[논문 리뷰] Multimodal learning-based inversion models for the space-time reconstruction of satellite-derived geophysical fields

Ronan Fablet, Bertrand Chapron|arXiv (Cornell University)|2022. 03. 20.

Reservoir Engineering and Simulation Methods인용 수 10

한 줄 요약

이 논문은 불규칙하게 샘플링된 위성 SSH 및 SST 데이터로부터 고해상도 시공간 동역학을 복원하기 위해 물리학에 통합된 종단간(end-to-end) 학습 기반의 역모델을 제안한다. 이 모델은 다중모달 관측 연산자, 사전 지식, 그리고 학습 가능한 해법기를 함께 학습한다. 방법은 운영 제품 대비 루트 평균 제곱 오차(RMSE)에서 40–50%의 상대적 향상을 달성하며, 공간 해상도는 0.64°까지, 시간 해상도는 4.08일까지 세밀한 구조를 해석할 수 있다.

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.

연구 동기 및 목표

• SSH 및 SST의 희박하게 샘플링된 위성 관측 자료로부터 세밀한 해면 동역학을 복원하는 데 도전하는 것.
• 기존 모델이 표면 준지구적(SQG) 동역학과 같은 특정 동역학적 제약 조건에 국한되어 있는 한계를 극복하는 것.
• 다중모달 위성 자료를 사용하여 관측 모델, 사전 지식, 해법기를 함께 최적화하는 통합된 종단간 학습 프레임워크를 개발하는 것.
• 기존 운영 시스템이 일반적으로 해석하지 못하는 10일 이하의 시간 스케일과 1° 이하의 공간 스케일에서의 시공간 동역학 복원을 가능하게 하는 것.
• 학습 가능한 물리학에 통합된 연산자가 다중모달 위성 관측 자료로부터 복잡한 해양 동역학을 어떻게 잘 포착하는지 입증하는 것.

제안 방법

• 학습 가능한 관측 및 사전 지식 항목을 포함한 변분 공식을 사용하고, 종단간 최적화를 위해 미분 가능한 LSTM 기반 해법기를 적용한다.
• 비선형 상층 해양 과정(예: 대류 포함)을 모델링하기 위해 양단 스케일 U-Net과 비선형 보간 블록을 사용한 동역학적 사전 지식을 설계한다.
• SSH 및 SST에 대한 관측 연산자는 컨volutional 레이어를 사용해 매개변수화하며, SST 연산자는 SSH 및 SST 필드 간의 공유된 특징을 학습하도록 설계된다.
• SSH 및 SST에 대한 데이터 일치 항목과 시간 통합된 동역학을 통해 시간 일致성을 강제하는 사전 항목을 포함한 손실 함수를 사용해 모델을 훈련한다.
• 전체 아키텍처는 미분 가능하여 해법기를 통해 역전파가 가능하고, 기울기 하강법을 사용해 모든 구성 요소를 함께 최적화할 수 있다.
• 관측 시스템 시뮬레이션 실험(OSSE)을 통해 합성 글로벌 스트림 데이터를 사용해 프레임워크를 평가하며, 나지르(nadir) 종단 및 넓은 스위프트 알티메트리 데이터를 포함한다.

실험 결과

연구 질문

• RQ1 통합된 종단간 학습 프레임워크는 SSH 및 SST의 다중모달 위성 관측 자료로부터 세밀한 해면 동역학을 효과적으로 복원할 수 있는가?
• RQ2 고정되거나 사전 학습된 모델에 비해 학습 가능한 관측 연산자 및 사전 지식이 복원 정확도를 얼마나 향상시킬 수 있는가?
• RQ3 제안된 방법은 일반적으로 운영 시스템에서 간과하는 10일 이하의 시간 스케일을 해석할 수 있는가?
• RQ4 SST-SSH 상호작용은 SQG 모델을 초월하여 SSH 필드 복원을 어떻게 향상시키는가?
• RQ5 미분 가능한 학습 가능한 해법기의 통합이 복원된 필드의 공간적 및 시간적 일관성에 얼마나 뚜렷한 영향을 미치는가?

주요 결과

• 제안된 다중모달 학습 기반의 역모델은 운영 제품인 DUACS 대비 루트 평균 제곱 오차(RMSE)에서 40–50%의 상대적 감소를 달성한다.
• 이 방법은 기준 DUACS 제품의 0.82° 해상도보다 훨씬 높은 0.64°까지 공간 스케일을 해석할 수 있다.
• 시간 동역학은 4.08일까지 해석 가능하여 대부분의 기존 방법이 달성하지 못하는 10일 이하의 특징을 복원할 수 있다.
• SST 자료의 포함이 복원 품질을 크게 향상시키며, 특히 세밀한 구조를 해석하고 잡음 요소를 줄이는 데 기여한다.
• 학습 가능한 LSTM 기반 해법기는 공간 일관성을 유지하고 동역학적 특징의 고해상도 복원에 핵심적인 역할을 한다.
• SST 자료에서 추출한 특징 맵은 학습된 다중스케일 패턴을 보이며, 이는 기반의 SSH 동역학과 상관관계를 가지며, SQG 모델을 초월한 일반화된 표현을 시사한다.