《Applied Ocean Research》:Deep learning for sea surface temperature reconstruction under cloud occlusion
编辑推荐:
受云隙影响的卫星图像的海表温度(SST)重建在过去三十年中已有广泛记载。研究人员描述了从意大利海域的MODIS Aqua夜间L3图像出发,填充云遮挡区域的几种深度学习模型。为应对这一挑战,在测试了不同模型和方法后,研究人员采用了一种卷积神经网络模型(U-Net
受云隙影响的卫星图像的海表温度(SST)重建在过去三十年中已有广泛记载。研究人员描述了从意大利海域的MODIS Aqua夜间L3图像出发,填充云遮挡区域的几种深度学习模型。为应对这一挑战,在测试了不同模型和方法后,研究人员采用了一种卷积神经网络模型(U-Net),用于重建卫星图像中被云覆盖的部分,同时保留无云区域观测值的完整性。研究人员证明了U-Net相对于使用最优插值(OI)插值算法的现有产品具有高精度。研究结果相对于一些早期研究是有前景的,同时建议进行进一步研究以实现更稳健的相互比较。
**论文解读**
海表温度(SST)是地球气候系统的关键变量,对理解海气相互作用和气候变率至关重要。然而,卫星红外遥感观测常因云层遮挡导致数据缺失,传统的统计方法如最优插值(OI)和经验正交函数(EOF)虽能填补空隙,但往往产生平滑效应,难以保留小尺度特征和锋面结构,且假设线性关系限制了复杂动态的捕捉。近年来,基于深度学习的重建方法因能利用大量数据和非线性表达能力而受到关注。为克服云遮挡下SST重建的精度瓶颈,研究人员以意大利海域为研究区域,利用MODIS Aqua夜间L3图像(分辨率4 km,时间跨度2002-2023年),探讨了多种深度学习模型,尤其是U-Net架构,以在保留无云区域观测值的同时有效填充云遮挡区域。研究发现,经优化的U-Net模型在重建精度上优于现有的L4统计插值产品和DINCAE模型,展现了深度学习的潜力。该论文发表于《Applied Ocean Research》。
**关键技术方法**(不超过250字)
研究人员采用MODIS Aqua夜间L3图像作为样本数据,覆盖意大利海域(35.33°N–46.0°N,7.92°E–18.58°E)。主要技术方法包括:(1)构建人工云遮挡生成器,通过叠加历史云图模拟遮挡,以生成训练和验证的真值;(2)设计并比较不同通道数的U-Net(U-Net32和U-Net64)和视觉变换器(ViT)模型;(3)扣除基于21年数据计算的无偏季节气候态(climatology),利用异常值进行训练;(4)输入多个连续夜间图像(最多5天)以整合时空信息;(5)将原始256×256区域划分为四个128×128子区域分别训练,提升局部特征捕捉能力。训练使用AdamW优化器,在NVIDIA A100 GPU上完成。
**研究结果**
**4. 模型比较与选择**
通过以RMSE为指标评估不同模型在人工遮挡下的重建性能,发现:U-Net64在128×128子区域、输入4天时达到最低RMSE约0.30°C,优于ViT和更大输入天数。模型性能随可见海面积百分比下降呈线性退化,每增加1%遮挡误差增加约0.005°C。扣除季节气候态可使性能提升约10%。
**4.1 与DINCAE的验证**
在与DINCAE2.0的粗略比较中(使用MODIS-TERRA数据、相似区域),U-Net64和U-Net32的RMSE分别为0.42–0.45°C,低于DINCAE的0.54°C,表明本研究方法在单一变量输入下仍具竞争力。
**5. 应用于业务输入数据集**
将训练好的U-Net64应用于Copernicus Marine Service的L3S NRT产品,并与L4 NRT产品对比。在2022年无云区域,U-Net的RMSE平均约0.04°C,低于L4的0.14°C,且月变化更均匀;视觉比较显示U-Net能更好地保持锋面结构。扩展到整个地中海区域的初步测试显示与意大利海域结果相当。
**讨论与结论**
研究人员指出,深度学习模型(尤其是U-Net64)在云遮挡SST重建中表现优异,优于传统OI插值和DINCAE,关键在于合理利用时空维度信息、剔除季节循环以及子区域训练。未来可融入微波传感器数据以提升全天候能力并解析日周期。论文结论翻译如下:本研究调查了深度神经网络在云遮挡导致的数据间隙重建中的应用,发现经适当调整的深度学习方法能提升SST重建精度。与现有L4产品和DINCAE的比较凸显了深度学习的有效性。所选U-Net64架构使用3或4天历史输入和无偏季节气候态,子区域训练有助于避免跨流域虚假相关。与DINCAE的粗略比较显示轻微改进。为评估泛化性,正测试地中海及邻近大西洋区域的应用,结果与较小区域相当。未来将整合微波传感器数据。总之,研究结果强调了深度学习增强SST数据完整性和准确性的潜力,为边缘海域的应用提供了前景。