arXiv:2606.19943v1 eess.IV

SIMBA: NWP(수치 예보) 응용을 위한 FY-4A GIIRS 고채적 적외선 복사 모델링을 위한 양방향 검색-순방향 시뮬레이션 프레임워크

SIMBA: ABidirectional Retrieval Forward Simulation Framework for Modeling FY-4A GIIRS Hyperspectral Infrared Radiances Toward NWP Applications

Jingdong Shen, Fu Wang*, Qifeng Lu, Hao Huang, Chunqiang Wu, Chi Yang, Xiaofang Liu

제출 2026-06-18

한국어 초록

고채적 적외선 관측은 대기 온도 및 습도의 연직 구조에 대한 풍부한 정보를 제공하므로 수치 예보(NWP)의 중요한 데이터 소스입니다. 그러나 대부분의 기존 심층 학습(deep learning) 방법은 복사에서 대기 프로파일로의 단방향 검색에 주로 집중하며, 역방향 복사 시뮬레이션 과정과 대기 상태 공간 및 복사 관측 공간 간의 일관성은 충분히 고려되지 않았습니다. 본 연구에서는 NWP(수치 예보) 응용을 위한 FY-4A GIIRS 고채적 적외선 복사 모델링을 위한 통합 양방향 검색-순방향 시뮬레이션 프레임워크인 SIMBA를 제안합니다. 이 프레임워크는 대기 프로파일 검색과 복사 재구성을 공동으로 수행하고, 두 과정 간의 결합을 강화하기 위해 주기 일관성(cycle-consistency) 제약을 도입하며, 기압 레벨을 따른 장거리 의존성을 포착하기 위해 양방향 Mamba 상태 공간 모듈을 사용합니다. 위치가 일치하는 FY-4A GIIRS 관측 데이터와 ERA5 재분석 데이터를 사용하여, 제안된 방법은 온도 검색, 비습 검색, 장파 복사 재구성, 중파 복사 재구성에 대해 평가되었습니다. 실험 결과, SIMBA는 검색 및 재구성 작업 모두에서 여러 대표적인 심층 학습 베이스라인을 능가하며, 소거(ablation) 실험을 통해 양방향 설계와 주기 일관성 메커니즘의 기여도가 확인되었습니다. 이러한 결과는 제안된 프레임워크가 공동 대기 프로파일 검색 및 고채적 적외선 복사 모델링에 효과적임을 입증하며, 향후 야코비안(Jacobian) 관련 분석 및 NWP(수치 예보) 지향 확장에 대한 잠재력을 시사합니다.

원문 초록

Hyperspectral infrared observations are an important data source for numerical weather prediction (NWP) because they provide rich information on the vertical structure of atmospheric temperature and humidity. However, most existing deep learning methods mainly focus on one-way retrieval from radiances to atmospheric profiles, while the reverse radiance simulation process and the consistency between atmospheric state space and radiance observation space are insufficiently considered. In this study, we propose SIMBA, a unified bidirectional retrieval-forward simulation framework for FY-4A GIIRS hyperspectral infrared radiance modeling toward NWP applications. The framework jointly performs atmospheric profile retrieval and radiance reconstruction, introduces a cycle-consistency constraint to strengthen the coupling between the two processes, and employs a bidirectional Mamba state-space module to capture long-range dependencies along pressure levels. Using collocated FY-4A GIIRS observations and ERA5 reanalysis data, the proposed method is evaluated for temperature retrieval, specific humidity retrieval, long-wave radiance reconstruction, and medium-wave radiance reconstruction. Experimental results show that SIMBA outperforms several representative deep learning baselines across both retrieval and reconstruction tasks, while ablation experiments confirm the contribution of the bidirectional design and cycle-consistency mechanism. These results demonstrate that the proposed framework is effective for joint atmospheric profile retrieval and hyperspectral infrared radiance modeling, and suggest potential for future Jacobian-related analysis and NWP-oriented extensions.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2606.19943v1제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2607.05669v1cs.RO공통 태그 Time Series, State Estimation

Evidential Mamba를 이용한 자기수용적 차량 위치 추정을 위한 불확실성 인식 속도 보정

Uncertainty-Aware Velocity Correction for Proprioceptive Vehicle Localization using Evidential Mamba

GNSS 불가 환경에서의 신뢰할 수 있는 위치 추정은 지능형 차량에 있어 근본적인 과제로 남아 있으며, 관성 항법 시스템(INS)은 외부 보정 없이 무제한으로 누적되는 드리프트 문제를 안고 있다. 기존 접근법들은 전용 인프라, 고가의 외부 센서, 또는 복잡한 다중 센서 융합을 통해 드리프트 보정을 제공하지만, 각각 실용적인 배포 장벽을 수반한다. 본 논문에서는 Mamba를 이용한 에비덴셜 속도 보정(EVC-Mamba)을 제안한다. 이는 추가 하드웨어 없이 차량 탑재 센서 데이터를 IMU 드리프트 보정을 위한 가상 속도 센서로 변환하는 학습 기반 아키텍처이다. Mamba 기반 선택적 상태 공간 모델이 차량 움직임의 시간적 역학을 포착하며, Normal-Inverse-Gamma 분포를 사용하는 에비덴셜 심층 학습(evidential deep learning)이 원칙에 입각한 불확실성 정량화를 제공한다. 이렇게 도출된 불확실성 인식 속도 추정값은 위치 드리프트를 줄이기 위해 오차 상태 확장 칼만 필터(Error-State Extended Kalman Filter)에 가상 보정 측정값으로 통합된다. 실제 차량 데이터에 대한 평가 결과, 제안된 속도 보정을 사용한 관성 항법이 다양한 신호 단절 지속 시간에 걸쳐 전용 외부 속도 센서 대비 10% 이내의 위치 추정 정확도를 달성함을 보였다. 제안된 아키텍처는 엣지 하드웨어에서 40 Hz로 실시간 온보드 배포를 지원하며, 장시간 GNSS 신호 단절 동안 신뢰할 수 있는 위치 추정을 가능하게 한다.

arXiv:2607.03055v1cs.LG공통 태그 Time Series, Mamba

SHiPPO: 이송된 다항식 투영을 활용한 순환 메모리

SHiPPO: Recurrent Memory with Transported Polynomial Projections

HiPPO는 순환 상태에 온라인 다항식 투영의 계수로서 메모리 의미론을 부여하지만, 고정된 채널 좌표계를 사용한다. 반면 현대의 선택적 SSM은 토큰(token) 의존적 제어 및 채널 상호작용에 의존한다. 본 논문에서는 HiPPO 계수 메모리를 이동하는 채널 프레임으로 끌어올리는 이송된 투영-메모리 사전(prior)인 SHiPPO(Sylvester HiPPO)를 제안한다. 임의의 고정 또는 실현된 우-이송 경로에 대해 SHiPPO는 근사 패밀리와 채널 메트릭을 함께 이송하며, 해당 경로에 조건부로 상태는 연결된 이동 프레임 내에서 일반적인 HiPPO가 되어 Sylvester 계수 동역학을 따른다. 이는 좌-온라인 메모리 연산자를 보존하면서 우-작용 이송을 추가한다. 선택적 SSM 실행을 위해, 컨트롤러 호환 우-작용, 지수 조정 업데이트, 정확한 블록-아핀 스캔, 그리고 순환 디코딩을 갖춘 제한된 그룹-로컬 실현을 도출한다. 또한 우-이송이 정적 혼합과 독립적인 스칼라 혹은 블록 단위 뱅크로 붕괴되는 시점을 식별하는 동시 가약성 기준을 제시한다. 제어된 진단 실험 결과, 현재 토큰 쓰기 랭크가 클수록 일반 예측 오차는 개선되지만, 이미 기록된 메모리에 대한 순서 민감성 변화는 복원할 수 없음을 보인다. 이송 메모리 변형은 이 신호를 복원하며, 이송 경로를 제거하면 해당 신호가 사라진다. 인터리브된 바인딩, 연산, 질의를 포함하는 유한체 연관 재현율(recall) 진단은 선호되는 우-작용 실현 방식을 열린 문제로 남긴 채 보완적인 자기회귀 증거를 제공한다. 종합하면, 이러한 결과들은 SHiPPO가 메커니즘적으로 근거 있는 이송 메모리 사전임을 지지하며, 광범위한 시퀀스 모델링 우위보다는 메모리 메커니즘에 초점을 맞춘 증거를 제시한다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.