Aprendizaje Profundo Informado por la Física para la Reconstrucción de Información Climática Espacial Faltante en la Antártida
Autores: Yao, Ziqiang; Zhang, Tao; Wu, Li; Wang, Xiaoying; Huang, Jianqiang
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
Categoría
Ciencias Naturales y Subdisciplinas
Subcategoría
Astronomía
Palabras clave
Antarctico
Clima global
Aprendizaje profundo
Patrón espacial
Valores faltantes
Kriging
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 7
Citaciones: Sin citaciones
Entender la influencia de la Antártida en el clima global es crucial para la predicción del calentamiento global. Sin embargo, debido a la escasez de sitios de observación, es difícil reconstruir el patrón espacial racional al llenar los valores faltantes de las limitadas observaciones de los sitios. Para abordar este desafío, se utilizan regularmente métodos regionales de llenado de brechas espaciales, como Kriging y el método de distancia inversa ponderada (IDW), en geociencia. No obstante, la credibilidad de reconstrucción de estos métodos es indeseable cuando la estructura espacial tiene grandes piezas faltantes. Inspirados en la restauración de imágenes, proponemos un nuevo método de aprendizaje profundo que demuestra un buen efecto al incorporar la inicialización consciente de la física de los métodos de aprendizaje profundo para un aprendizaje rápido y capturar la dependencia espacial para la imputación de áreas faltantes con alta fidelidad. Creamos el conjunto de datos de referencia que enmascara artificialmente la región antártica con proporciones del 30%, 50% y 70%. La reconstrucción de la temperatura media mensual de la superficie utilizando el método de restauración de imágenes de aprendizaje profundo RFR (Razonamiento de Características Recurrentes) exhibe una mejora promedio del 63% y 71% en precisión sobre Kriging e IDW bajo diferentes tasas de faltantes. En cuanto a la velocidad del viento, todavía hay mejoras del 36% y 50%. En particular, la mejora lograda es aún mejor para la mayor proporción de faltantes, como bajo la tasa de faltantes del 70%, donde la precisión de RFR es un 68% y un 74% superior a Kriging e IDW para la temperatura y también un 38% y un 46% más alta para la velocidad del viento. Además, el método PI-RFR (Razonamiento de Características Recurrentes Informadas por la Física) que proponemos se inicializa utilizando los datos del patrón espacial simulados por el modelo climático numérico en lugar del promedio unificado. En comparación con RFR, PI-RFR tiene una mejora promedio de precisión del 10% para la temperatura y del 9% para la velocidad del viento. Cuando se aplica para reconstruir el patrón espacial basado en las observaciones de sitios antárticos, donde la tasa de faltantes supera el 90%, el método propuesto exhibe más características espaciales que Kriging e IDW.
Descripción
Entender la influencia de la Antártida en el clima global es crucial para la predicción del calentamiento global. Sin embargo, debido a la escasez de sitios de observación, es difícil reconstruir el patrón espacial racional al llenar los valores faltantes de las limitadas observaciones de los sitios. Para abordar este desafío, se utilizan regularmente métodos regionales de llenado de brechas espaciales, como Kriging y el método de distancia inversa ponderada (IDW), en geociencia. No obstante, la credibilidad de reconstrucción de estos métodos es indeseable cuando la estructura espacial tiene grandes piezas faltantes. Inspirados en la restauración de imágenes, proponemos un nuevo método de aprendizaje profundo que demuestra un buen efecto al incorporar la inicialización consciente de la física de los métodos de aprendizaje profundo para un aprendizaje rápido y capturar la dependencia espacial para la imputación de áreas faltantes con alta fidelidad. Creamos el conjunto de datos de referencia que enmascara artificialmente la región antártica con proporciones del 30%, 50% y 70%. La reconstrucción de la temperatura media mensual de la superficie utilizando el método de restauración de imágenes de aprendizaje profundo RFR (Razonamiento de Características Recurrentes) exhibe una mejora promedio del 63% y 71% en precisión sobre Kriging e IDW bajo diferentes tasas de faltantes. En cuanto a la velocidad del viento, todavía hay mejoras del 36% y 50%. En particular, la mejora lograda es aún mejor para la mayor proporción de faltantes, como bajo la tasa de faltantes del 70%, donde la precisión de RFR es un 68% y un 74% superior a Kriging e IDW para la temperatura y también un 38% y un 46% más alta para la velocidad del viento. Además, el método PI-RFR (Razonamiento de Características Recurrentes Informadas por la Física) que proponemos se inicializa utilizando los datos del patrón espacial simulados por el modelo climático numérico en lugar del promedio unificado. En comparación con RFR, PI-RFR tiene una mejora promedio de precisión del 10% para la temperatura y del 9% para la velocidad del viento. Cuando se aplica para reconstruir el patrón espacial basado en las observaciones de sitios antárticos, donde la tasa de faltantes supera el 90%, el método propuesto exhibe más características espaciales que Kriging e IDW.