[论文解读] Multimodal learning-based inversion models for the space-time reconstruction of satellite-derived geophysical fields

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

Reservoir Engineering and Simulation Methods被引用 10

一句话总结

本文提出了一种物理信息驱动的、端到端的基于学习的反演模型，该模型联合学习多模态观测算子、先验信息和可训练求解器，以从不规则采样的卫星SSH和SST数据中重建海表面高度（SSH）的高分辨率时空动力学。该方法在均方根误差方面相比业务产品实现了40–50%的相对改进，并能解析至0.64°的空间分辨率和4.08天的时间尺度的精细结构。

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.

研究动机与目标

• 为解决从SSH和SST的稀疏卫星观测中重建精细尺度海表面动力学的挑战。
• 克服现有模型在特定动力学范式（如表面准地转，SQG）下受限的局限性。
• 开发一种统一的、端到端的学习框架，通过多模态卫星数据联合优化观测模型、先验信息和求解器。
• 实现在亚10天时间尺度和亚1°空间尺度的时空动力学重建，这些尺度通常无法被业务系统解析。
• 展示可训练的、物理信息驱动的算子在从多模态卫星观测中捕捉复杂海洋动力学方面的有效性。

提出的方法

• 该方法采用可训练的观测项和先验项的变分公式，并使用可微分的LSTM-based求解器实现端到端优化。
• 采用双尺度U-Net结构，结合双线性上采样模块作为动力学先验，以建模非线性上层海洋过程（包括平流过程）。
• SSH和SST的观测算子通过卷积层参数化，其中SST算子被设计为学习SSH和SST场之间的共享特征。
• 使用损失函数联合优化SSH和SST的数据保真度项，以及通过时间积分动力学强制实现时间一致性的先验项。
• 整个架构具有可微性，支持通过求解器进行反向传播，并利用梯度下降法联合优化所有组件。
• 通过包含星下点沿轨和宽幅海面高度计观测的观测系统模拟实验（OSSE），对框架进行了评估，数据为合成的墨西哥湾流数据。

实验结果

研究问题

• RQ1 统一的、端到端的学习框架能否有效从多模态卫星SSH和SST观测中重建精细尺度海表面动力学？
• RQ2 与固定或预训练模型相比，可训练的观测算子和先验信息在多大程度上提升了重建精度？
• RQ3 所提方法能否解析低于10天的时间尺度，这些尺度通常被业务系统忽略？
• RQ4 SST-SSH协同作用在SQG模型之外如何增强SSH场的重建？
• RQ5 可微分的、可学习的求解器的集成是否显著提升了重建场的空间和时间一致性？

主要发现

• 所提出的多模态学习驱动的反演模型相比业务产品DUACS，实现了40–50%的均方根误差相对降低。
• 该方法可解析至0.64°的空间尺度，显著优于基线DUACS产品0.82°的分辨率。
• 其可捕捉至4.08天的时间动力学，实现了对亚10天特征的解析——这是大多数现有方法无法实现的。
• SST数据的引入显著提升了重建质量，尤其在解析精细结构和减少伪影方面效果明显。
• 可训练的LSTM-based求解器在保持空间一致性及实现动态特征高保真重建方面起到了关键作用。
• 从SST数据中提取的特征图揭示了与底层SSH动力学相关的、学习到的多尺度模式，表明其具备超越SQG模型的泛化表征能力。