CLOINet：通过遥感、现场稀疏观测和深度学习进行海洋状态重建
摘要：将遥感数据与原位观测相结合，获得海洋状态的完整三维重建对于经典插值技术来说是具有挑战性的。因此，我们开发了一种利用最优插值方案的CLuster Optimal Interpolation Neural Network (CLOINet)，它利用了“自注意机制”这一最新的神经网络技术，并结合最优插值方案的成熟数学基础。我们的网络将遥感图像分割成具有非局部相关性和增强海洋细尺度重建能力的聚类。我们使用海洋通用环流模型 (OGCM) 的输出来训练神经网络，并提供各种测试场景。在这方面，我们进行了观测系统模拟实验，旨在根据海面温度 (SST) 或海面高度 (SSH) 以及稀疏的原位盐度观测数据重建深层盐度场。结果表明，与基准最优插值相比，我们减小了重建误差$25\%$并分辨率比基线O1高$50\%$。此外，即使我们的神经网络完全使用模拟数据进行训练，我们使用滑翔机温度观测和卫星叶绿素浓度成功提高了$35\%$的实际SST场重建能力。因此，我们证明了像CLOINet这样的深度学习网络可以成为模型和观测界共同努力的领先技术，以发展海洋数字孪生技术。
作者：Eugenio Cutolo, Ananda Pascual, Simon Ruiz, Nikolaos Zarokanellos, Ronan Fablet
论文ID：2210.10767
分类：Atmospheric and Oceanic Physics
分类简称：physics.ao-ph
提交时间：2023-02-09