[论文解读] Cloud Classification with Unsupervised Deep Learning

Takuya Kurihana, Ian Foster+7 more|arXiv (Cornell University)|Sep 30, 2022

Atmospheric aerosols and clouds被引用 4

一句话总结

该论文提出了一种无监督深度学习框架，利用卷积自编码器直接从MODIS辐射率数据中分类云，而无需依赖预定义的云类型。通过从多光谱卫星图像中学习潜在表征并应用聚类，该方法发现了具有物理意义且空间一致的云类别，能够捕捉超越平均参数值的复杂云纹理和特性，展示了在数据驱动气候模式发现方面的潜力。

ABSTRACT

We present a framework for cloud characterization that leverages modern unsupervised deep learning technologies. While previous neural network-based cloud classification models have used supervised learning methods, unsupervised learning allows us to avoid restricting the model to artificial categories based on historical cloud classification schemes and enables the discovery of novel, more detailed classifications. Our framework learns cloud features directly from radiance data produced by NASA's Moderate Resolution Imaging Spectroradiometer (MODIS) satellite instrument, deriving cloud characteristics from millions of images without relying on pre-defined cloud types during the training process. We present preliminary results showing that our method extracts physically relevant information from radiance data and produces meaningful cloud classes.

研究动机与目标

• 开发一种数据驱动的云分类系统，避免依赖历史上定义的云类型。
• 利用无监督学习从高维卫星辐射率数据中发现新颖且具有物理相关性的云类别。
• 评估自编码器学习的潜在特征聚类是否能产生空间一致且具有物理意义的云类别。
• 比较基于自编码器的聚类与基于MOD06云参数聚类在捕捉云结构和梯度方面的性能。
• 通过t-SNE可视化和聚类凝聚度度量，评估所学云类别的稳定性和可解释性。

提出的方法

• 在MODIS Level 1B辐射率数据上训练深度卷积自编码器，以学习云图像的降维潜在表征。
• 自编码器通过组合L1、L2、Sobel滤波边缘误差以及多尺度结构相似性（MSSIM）的复合损失函数，最小化以保留图像保真度和纹理。
• 使用学习率为1e-4的Adam优化器训练自编码器，卷积层保留空间结构。
• 对学习到的潜在表征应用层次聚类，将图像块分组为不同的云类别。
• 使用t-分布随机邻域嵌入（t-SNE）可视化高维潜在空间，评估聚类凝聚度。
• 将该方法与基于MOD06导出的云参数（如光学厚度、有效半径）的聚类进行比较，以评估信息丰富度。

实验结果

研究问题

• RQ1 无监督深度学习能否从未标注的原始MODIS辐射率数据中提取具有物理意义的云类别？
• RQ2 所学习的云类别是否表现出空间一致性，并捕捉到无法仅从平均参数值重现的重要物理梯度？
• RQ3 与标准MOD06导出云参数的聚类相比，自编码器学习特征的聚类在空间一致性和物理相关性方面表现如何？
• RQ4 所得到的云类别在不同数据子集上是否稳定且具有鲁棒性？
• RQ5 潜在空间表征能否有效分离不同云类型，同时保留有意义的物理差异？

主要发现

• 基于自编码器的聚类产生了空间一致的云类别，能够捕捉复杂的云纹理和模式，如层积云和高海拔卷云，如t-SNE可视化所示。
• 聚类#2捕捉了具有不同细胞尺寸的层积云，而聚类#0识别出两个高海拔卷云实例，表明该方法能够区分不同的云类型。
• 潜在表征的聚类捕捉到了明显的物理梯度，例如场景右下角有效半径的急剧变化，而基于MOD06参数的聚类则未能捕捉到这一现象。
• 该方法产生的类别无法仅通过云参数的平均值重现，表明其编码了更丰富的空间和结构信息。
• t-SNE可视化证实，每个聚类内的图像块在潜在空间中紧密聚集，表明类别具有良好的凝聚度和可分性。
• 与基于MOD06参数的聚类相比，基于自编码器的方法在复杂云动力区域产生了更具空间一致性和物理意义的分类结果。