Innovating assimilation of non-Gaussian image-like observations

非高斯类图像观测的创新同化

基本信息

批准号：
21K03668
负责人：
堀田大介
金额：
$ 2.5万
依托单位：
Japan, Meteorological Research Institute
依托单位国家：
日本
项目类别：
Grant-in-Aid for Scientific Research (C)
财政年份：
2021
资助国家：
日本
起止时间：
2021-04-01 至 2026-03-31
项目状态：
未结题

项目摘要

本課題では雲や降水に影響される気象衛生画像などの、非ガウス性の強い画像状の気象観測データを、機械学習手法の一つである変分自己符号化器を用いてガウス性の高い潜在変数に変換し、変換後の空間でガウス分布を仮定したデータ同化手法により解析を実施することで、これまで実現し得なかった、非ガウス・稠密データの同化を実現することを目標としている。2022年度は、フランス気象局附属気象学学校との共同研究により静止気象衛星ひまわり8号によるバンド13の赤外画像を用いて、現実データの変分自己符号化器による学習に取り組んだ（交付申請書に記載の研究実施計画中、2023年度実施予定とした【課題3】に相当）。現実データの収集・フォーマット変換とJulia言語による変分自己符号化器の実装を進め、実際に訓練ループを回せるところまで進捗している。現実のデータ同化に実用できるだけの再構成誤差（すなわち、一度符号化した潜在変数を復号器に通して得られる画像と元の画像が、測器の観測誤差と比べ十分に小さい程度になること）を達成するところまでは至っていないが、符号化器および復号器に多段の畳み込み層を導入することで訓練にかかる計算時間が大幅に短縮されることや、目的関数の設計において通常取り込まれる、近似潜在分布と標準ガウス分布のクルバック・ライブラー発散項を含めないことでむしろ潜在空間における特徴量の分離が明瞭になることなど、重要な知見がこれまでに既に得られている。

在这个项目中，我们使用变分自动编码器（机器学习方法之一）将高度非高斯的气象观测数据（例如受云和降水影响的气象卫星图像）转换为高度高斯的图像。将数据转换为潜在变量并使用假设变换空间中的高斯分布的数据同化方法进行分析，我们的目标是实现非高斯和密集数据的同化，这是迄今为止不可能的。 2022年，我们通过与法国气象局附属气象学院的联合研究，利用来自地球静止气象卫星Himawari 8的波段13红外图像，对真实数据进行了变分自动编码器的学习，这对应于[问题3]。书中描述的研究实施计划计划于2023年实施。我们正在收集和转换真实数据以及使用 Julia 语言实现变分自动编码器，并且正在进展到我们可以实际运行训练循环的程度。对于实际数据同化来说实用的重建误差（即通过解码器传递编码潜变量获得的图像和原始图像相比测量仪器的观测误差足够小）但是，可以引入多个编码器和解码器中的卷积层。通过不包括通常纳入目标函数设计中的近似潜在分布和标准高斯分布的库尔巴赫-莱布勒散度项，训练所需的计算时间显着减少，已经获得了重要的发现，包括：更清晰的分离。