[논문 리뷰] Multimodal 4DVarNets for the reconstruction of sea surface dynamics from SST-SSH synergies

Ronan Fablet, Quentin Febvre외 1명|arXiv (Cornell University)|2022. 07. 04.

Oceanographic and Atmospheric Processes인용 수 5

한 줄 요약

이 논문은 해수면 온도(SST)와 해수면 높이(SSH) 위성 관측의 융합된 데이터로부터 고해상도 해수면 동역학을 재구성하는 물리 기반 딥러닝 프레임워크인 다중모달 4DVarNet을 제안한다. 변분 형식 내에서 학습 가능한 관측 연산자, 사전 정보 및 기울기 해법기를 통합함으로써, 운영용 알티메트리-only 제품 대비 루트 평균 제곱 오차 및 해상도 있는 시공간 스케일에서 60퍼센트 이상의 상대적 향상을 달성한다.

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.

연구 동기 및 목표

• 불규칙하게 샘플링된 위성 관측 자료에서 세밀한 해수면 동역학을 재구성하는 문제에 대응하며, 특히 알티메트리 데이터만으로는 충분한 시간적·공간적 해상도를 확보하지 못하는 경우를 대상으로 한다.
• 해수면 온도(SST)와 해수면 높이(SSH) 관측 간의 상호보완성을 활용하여 수렴하지 않는 표면 유속의 재구성을 향상시킨다.
• 물리적 제약 조건(변분 형식을 통한)을 통합하고 다중모달 데이터 융합을 수행하는 학습 가능한 종단 간 신경망 아키텍처를 개발한다.
• 기존의 데이터 보정 및 최적의 상관관계 기반 방법의 한계를 극복하기 위해, 데이터로부터 관측 연산자, 역학적 사전 정보 및 최적화 해법기를 함께 학습할 수 있도록 한다.
• 실제 해양 환경에서 시공간적으로 해상도가 높은 SSH 필드를 재구성하는 데 있어 최첨단 기법들보다 프레임워크의 우수성을 입증한다.

제안 방법

• SST 및 SSH에 대한 학습 가능한 관측 및 사전 항목을 포함하는 비용 함수를 포함하는 물리 기반 변분 최적화 문제로 재구성 문제를 수립한다.
• 자동 미분를 통해 변분 최적화를 반복적 기반 기울기 해법기로 전개하는 4DVarNet 아키텍처를 설계하여, 모든 구성 요소를 함께 학습할 수 있도록 한다.
• SST와 SSH 간의 관계를 명시적으로 모델링하는 다중모달 관측 연산자를 도입하여, 물리적 상호보완성을 데이터 기반으로 학습할 수 있도록 한다.
• NATL60 해양 모델 기반 관측 시스템 시뮬레이션 실험(OSSE)에서 생성된 합성 데이터를 사용하여 종단 간 지도 학습 방식으로 전체 신경망 아키텍처를 훈련시킨다.
• 학습 가능한 파rameter를 갖는 기울기 기반 해법기를 사용하여 수렴 속도를 가속화하고 일반화 성능을 향상시키며, 명시적인 변분 구조를 통해 해석 가능성도 유지한다.
• 기본적인 변분 프레임워크를 통해 물리적 일관성을 확보하여, 표면 준지구학(SQG) 이론에 기반한 알려진 역학 제약 조건을 만족하는 학습된 구성 요소를 보장한다.

실험 결과

연구 질문

• RQ1 물리 기반 종단 간 딥러닝 프레임워크는 SST와 SSH의 다중모달 위성 관측 자료로부터 세밀한 해수면 동역학을 효과적으로 재구성할 수 있는가?
• RQ2 학습 가능한 관측 연산자 및 역학적 사전 정보의 통합은 고정 또는 전통적인 데이터 보정 기반 방법에 비해 재구성 정확도를 얼마나 향상시키는가?
• RQ3 SST와 SSH 간의 다중모달 상호보완성은 데이터로부터 얼마나 잘 학습될 수 있으며, 알티메트리 단독으로는 달성할 수 없는 시공간 해상도 향상에 얼마나 기여하는가?
• RQ4 제안된 4DVarNet 프레임워크는 실제 해양 환경에서 루트 평균 제곱 오차 및 해상도 있는 공간·시간 스케일 측면에서 최첨단 기법들을 초월하는가?
• RQ5 관측 연산자, 사전 정보 및 해법기의 공동 학습은 지구물리학 역문제에서의 역전파 편향을 줄이고 해석 가능성을 향상시키는가?

주요 결과

• 제안된 다중모달 4DVarNet 프레임워크는 SSH 필드 재구성에서 운영용 알티메트리 단독 제품 대비 루트 평균 제곱 오차(RMSE)에서 60퍼센트 이상의 상대적 향상을 달성한다.
• SST 데이터의 고해상도 시간 샘플링을 SSH와 융합함으로써, 특히 메조스케일 에디 및 메이앤더를 포함한 더 세밀한 시공간 동역학을 성공적으로 해상도를 높여 재구성한다.
• 학습 가능한 관측 연산자가 SST와 SSH 간의 물리적 관계를 효과적으로 학습하여, 고정 또는 히우리스틱 융합 방법보다 더 나은 재구성 성능을 달성한다.
• 관측 연산자, 역학적 사전 정보 및 기울기 기반 해법기의 공동 학습은 기존의 변분 접근법 대비 더 빠른 수렴과 더 낮은 역전파 편향을 이끌어낸다.
• 갈레온 스트림 지역에서의 관측 시스템 시뮬레이션 실험(OSSE)에서 강력한 일반화 성능을 보이며, 기존의 모델 기반 및 데이터 기반 기준선을 능가한다.
• 아키텍처는 물리 제약 조건을 갖춘 해석 가능한 학습을 가능하게 하여, 향후 해양 동역학 분야에서 숨겨진 물리적 관계를 데이터로부터 발견하는 데 기여할 수 있다.