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

Resumen Técnico: SIMBA – Un Marco de Simulación Hacia Adelante y Recuperación Bidireccional

Planteamiento del Problema
Las observaciones infrarrojas hiperespectrales, como las del Sensor Infrarrojo Interferométrico Geoestacionario (GIIRS) en el satélite FY-4A, proporcionan información crítica sobre la estructura vertical para la Predicción Numérica del Tiempo (NWP, por sus siglas en inglés). Sin embargo, los enfoques actuales de aprendizaje profundo para la recuperación de perfiles atmosféricos se centran predominantemente en un mapeo unidireccional de radiancias a estados atmosféricos. Estos métodos suelen omitir el proceso inverso (simulación hacia adelante de perfiles a radiancias) y no logran imponer explícitamente la consistencia entre el espacio de estados atmosféricos y el espacio de observaciones de radiancia. Además, los modelos tradicionales tienen dificultades para capturar las dependencias verticales de largo alcance inherentes a los perfiles termodinámicos, y la coherencia física de los mapeos aprendidos es a menudo insuficiente para aplicaciones rigurosas de asimilación de datos.

Metodología
Los autores proponen SIMBA (Marco Mamba Bidireccional con Restricción de Simulación), una arquitectura unificada diseñada para realizar conjuntamente la recuperación de perfiles atmosféricos y la reconstrucción de radiancias. El marco se basa en los siguientes componentes principales:

• Arquitectura Bidireccional: SIMBA consta de dos ramas acopladas:
  1. Rama de Recuperación: Codifica las observaciones de radiancia de Onda Larga (LW) y Onda Media (MW) (junto con variables auxiliares) para estimar los perfiles de temperatura y humedad específica atmosférica.
  2. Rama de Simulación Hacia Adelante: Codifica los perfiles atmosféricos para reconstruir las radiancias de LW y MW.
• Restricción de Consistencia de Ciclo: Las dos ramas están vinculadas mediante un mecanismo de consistencia de ciclo. Los perfiles recuperados deben ser capaces de reconstruir las radiancias originales, y las radiancias reconstruidas a partir de perfiles de referencia deben recuperar los estados atmosféricos correspondientes. Esto impone consistencia tanto en el espacio de estados como en el de observaciones.
• Backbone de Mamba Bidireccional: Para abordar el desafío de modelar las dependencias verticales a lo largo de 101 niveles de presión, el marco emplea un módulo de estado Mamba bidireccional. Esta arquitectura captura dependencias de largo alcance con una complejidad computacional lineal, superando a las RNN y Transformers tradicionales en eficiencia y modelado de secuencias verticales.
• Condicionamiento FiLM: Un mecanismo de Modulación Lineal por Características (FiLM) inyecta información radiativa y geométrica en el decodificador de perfiles, ajustando dinámicamente los estados ocultos basándose en las características específicas de la observación.
• Datos de Entrenamiento: El modelo se entrena con datos de radiancia de FY-4A/GIIRS y perfiles de reanálisis ERA5 colocalizados. El conjunto de datos incluye tanto condiciones de cielo nublado (158,649 muestras) como de cielo despejado (112,151 muestras), con el modelo entrenado en datos nublados y evaluado en ambos.

Contribuciones Clave

1. Marco Unificado: Introducción de un marco bidireccional de recuperación y simulación hacia adelante que vincula conjuntamente el espacio de estados atmosféricos y el espacio de observaciones de radiancia para datos hiperespectrales de FY-4A/GIIRS.
2. Mecanismo de Consistencia de Ciclo: Implementación de una restricción de consistencia de ciclo para acoplar las ramas de recuperación y de simulación hacia adelante, mejorando la consistencia del espacio de observación y la estabilidad del mapeo radiancia-perfil.
3. Modelado de Dependencia Vertical: Integración de un módulo Mamba bidireccional para modelar eficazmente las dependencias verticales de largo alcance en los perfiles termodinámicos, demostrando un rendimiento superior tanto en las tareas de recuperación como de reconstrucción.
4. Modelado Hacia Adelante Diferenciable: Provisión de una base de modelado hacia adelante diferenciable basada en datos que permite potenciales análisis futuros relacionados con el Jacobiano y estudios de sensibilidad, reconociendo al mismo tiempo la necesidad de una validación rigurosa mediante el Modelo de Transferencia Radiativa (RTM).

Resultos Experimentales
SIMBA fue evaluado frente a variantes bidireccionales de CNN, MLP, Transformer y LSTM (BiCNN, BiMLP, BiTransformer, BiLSTM) bajo condiciones de cielo nublado y despejado.

• Rendimiento de la Recuperación: Bajo condiciones de cielo nublado, SIMBA logró los errores más bajos para la temperatura (RMSE: 1.0032 K, MAE: 0.7131 K) y la humedad específica (RMSE: 0.5684, MAE: 0.2530), superando al mejor modelo de referencia (BiLSTM) aproximadamente un 3.0% y un 1.5% respectivamente. También mantuvo un rendimiento superior en muestras de cielo despejado sin necesidad de reentrenamiento.
• Rendimiento de la Reconstrucción: SIMBA demostró la mejor consistencia en la reconstrucción de radiancia tanto para las bandas LW como MW, logrando los valores de RMSE más bajos y los valores de $R^2$ más altos. El modelo mostró un rendimiento particularmente estable a través de diferentes canales espectrales, incluyendo aquellos sensibles a la troposfera media y alta.
• Estudios de Ablación: Las comparaciones con variantes de una sola dirección (Recuperación-Mamba y Forward-Mamba) confirmaron que el diseño de bucle cerrado bidireccional mejora significativamente tanto la precisión de la recuperación como la consistencia de la reconstrucción de radiancia, en lugar de que las ganancias se deban únicamente al backbone de Mamba.
• Eficiencia: SIMBA opera con 1.13M de parámetros entrenables y un tiempo de inferencia de 0.157 ms por muestra en una NVIDIA RTX 4090, ofreciendo un equilibrio entre precisión y eficiencia computacional.

Significancia y Limitaciones
El artículo postula que SIMBA ofrece una relación más físicamente consistente entre las observaciones hiperespectrales y los estados atmosféricos, alineándose mejor con las necesidades de la asimilación de datos en NWP. La estrategia de "validación por reconstrucción" proporciona una referencia metodológica para asegurar que las estimaciones geofísicas permanezcan consistentes con sus observaciones correspondientes.

Sin embargo, los autores mantienen una postura modesta respecto a la preparación operativa actual del marco:

• No es un Reemplazo para los RTM: SIMBA se presenta como un operador hacia adelante diferenciable basado en datos, no como un reemplazo completo de los RTM físicos. Los errores residuales siguen siendo no despreciables.
• Alcance de la Validación: La precisión reportada refleja la consistencia con el reanálisis ERA5, no una validación independiente contra observaciones in situ de radiosondas. El desajuste de escala espacial entre las huellas de GIIRS y las rejillas de ERA5 puede introducir errores de representatividad.
• Interpretabilidad Física: Aunque el marco es diferenciable, los Jacobianos de sensibilidad de canal resultantes contienen actualmente ruido de alta frecuencia, lo que limita su inmediata interpretabilidad física.
• Trabajo Futuro: Los autores identifican la necesidad de una validación independiente utilizando radiosondas, un modelado separado para cielos claros y nublados, y comparaciones cuantitativas con RTM físicos (por ejemplo, RTTOV) antes de que el marco pueda considerarse para la asimilación operativa.