUACS). However, OI is known for producing overly smooth fields and thus misses some mesostructures and eddies. 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 design a realistic twin experiment to emulate the satellite observations of SSH and SST to evaluate interpolation methods. We introduce a deep learning network able to use SST information, and a trainable in two settings: one where we have no access to ground truth during training and one where it is accessible. Our investigation involves a comparative analysis of the aforementioned network when trained using either supervised or unsupervised loss functions. We assess the quality of SSH reconstructions and further evaluate the network’s performance in terms of eddy detection and physical properties. We find that it is possible, even in an unsupervised setting to use SST to improve reconstruction performance compared to SST-agnostic interpolations. We compare our reconstructions to DUACS’s and report a decrease of 41\% in terms of root mean squared error.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google