[論文レビュー] Multimodal learning-based inversion models for the space-time reconstruction of satellite-derived geophysical fields

Ronan Fablet, Bertrand Chapron|arXiv (Cornell University)|Mar 20, 2022

Reservoir Engineering and Simulation Methods被引用数 10

ひとこと要約

本論文は、不規則にサンプリングされた人工衛星によるSSHおよびSSTデータから、高分解能の時空間的海面高（SSH）動的状態を再構築するための、物理的制約を組み込んだエンドツーエンドの学習ベースの逆問題モデルを提案する。この手法は、運用プロダクトと比較して平均二乗誤差（RMSE）を40–50%低減し、空間分解能0.64°、時間スケール4.08日までの微細構造を解像可能とする。

ABSTRACT

For numerous earth observation applications, one may benefit from various satellite sensors to address the reconstruction of some process or information of interest. A variety of satellite sensors deliver observation data with different sampling patterns due satellite orbits and/or their sensitivity to atmospheric conditions (e.g., clour cover, heavy rains,...). Beyond the ability to account for irregularly-sampled observations, the definition of model-driven inversion methods is often limited to specific case-studies where one can explicitly derive a physical model to relate the different observation sources. Here, we investigate how end-to-end learning schemes provide new means to address multimodal inversion problems. The proposed scheme combines a variational formulation with trainable observation operators, {\em a priori} terms and solvers. Through an application to space oceanography, we show how this scheme can successfully extract relevant information from satellite-derived sea surface temperature images and enhance the reconstruction of sea surface currents issued from satellite altimetry data.

研究の動機と目的

• 不規則にサンプリングされた人工衛星によるSSHおよびSST観測データから、微細構造を有する海面高動的状態を再構築する課題に対処すること。
• 表面準地軸的（SQG）動的状態に限定される既存のモデルの制限を克服すること。
• マルチモーダル人工衛星データを用いて、観測モデル、事前分布、ソルバーを統合的に最適化する、統一的でエンドツーエンドの学習フレームワークを構築すること。
• 通常の運用システムが解像できない10日未満の時間スケールおよび1°未満の空間スケールでの時空間的動的状態の再構築を可能にすること。
• トレーニング可能で物理的制約を組み込んだ演算子が、マルチモーダル人工衛星観測データから複雑な海洋動的状態を的確に捉える有効性を示すこと。

提案手法

• トレーニング可能な観測および事前分布項を有する変分的定式化を採用し、エンドツーエンド最適化を可能にする、LSTMベースの微分可能ソルバーを用いる。
• 非線形的表層海洋プロセス（特に輸送項を含む）をモデル化するため、双方向スケールのU-Netとバイリニア補間ブロックを動的事前分布として採用する。
• SSHおよびSSTの観測演算子は畳み込み層を用いてパrameter化され、SSTの演算子はSSHおよびSSTの両フィールド間で共有される特徴を学習するように設計されている。
• SSHおよびSSTのデータ適合項に加え、時間積分された動的制約を強制する事前分布項を含む損失関数を用いて学習を行う。
• 全アーキテクチャが微分可能であり、ソルバーを介したバックプロパゲーションが可能で、勾配降下法を用いてすべてのコンponentsを同時に最適化できる。
• 合成ギルドストリームデータを用いた観測システムシミュレーション実験（OSSE）によりフレームワークを評価し、ナディア沿軌道およびワイドスラストアルティメトリーを含む。

実験結果

リサーチクエスチョン

• RQ1 統一的でエンドツーエンドの学習フレームワークは、マルチモーダル人工衛星観測データ（SSHおよびSST）から微細構造を有する海面高動的状態を効果的に再構築できるか？
• RQ2 固定または事前学習済みモデルと比較して、トレーニング可能な観測演算子および事前分布は、再構築精度をどの程度向上できるか？
• RQ3 提案手法は、通常の運用システムが捉えられない10日未満の時間スケールを解像できるか？
• RQ4 SSTとSSHの相乗効果は、SQGモデルの範囲を越えてSSHフィールドの再構築をどのように向上させるか？
• RQ5 微分可能で学習可能なソルバーの統合は、再構築フィールドの空間的および時間的整合性を顕著に向上させるか？

主な発見

• 提案されたマルチモーダル学習ベースの逆問題モデルは、運用プロダクトであるDUACSプロダクトと比較して、相対的に40–50%のRMSE低減を達成した。
• 空間スケールは0.64°まで解像可能であり、ベースラインのDUACSプロダクト（0.82°）と比較して顕著な改善を示した。
• 時間的動的状態は4.08日まで解像可能であり、10日未満の特徴を再構築可能であり、これは大多数の既存手法が達成できない。
• SSTデータの統合により再構築品質が顕著に向上し、特に微細構造の解像とアーチファクトの低減に寄与した。
• トレーニング可能なLSTMベースのソルバーは、空間的一致性の維持と動的特徴の高精度再構築に不可欠な役割を果たした。
• SSTデータから抽出された特徴マップは、下位のSSH動的状態と相関する学習済みの多スケールパターンを示しており、SQGモデルを超えた一般化された表現が学習されている可能性を示唆している。