[论文解读] Multimodal 4DVarNets for the reconstruction of sea surface dynamics from SST-SSH synergies

Ronan Fablet, Quentin Febvre+1 more|arXiv (Cornell University)|Jul 4, 2022

Oceanographic and Atmospheric Processes被引用 5

一句话总结

该论文提出多模态4DVarNets，一种物理信息深度学习框架，能够从海面温度（SST）和海面高度（SSH）的协同卫星观测中重建高分辨率海表动力学。通过在变分框架内整合可训练的观测算子、先验信息和梯度求解器，该方法在均方根误差和解析的空间-时间尺度方面相比仅使用海面高度计的业务产品实现了超过60%的相对改进。

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.

研究动机与目标

• 解决从不规则采样卫星观测中重建细尺度海表动力学的挑战，特别是在仅使用高度计数据时空分辨率不足的情况下。
• 利用海面温度（SST）与海面高度（SSH）观测之间的协同效应，提升无散射面流场的重建精度。
• 开发一种可训练的端到端神经架构，将物理约束（通过变分公式表达）与多模态数据融合相结合，以改善地球物理反演。
• 克服经典数据同化与最优插值方法的局限性，通过从数据中联合学习观测算子、动力学先验和优化求解器。
• 在墨西哥湾流区域展示该框架在重建时空解析SSH场方面优于最先进方法的优越性。

提出的方法

• 将重建问题表述为物理信息变分优化，其中代价函数包含SST和SSH的可训练观测项与先验项。
• 设计4DVarNet架构，将变分优化过程展开为基于梯度的迭代求解器，并利用自动微分实现所有组件的联合训练。
• 引入多模态观测算子，显式建模SST与SSH之间的关系，实现其物理协同效应的数据驱动学习。
• 使用基于NATL60海洋模型的观测系统仿真实验（OSSE）生成的合成数据，以监督方式端到端训练整个神经架构。
• 采用具有可训练参数的基于梯度的求解器，以加速收敛并提升泛化能力，同时通过显式的变分结构保持可解释性。
• 通过底层的变分框架确保物理一致性，确保学习到的组件尊重已知的动力学约束，如表面准地转（SQG）理论所描述的约束。

实验结果

研究问题

• RQ1 基于物理信息的端到端深度学习框架能否有效从SST与SSH的多模态卫星观测中重建细尺度海表动力学？
• RQ2 与固定或经典数据同化方案相比，可训练观测算子与动力学先验的整合在多大程度上提升了重建精度？
• RQ3 在数据中能多大程度上学习SST与SSH之间的多模态协同效应，以实现超越仅使用高度计所能达到的空间-时间分辨率？
• RQ4 在真实海洋环境中，所提出的4DVarNet框架是否在均方根误差以及解析的空间与时间尺度方面优于最先进方法？
• RQ5 观测算子、先验与求解器的联合训练是否能减少反演偏差并提升地球物理反问题的可解释性？

主要发现

• 所提出的多模态4DVarNet框架在重建SSH场方面，相比仅使用业务高度计产品的均方根误差（RMSE）实现了超过60%的相对改进。
• 该方法通过结合SST数据的高时间分辨率采样与SSH数据，成功解析了更细尺度的空间-时间动力学，特别是中尺度涡旋与流脊。
• 可训练的观测算子有效学习了SST与SSH之间的物理关系，实现了优于固定或启发式融合方法的重建效果。
• 观测算子、动力学先验与基于梯度的求解器的联合训练，相比标准变分方法，实现了更快的收敛速度与更低的反演偏差。
• 该框架在墨西哥湾流区域的观测系统仿真实验（OSSE）中表现出强大的泛化能力，优于现有的模型驱动与数据驱动基线方法。
• 该架构实现了可解释的、受物理约束的学习，可能从数据中揭示隐藏的物理关系，为海洋动力学的未来发现提供支持。