Deep Learning for Sea Surface Temperature Reconstruction under Cloud Occlusion

要約

海面温度 (SST) は、地球の海洋と気候を理解するために非常に重要であり、気象パターン、海流、海洋生態系の健全性、地球規模のエネルギーバランスに大きな影響を与えます。
大規模な海面水温監視は衛星の赤外線検出に依存していますが、雲量が大きな課題となっており、広範囲にわたる観測ギャップが生じ、大規模な海水温パターンを完全に捕捉する能力が妨げられています。
既存の L4 データセットにおけるこれらのギャップに対処する取り組みが行われてきましたが、多くの場合、顕著な局所的および季節的な偏りを示し、データの信頼性と精度が損なわれます。
この課題に取り組むために、私たちはディープ ニューラル ネットワークを使用して、MODIS 衛星由来の SST 観測を使用して、雲のない領域での観測値の整合性を維持しながら、衛星画像の雲に覆われた部分を再構築しました。
当社の最高のパフォーマンスを誇るアーキテクチャは、確立された方法論に比べて大幅なスキル向上を示し、広く使用されているアプローチやデータセットに対してベンチマークを行った際に、エラー メトリクスの大幅な削減を達成しました。
これらの結果は、高度な AI 技術が地球科学リモートセンシングにおける衛星観測の完全性を高め、環境評価、データ駆動型モデルトレーニング、気候研究、モデルデータ同化ワークフローへのシームレスな統合のためのより正確で信頼性の高いデータセットを提供する可能性を強調しています。
。

要約(オリジナル)

Sea Surface Temperature (SST) is crucial for understanding Earth’s oceans and climate, significantly influencing weather patterns, ocean currents, marine ecosystem health, and the global energy balance. Large-scale SST monitoring relies on satellite infrared radiation detection, but cloud cover presents a major challenge, creating extensive observational gaps and hampering our ability to fully capture large-scale ocean temperature patterns. Efforts to address these gaps in existing L4 datasets have been made, but they often exhibit notable local and seasonal biases, compromising data reliability and accuracy. To tackle this challenge, we employed deep neural networks to reconstruct cloud-covered portions of satellite imagery while preserving the integrity of observed values in cloud-free areas, using MODIS satellite derived observations of SST. Our best-performing architecture showed significant skill improvements over established methodologies, achieving substantial reductions in error metrics when benchmarked against widely used approaches and datasets. These results underscore the potential of advanced AI techniques to enhance the completeness of satellite observations in Earth-science remote sensing, providing more accurate and reliable datasets for environmental assessments, data-driven model training, climate research, and seamless integration into model data assimilation workflows.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google