Global 3D Reconstruction of Clouds Tropical Cyclones
Shirin Ermis, Cesar Aybar, Lilli Freischem, Stella Girtsou, Kyriaki-Margarita Bintsi, Emiliano Diaz Salas-Porras, Michael Eisinger, William Jones, Anna Jungbluth, Benoit Tremblay
热带气旋(TC)的准确预测仍然具有挑战性,因为探测TC结构的卫星观测有限,并且难以解决TC加剧所涉及的云特性。 最近的研究已经证明了机器学习方法从卫星观测中重建3D云的能力。 然而,现有方法仅限于TCs不常见的地区,并且对强烈风暴的验证不足。 我们引入了一个新的框架,基于训练前微调管道,从具有全球覆盖范围的多个卫星中学习,将2D卫星图像转化为相关云属性的3D云图。 我们将模型应用于定制的 TC 数据集,以评估在最具挑战性和相关条件下的性能。 我们首次展示了我们可以创建全球瞬时3D云图,并准确重建强风暴的3D结构。 我们的模型不仅扩展了可用的卫星观测,而且还提供了完全缺失观测时的估计值。 这对促进我们对技术合作集约化和改善预测的理解至关重要。
Accurate forecasting of tropical cyclones (TCs) remains challenging due to limited satellite observations probing TC structure and difficulties in resolving cloud properties involved in TC intensification. Recent research has demonstrated the capabilities of machine learning methods for 3D cloud reconstruction from satellite observations. However, existing approaches have been restricted to regions where TCs are uncommon, and are poorly validated for intense storms. We introduce a new framework,...