[论文解读] Sea surface temperature prediction and reconstruction using patch-level neural network representations

Said Ouala, Cédric Herzet+1 more|arXiv (Cornell University)|May 31, 2018

Meteorological Phenomena and Simulations参考文献 17被引用 15

一句话总结

该论文提出一种基于补丁级别的双线性残差神经网络，利用卫星数据预测并重建海表温度（SST）异常，采用类似龙格-库塔的积分方案。在预测和插值任务中，其性能相比传统方法最高提升50%，尤其在南非南部海域等高度动态区域表现更优。

ABSTRACT

The forecasting and reconstruction of ocean and atmosphere dynamics from satellite observation time series are key challenges. While model-driven representations remain the classic approaches, data-driven representations become more and more appealing to benefit from available large-scale observation and simulation datasets. In this work we investigate the relevance of recently introduced bilinear residual neural network representations, which mimic numerical integration schemes such as Runge-Kutta, for the forecasting and assimilation of geophysical fields from satellite-derived remote sensing data. As a case-study, we consider satellite-derived Sea Surface Temperature time series off South Africa, which involves intense and complex upper ocean dynamics. Our numerical experiments demonstrate that the proposed patch-level neural-network-based representations outperform other data-driven models, including analog schemes, both in terms of forecasting and missing data interpolation performance with a relative gain up to 50\\% for highly dynamic areas.

研究动机与目标

• 解决从稀疏卫星观测中预测和重建海洋地球物理场的挑战。
• 克服基于模型的方法在捕捉SST复杂时空动力学方面的局限性。
• 开发一种数据驱动的神经网络架构，通过数值积分方案显式建模动力系统。
• 提升在具有强烈表层海洋动力学的区域（如南非南部）的预测与缺失数据插值性能。
• 在预测与数据同化任务中，证明所提出的神经网络表示方法相比现有基于类比的方法具有优越性。

提出的方法

• 将SST异常场分解为重叠的P×P空间补丁（P=20），以实现动力学的局部化。
• 对每个补丁应用经验正交函数（EOF）分解，使用N_E=50个模态表示空间变异性，捕捉95%的方差。
• 利用双线性残差神经网络建模EOF系数Z(𝑃𝑠,𝑡)的时间演化，其形式模仿四阶龙格-库塔积分方案。
• 将动力算子F(Z,θ)表述为具有全连接层和逐元素乘积的双线性网络，以嵌入动力系统内在的非线性特性。
• 训练两种配置：Bi-NN(1)-RK4（单个模块重复）和Bi-NN(4)-SL（四个模块联合训练），以模拟龙格-库塔积分过程。
• 将模型集成到随机数据同化框架中，以重建因云层遮挡导致缺失的卫星观测数据下的SST。

实验结果

研究问题

• RQ1 基于双线性残差网络的补丁级神经网络表示是否能相比类比方法提升SST异常预测性能？
• RQ2 在神经网络架构中集成类似龙格-库塔的数值方案，对动态海洋区域预测精度有何影响？
• RQ3 所提模型在重建存在观测缺失的SST场方面，相比类比预测技术的优越程度如何？
• RQ4 联合训练完整的龙格-库塔类积分方案（Bi-NN(4)-SL）是否优于一阶近似（Bi-NN(1)-RK4）？
• RQ5 所提方法是否能有效重建如南非海岸等高度动态区域的SST异常，该区域存在复杂的海洋动力过程？

主要发现

• 所提出的双线性残差神经网络模型在最动态区域（补丁4）相比类比方法，预测性能最高提升50%。
• 在4天预测任务中，Bi-NN(4)-SL在所有补丁上的平均RMSE相比表现最佳的类比模型（LAF）降低27.6%。
• 在存在云层遮挡的卫星数据同化实验中，Bi-NN(4)-SL在补丁3上相比全局类比模型（AnDA-G）实现42.5%的RMSE相对降低。
• 在75%的测试案例中，Bi-NN(4)-SL优于Bi-NN(1)-RK4，表明联合训练完整龙格-库塔类积分方案具有优势。
• 该模型在重建如南非南部的阿古拉斯海流区域等具有强烈表层海洋动力学的区域SST异常方面表现出稳健性能。
• 神经网络表示提供了对训练模型的动力算子的显式解释，增强了物理可解释性。