Un enfoque novedoso para la clasificación confiable de morfologías de nubes bajas marinas con modelos de visión-lenguaje
Autores: Erfani, Ehsan; Hosseinpour, Farnaz
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
Categoría
Ciencias Naturales y Subdisciplinas
Subcategoría
Astronomía
Palabras clave
Nubes bajas marinas
Forzamiento radiativo antropogénico
Morfologías de mesoescala
Propiedades microfísicas y radiativas
Modelo de visión-lenguaje
Imágenes de satélite
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 7
Citaciones: Sin citaciones
Las nubes bajas marinas tienen un fuerte impacto en el sistema de la Tierra, pero siguen siendo una fuente importante de incertidumbre en la forzamiento radiativo antropogénico simulado por modelos de circulación general. Esta incertidumbre surge de la comprensión incompleta de los muchos procesos que controlan su evolución e interacciones. Una característica clave de estas nubes son sus diversas morfologías mesoscópicas, que están estrechamente ligadas a sus propiedades microfísicas y radiativas, pero que siguen siendo difíciles de caracterizar con recuperaciones satelitales y modelos numéricos. Aquí, desarrollamos y aplicamos un modelo de visión-lenguaje (VLM) para clasificar las morfologías de nubes bajas marinas utilizando dos conjuntos de datos independientes basados en imágenes satelitales del Espectrorradiómetro de Imágenes de Resolución Moderada (MODIS): (1) tipos de convección celular mesoscópica de azúcar, grava, pez y flor (SGFF; 8800 muestras en total) y (2) tipos de estratocúmulos marinos (Sc) de estratos, celdas cerradas, celdas abiertas y otras celdas (260 muestras en total). Al condicionar codificadores de imágenes congeladas en indicaciones descriptivas, el VLM aprovecha los priors multimodales aprendidos de un entrenamiento de imagen-texto a gran escala, haciéndolo menos sensible al tamaño limitado de la muestra. Los resultados muestran que la validación cruzada k-fold del VLM logra una precisión general de 0.84 para SGFF, comparable a los puntos de referencia de aprendizaje profundo anteriores para los mismos tipos de nubes, y mantiene un rendimiento robusto bajo la reducción en el tamaño de entrenamiento de SGFF. Para el conjunto de datos de Sc, el VLM alcanza una precisión de 0.86, mientras que el modelo solo de imagen es poco confiable bajo un conjunto de entrenamiento tan limitado. Estos hallazgos destacan el potencial de los VLM como herramientas eficientes y precisas para la clasificación de nubes con muy pocas muestras, ofreciendo nuevas oportunidades para la teledetección satelital y la evaluación de modelos climáticos.
Descripción
Las nubes bajas marinas tienen un fuerte impacto en el sistema de la Tierra, pero siguen siendo una fuente importante de incertidumbre en la forzamiento radiativo antropogénico simulado por modelos de circulación general. Esta incertidumbre surge de la comprensión incompleta de los muchos procesos que controlan su evolución e interacciones. Una característica clave de estas nubes son sus diversas morfologías mesoscópicas, que están estrechamente ligadas a sus propiedades microfísicas y radiativas, pero que siguen siendo difíciles de caracterizar con recuperaciones satelitales y modelos numéricos. Aquí, desarrollamos y aplicamos un modelo de visión-lenguaje (VLM) para clasificar las morfologías de nubes bajas marinas utilizando dos conjuntos de datos independientes basados en imágenes satelitales del Espectrorradiómetro de Imágenes de Resolución Moderada (MODIS): (1) tipos de convección celular mesoscópica de azúcar, grava, pez y flor (SGFF; 8800 muestras en total) y (2) tipos de estratocúmulos marinos (Sc) de estratos, celdas cerradas, celdas abiertas y otras celdas (260 muestras en total). Al condicionar codificadores de imágenes congeladas en indicaciones descriptivas, el VLM aprovecha los priors multimodales aprendidos de un entrenamiento de imagen-texto a gran escala, haciéndolo menos sensible al tamaño limitado de la muestra. Los resultados muestran que la validación cruzada k-fold del VLM logra una precisión general de 0.84 para SGFF, comparable a los puntos de referencia de aprendizaje profundo anteriores para los mismos tipos de nubes, y mantiene un rendimiento robusto bajo la reducción en el tamaño de entrenamiento de SGFF. Para el conjunto de datos de Sc, el VLM alcanza una precisión de 0.86, mientras que el modelo solo de imagen es poco confiable bajo un conjunto de entrenamiento tan limitado. Estos hallazgos destacan el potencial de los VLM como herramientas eficientes y precisas para la clasificación de nubes con muy pocas muestras, ofreciendo nuevas oportunidades para la teledetección satelital y la evaluación de modelos climáticos.