.png){kind=icon}
返回
Sea surface salinity downscaling using deep generative diffusion models
.png){kind=icon}
OA
AI
DOI：10.5194/os-22-2357-2026.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高分辨率卫星观测对于研究精细尺度海洋过程至关重要。然而，目前的卫星海表盐度（SSS）产品分辨率仍然过低，无法解析许多精细尺度结构。本研究探讨了去噪扩散模型作为SSS降尺度生成的框架，并在基于GLORYS再分析场的受控概念验证实验中进行验证。一个多通道扩散先验模型在1/12度SSS、海表温度（SST）和海表高度（SSH）场上进行训练，然后在推理阶段结合合成的粗糙SSS观测（1/3度）以及高分辨率（1/12度）的辅助SST和/或SSH进行条件化。条件化通过伪逆引导实现，该引导将生成的样本导向与粗糙观测兼容的状态，同时保持在学习的GLORYS一致的多变量分布内。我们还测试了一种梯度增强程序，旨在提高推理过程中的对比度。在墨西哥湾流区域的实验比较了仅基于SST、仅基于SSH以及基于两者条件化的模型。2020年的验证采用均方根误差（RMSE）、结构相似性（SSIM）、梯度分布和时域傅里叶谱进行评估。在当前的GLORYS配置中，基于SST的条件化显著提高了相对于仅基于SSH的精度；结合SST和SSH能带来进一步增益，在RMSE/SSIM下与强卷积基线相当，同时还能提供一组合理的重建结果。梯度增强采样器增加了结构对比度，但可能放大部分变率，这体现了像素级精度与结构真实感之间的权衡。总体而言，结果表明引导扩散模型是SSS降尺度和不确定性感知重建的可行框架，同时也表明将其应用于真实卫星SSS产品需要产品感知的观测算子、不确定性加权以及独立的现场验证。
期刊
IF:
3.3
论文数:
1.6K
被引数:
4.0K
机构
引用论文
.png){kind=icon}
查看更多内容