Multi-Fidelity Emulation of Atmospheric Correction Coefficients with Physics-Guided Kolmogorov-Arnold Networks

Riepilogo Tecnico: Emulazione Multi-Fidelity dei Coefficienti di Correzione Atmosferica con Reti Kolmogorov-Arnold Guidate dalla Fisica

Enunciato del Problema
La correzione atmosferica è un passo fondamentale di pre-elaborazione nel telerilevamento ottico, che richiede la rimozione degli effetti atmosferici (diffusione, assorbimento) dalla radianza alla sommità dell'atmosfera (TOA) per recuperare la riflettanza superficiale. I Modelli di Trasferimento Radiativo (RTM) basati sulla fisica, come 6S, MODTRAN e libRadtran, costituiscono lo standard per questo compito. Tuttavia, l'esecuzione ripetuta di RTM ad alta fedeltà è computazionalmente costosa, creando colli di bottiglia per la generazione densa di Tabelle di Ricerca (LUT), l'analisi di sensitività e l'elaborazione operativa. Sebbene sia stato proposto l'uso di modelli surrogati (emulatori) per accelerare questi flussi di lavoro, persistono sfide riguardanti l'accuratezza, l'estrapolazione a stati fuori distribuzione (OOD) e il mantenimento della coerenza fisica. Inoltre, molti emulatori esistenti prevedono direttamente la riflettanza superficiale, bypassando i coefficienti fisici intermedi utilizzati nelle equazioni standard di correzione.

Metodologia
Gli autori propongono un framework surrogato multi-fidelity consapevole della fisica per emulare i coefficienti di correzione atmosferica anziché la riflettanza grezza. La metodologia è composta dai seguenti componenti:

1. Generazione Dati Multi-Fidelity:

   • Modello a Bassa Fedeltà (LF): 6S, utilizzato per la sua efficienza computazionale.
   • Modello ad Alta Fedeltà (HF): libRadtran (utilizzando il solver DISORT), che funge da target accurato.
   • Campionamento: Il campionamento ipercubico latino (LHS) è stato utilizzato per generare 50.000 stati atmosferico-geometrici unici (coprendo Profondità Ottica degli Aerosol, Vapore Acqueo Colonnare, ozono, geometria solare/osservazione ed elevazione).
   • Integrazione Spettrale: Le simulazioni sono state eseguite per 13 bande Sentinel-2 utilizzando la consapevolezza della Funzione di Risposta Spettrale (SRF) per garantire che i coefficienti corrispondano alle osservazioni a livello di sensore.
   • Variabili Target: Lo studio si concentra su tre coefficienti di correzione atmosferica: riflettanza di percorso ($\rho_{path}$), trasmittanza totale ($T_{total}$) e albedo sferica ($s$).
   • Controllo Qualità: Un rigoroso processo di filtraggio rimuove i valori non finiti e i coefficienti fisicamente implausibili, risultando in un dataset finale di circa 610.000 campioni accoppiati.

2. Architettura del Modello (pKANrtm):

   • Il modello centrale è una Rete Kolmogorov-Arnold guidata dalla fisica (pKANrtm).
   • Formulazione: Il problema è inquadrato come apprendimento multi-fidelity residuo. La rete prende come input il vettore di stato atmosferico ($x$) e i coefficienti 6S a bassa fedeltà ($y_{LF}$). Prevede il residuo ($r = y_{HF} - y_{LF}$) necessario per correggere l'output 6S in modo che corrisponda a libRadtran.
   • Architettura: Un'implementazione Efficient-KAN con due strati nascosti (larghezze 256 e 128). A differenza delle MLP standard, le KAN utilizzano funzioni univariate apprendibili sugli spigoli.
   • Addestramento Guidato dalla Fisica: La funzione di perdita combina l'Errore Quadratico Medio (MSE) standard sui residui standardizzati con una penalità di coerenza fisica ($\lambda_{phys} P_{phys}$). Questa penalità viene applicata nello spazio originale, non scalato, dei coefficienti per scoraggiare previsioni che violano i vincoli fisici, anche se appaiono piccole nello spazio dell'errore standardizzato.

3. Strategia di Valutazione:

   • Split: I dati sono suddivisi a livello di stato (non a livello di riga) per prevenire la fuoriuscita di informazioni. Vengono testati due regimi: uno split standard (interpolazione) e uno split OOD (focalizzato su stati ad alta AOD e alta CWV).
   • Comparatori: Il modello è confrontato con sRTMNet (ibrido RTM-rete neurale), Random Forest, reti Fully Connected, Processi Gaussiani e Autoencoder di Denoising.
   • Metriche: RMSE, MAE, $R^2$ e SMAPE sono calcolati sui coefficienti ad alta fedeltà ricostruiti.

Risultati Chiave

• Prestazioni Predittive: pKANrtm ha ottenuto le migliori prestazioni complessive tra tutti i modelli confrontati.
  • Split Standard: RMSE = 0,00619, $R^2$ = 0,99472. Ha superato la linea di base sRTMNet riducendo l'RMSE di circa il 10,5% e lo SMAPE di circa l'8,6%.
  • Split OOD: RMSE = 0,01022, $R^2$ = 0,99418. Nonostante lo spostamento della distribuzione, il modello ha mantenuto un'alta cattura della varianza, superando la linea di base sRTMNet di circa il 12,2% in termini di RMSE.
• Analisi per Banda: La maggior parte delle bande Sentinel-2 (visibile, red-edge, NIR) è stata emulata con accuratezza. Tuttavia, le bande sensibili all'assorbimento (in particolare B9 e B10) sono rimaste problematiche, con B10 che mostra l'errore più elevato a causa del forte assorbimento atmosferico e del minor numero di campioni validi dopo il controllo qualità.
• Efficienza Computazionale:
  • Esecuzione CPU libRadtran: ~37,33 secondi per campione.
  • Inferenza CPU pKANrtm: 95,7 ms per campione (390x di accelerazione).
  • Inferenza GPU pKANrtm (singolo campione): 3,4 ms (11.000x di accelerazione).
  • Inferenza GPU in Batch: Ha raggiunto un throughput di circa 48.400 campioni al secondo.

Significato e Affermazioni
Il documento afferma che il framework pKANrtm offre un percorso pratico per la generazione veloce, accurata e strutturalmente fisica dei coefficienti di correzione atmosferica. La sua rilevanza risiede in tre aree principali:

1. Emulazione a Livello di Coefficiente: Emulando i coefficienti intermedi ($\rho_{path}$, $T_{total}$, $s$) anziché la riflettanza diretta, l'approccio preserva l'interpretabilità e la compatibilità delle equazioni standard di correzione atmosferica Lambertiana.
2. Apprendimento Residuo Guidato dalla Fisica: La combinazione dell'apprendimento multi-fidelity (utilizzando 6S come guida) e delle penalità di coerenza fisica permette al modello di apprendere correzioni complesse dipendenti dallo stato, rispettando al contempo i vincoli fisici, risultando in prestazioni superiori rispetto alle linee di base puramente basate sui dati.
3. Scalabilità Operativa: La massiccia accelerazione fornita dall'inferenza GPU rende fattibile dal punto di vista computazionale la generazione di LUT dense e analisi di sensitività su larga scala, affrontando un collo di bottiglia primario nei flussi di lavoro operativi di telerilevamento.

Gli autori riconoscono le limitazioni, notando che la valutazione si basa su simulazioni RTM sintetiche piuttosto che su verità di campo misurate, e che le bande sensibili all'assorbimento (come B10) richiedono un'ulteriore gestione specializzata. Il dataset e il codice sono rilasciati pubblicamente per supportare la riproducibilità e il futuro benchmarking.