[论文解读] Modeling Cloud Reflectance Fields using Conditional Generative Adversarial Networks

Victor Schmidt, Mustafa Alghali+3 more|arXiv (Cornell University)|Feb 10, 2020

Remote Sensing in Agriculture参考文献 20被引用 5

一句话总结

本文提出一种条件生成对抗网络（cGAN），从海面温度、湿度等大规模气象变量生成逼真的云反照率场（CRF）。通过使用带有多尺度判别器和Extra-Adam优化的U-Net生成器，该模型生成了高质量、多样化的CRF样本，能够保持全球云结构，并在频谱频率分布上与真实数据匹配，展示了其在气候模型中数据驱动的随机云参数化方面的潜力。

ABSTRACT

We introduce a conditional Generative Adversarial Network (cGAN) approach to generate cloud reflectance fields (CRFs) conditioned on large scale meteorological variables such as sea surface temperature and relative humidity. We show that our trained model can generate realistic CRFs from the corresponding meteorological observations, which represents a step towards a data-driven framework for stochastic cloud parameterization.

研究动机与目标

• 通过生成逼真的云反照率场（CRF），开发一种用于全球气候模型（GCMs）的基于数据的随机云参数化框架。
• 通过用学习到的生成方法替代确定性或超参数化模型，解决全球气候模型（GCMs）中模拟亚网格云过程的高计算成本问题。
• 将CRF建模为云光学厚度的代理变量，后者是地球能量平衡计算中的关键变量。
• 在气象输入条件下生成多样化且逼真的CRF样本，以捕捉大尺度云模式和细尺度变异性。

提出的方法

• 采用条件生成对抗网络（cGAN），其中基于U-Net的生成器以44×256×256的气象输入数据（MERRA-2变量加上空间坐标）为条件。
• 生成器采用跳跃连接、批归一化、Leaky ReLU以及25%的Dropout以引入随机性，避免使用噪声向量。
• 通过用最近邻上采样后接卷积操作替代转置卷积，缓解了转置卷积带来的棋盘状伪影。
• 采用多尺度判别器，包含三个分支（原始尺寸、下采样2倍、下采样4倍），提供多分辨率反馈，以提升图像的全局与局部保真度。
• 训练采用加权损失函数，结合LSGAN对抗损失与L1匹配损失，以平衡真实感与重建精度。
• 优化使用Extra-Adam，相比Adam或SGD，其收敛性与样本质量更优。

实验结果

研究问题

• RQ1 条件生成对抗网络（cGAN）能否从大规模气象变量生成逼真的云反照率场，同时保持全局结构与局部细节？
• RQ2 生成的CRF在统计特性上（尤其是频域）与真实反照率场的匹配程度如何？
• RQ3 在相同输入条件下，该模型在多大程度上能生成多样化但合理的云场样本？
• RQ4 通过采用多尺度判别与Extra-Adam等架构与优化选择，能否提升模型性能？
• RQ5 当前模型在多样性、模糊性与模式崩溃方面的局限性是什么，应如何改进？

主要发现

• 模型在验证集上的ℓ2损失约为0.027，表明生成与真实反照率场在像素级别具有较强的重建精度。
• 视觉分析显示，生成的CRF保留了大尺度云结构与整体构图，仅存在轻微模糊与伪影。
• 通过二维DFT进行谱分析表明，生成图像与真实图像的频率幅度分布高度相似，对数平均L2距离较小。
• 在相同输入下，多个样本间保持一致的全局模式，变化主要集中在细粒度细节上，表明多样性受控。
• 生成样本的四分位距与标准差在训练过程中趋于稳定，表明一致性提升，模式崩溃减少。
• 尽管已有进展，模型仍存在模糊与残留的棋盘状伪影，可能源于训练数据有限（3,100个样本）与模型容量失衡。