[論文レビュー] Multimodal 4DVarNets for the reconstruction of sea surface dynamics from SST-SSH synergies

Ronan Fablet, Quentin Febvre+1 more|arXiv (Cornell University)|Jul 4, 2022

Oceanographic and Atmospheric Processes被引用数 5

ひとこと要約

本論文は、海面水温（SST）および海面高（SSH）の共同衛星観測から高分解能の海面動態を再構築する、物理則に基づいた深層学習フレームワークであるマルチモーダル4DVarNetを提案する。可学習な観測作用素、事前分布、勾配ソルバーを変分定式化に統合することで、運用的なアルティメトリー単独製品と比較して、平均二乗誤差の相対的改善が60％以上、空間時間スケールの解像度も向上した。

ABSTRACT

Due to the irregular space-time sampling of sea surface observations, the reconstruction of sea surface dynamics is a challenging inverse problem. While satellite altimetry provides a direct observation of the sea surface height (SSH), which relates to the divergence-free component of sea surface currents, the associated sampling pattern prevents from retrieving fine-scale sea surface dynamics, typically below a 10-day time scale. By contrast, other satellite sensors provide higher-resolution observations of sea surface tracers such as sea surface temperature (SST). Multimodal inversion schemes then arise as an appealing strategy. Though theoretical evidence supports the existence of an explicit relationship between sea surface temperature and sea surface dynamics under specific dynamical regimes, the generalization to the variety of upper ocean dynamical regimes is complex. Here, we investigate this issue from a physics-informed learning perspective. We introduce a trainable multimodal inversion scheme for the reconstruction of sea surface dynamics from multi-source satellite-derived observations. The proposed 4DVarNet schemes combine a variational formulation involving trainable observation and a priori terms with a trainable gradient-based solver. We report an application to the reconstruction of the divergence-free component of sea surface dynamics from satellite-derived SSH and SST data. An observing system simulation experiment for a Gulf Stream region supports the relevance of our approach compared with state-of-the-art schemes. We report relative improvement greater than 50% compared with the operational altimetry product in terms of root mean square error and resolved space-time scales. We discuss further the application and extension of the proposed approach for the reconstruction and forecasting of geophysical dynamics from irregularly-sampled satellite observations.

研究の動機と目的

• 不規則にサンプリングされた衛星観測から微細構造の海面動態を再構築する課題に対処すること、特にアルティメトリー単独では時間的・空間的分解能が不足している場合を想定する。
• 海面水温（SST）と海面高（SSH）の観測の相乗効果を活用し、発散なしの表面流の再構築を向上させること。
• 物理的制約（変分定式化を介して）とマルチモーダルデータ統合を統合した、トレーニング可能なエンドツーエンドのニューラルアーキテクチャを開発すること。
• 古典的なデータ同化や最適補間法の限界を克服し、観測作用素、力学的事前分布、最適化ソルバーをデータから共同で学習可能にする。
• グulfストリーム地域における空間時間分解能のあるSSH場の再構築において、最先端手法を上回るフレームワークの優位性を実証すること。

提案手法

• SSTおよびSSHの両方の観測に対する可学習な観測項と事前分布項を含む、物理則に基づいた変分最適化として再構築問題を定式化する。
• 変分最適化を勾配ベースの反復的ソルバーにアンロールした4DVarNetアーキテクチャを設計し、自動微分を用いてすべてのコンponentsを共同でトレーニング可能にする。
• SSTとSSHの関係を明示的にモデル化するマルチモーダル観測作用素を導入し、それらの物理的相乗効果をデータ駆動で学習可能にする。
• NATL60海洋モデルに基づく観測システムシミュレーション実験（OSSE）から得た合成データを用いて、教師ありのエンドツーエンドトレーニングを実施する。
• 可学習パラメータを有する勾配ベースのソルバーを用いて収束を加速し、明示的な変分構造を保つことで解釈可能性を維持する。
• 下位の変分フレームワークを通じて物理的整合性を統合し、表面準地軸的（SQG）理論に由来する既知の力学的制約を満たすように学習されたコンponentsを保証する。

実験結果

リサーチクエスチョン

• RQ1 物理則に基づいたエンドツーエンドの深層学習フレームワークは、SSTおよびSSHのマルチモーダル衛星観測から微細構造の海面動態を効果的に再構築できるか？
• RQ2 可学習な観測作用素と力学的事前分布の統合は、固定または古典的なデータ同化方式と比較して、再構築精度をどのように向上させるか？
• RQ3 SSTとSSHのマルチモーダルな相乗効果は、データからどの程度学習可能であり、アルティメトリー単独で達成可能な範囲を超えて空間時間分解能を向上させられるか？
• RQ4 提案された4DVarNetフレームワークは、現実的な海洋環境下で、平均二乗誤差および空間的・時間的スケールの解像度において、最先端手法を上回る性能を示すか？
• RQ5 観測作用素、事前分布、ソルバーの共同トレーニングは、地球物理的逆問題における逆問題バイアスを低減し、解釈可能性を向上させられるか？

主な発見

• 提案されたマルチモーダル4DVarNetフレームワークは、SSH場の再構築において、運用的アルティメトリー単独製品と比較して、平均二乗誤差（RMSE）で60％以上の相対的改善を達成した。
• SSTデータの高分解能時間的サンプリングとSSHを連携させることで、特にメソスケールの渦やメイアンダーを含むより微細な空間時間的ダイナミクスを効果的に解像した。
• 可学習な観測作用素はSSTとSSHの物理的関係を効果的に学習し、固定またはヒューリスティックな統合手法よりも優れた再構築性能を実現した。
• 観測作用素、力学的事前分布、勾配ベースのソルバーの共同トレーニングにより、標準的な変分アプローチと比較して収束が速く、逆問題バイアスも低減した。
• グulfストリーム地域における観測システムシミュレーション実験（OSSE）において、強力な一般化性能を示し、既存のモデル駆動およびデータ駆動ベースラインを上回った。
• アーキテクチャは解釈可能な物理制約付き学習を可能にし、将来的な海洋動力学の発見を支援する可能性を秘め、データから隠れた物理的関係を解き明かす可能性を有する。