超分辨率在气象领域的应用( 二 ) 气象数值预报数值模式预报是根据大气运

----超分辨率在气象领域的应用//----

　　超分辨率技术，是将一张低分辨率的图像变为高分辨率。通过估算网格密集化后，补充缺失的像素值。以下是数值模式降尺度的示例，可以发现，和超分辨率相似的是，降尺度的过程令图像变得清晰。

----超分辨率在气象领域的应用//----

　　但是降尺度仅仅是超分辨率吗?

　　降尺度的挑战——模拟物理过程

　　降尺度的过程不仅仅是图像的精细化像素填充，而是涉及到多个天气元素之间相互作用的重新计算。下图是一个数值模式降尺度的案例，可以看出，精细化的版本中，出现了粗糙版本中所不包含的一些天气细节。

----超分辨率在气象领域的应用//----

　　这种计算过程即使用CV领域中的超分辨率技术，也无法重现。其难点的本质在于，从单一通道来看，降尺度的计算过程“生成”了额外的信息，而机器视觉领域的超分辨率技术，只可以产生细节填充，而没有能力生成输入图片中没有出现的信息。这些额外的信息，来自于多个天气元素的物理过程，这是使用超分辨率的思想来解决数值模式降尺度的巨大挑战。

　　基于对这个问题的长期研究，上海眼控人工智能研究院提出Deep Hybrid Super Resolution (DHSR) 模型来模拟物理过程，来产生额外的信息。

　　基于DHSR的AI数值模式降尺度

　　前文提到，气象数值模式预报中的数据是网格化的气象元素如气压值等，而精细化的数值模式预报，不仅是将网格矩阵变得细腻那么简单，还需要考虑其他已知条件(比如湿度、温度、风场) ，并用神经网络去模拟它们之间的作用关系。

　　上海眼控人工智能研究院以超分辨率网络为主干网络，针对不同的数据类型调整网络中的长跳跃连接和短跳跃连接。用转化为图片后的某一维度的25km全球模式的气象预报和3km的对应地区和时间的降尺度数据来训练超分辨率网络，以捕捉这一区域该维度的25km全球模式与3km降尺度后的数据间的映射关系。其中针对通道的特征先进行一个空间的全局平均池化得到一个 1×1×C的通道描述;接着，再经过一个下采样层和一个上采样层得到每一个通道的权重系数，将权重系数和原来的特征相乘即可得到缩放后的新特征，整个过程实际上就是对不同通道的特征重新进行了加权分配，通过这种channel attention的机制进行特征融合，最终生成的气象图片很好的生成了特征的轮廓和细节部分。

　　以下是模型的部分结构

----超分辨率在气象领域的应用//----