CuMoLoS‑MAE: Maskierter Autoencoder revolutioniert die Rekonstruktion von Fernerkundungsdaten

Die neue Methode CuMoLoS‑MAE setzt neue Maßstäbe bei der Rekonstruktion von atmosphärischen Profilen aus Fernerkundungsinstrumenten wie Doppler‑Lidar, Radar und Radiometern. Durch häufig auftretende Probleme wie niedrige Signal‑zu‑Rausch‑Raten, Range‑Folding und zufällige Diskontinuitäten werden die Daten oft stark verfälscht. Traditionelle Lückenfüller glätten dabei feine Strukturen, während klassische Deep‑Learning‑Modelle keine Zuverlässigkeitsangaben liefern.

CuMoLoS‑MAE ist ein Curriculum‑Guided Monte‑Carlo‑Stochastic‑Ensemble‑Masked‑Autoencoder, der genau diese Lücken schließt. Während des Trainings wird ein Masken‑Verhältnis‑Curriculum eingesetzt, das den ViT‑Decoder dazu zwingt, aus immer spärlicheren Kontexten zu rekonstruieren. Dadurch lernt das Modell nicht nur die Daten selbst, sondern entwickelt auch ein datengesteuertes Priorwissen über atmosphärische Felder.

Im Inferenzmodus wird die posterior‑predictive Verteilung durch Monte‑Carlo‑Simulationen über zufällige Maskenrealisationen approximiert. Mehrfaches Ausführen des MAE und anschließendes Aggregieren liefert einen hochauflösenden Rekonstruktionswert sowie eine pixel‑genaue Unsicherheitskarte. So erhält man gleichzeitig eine präzise Rekonstruktion und ein Vertrauensmaß für jedes Pixel.

Die Kombination aus exakter Rekonstruktion und quantifizierter Unsicherheit macht CuMoLoS‑MAE zu einem leistungsstarken Werkzeug für die Konvektionsdiagnostik, die Echtzeit‑Datenassimilation und die langfristige Klimareanalyse. Forscher können nun feine Strukturen wie Auf- und Abwindkerne, Shear‑Linien und kleine Wirbel wiederherstellen und gleichzeitig die Zuverlässigkeit der Ergebnisse bewerten.