『气象』超分辨率在气象领域的应用( 二 ) |超级计算机|人工智能|物理|

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

本文插图
修改后的超分辨率网络在气象预报降尺度任务上的表现十分出色：
计算更快：传统的数值模式的降尺度计算需要计算中心不间断地计算几十分钟到几个小时。如果通过我们的AI超分辨率网络进行降尺度计算，生成所需要的数据的降尺度计算通常在1s 之内。

本文插图
流程高效：
数值模式所有的数据是捆绑在一起的，意味着即使你只需要某一区域某一维度的气象要素的降尺度数据，你也需要整体的计算出来这一区域所有维度的气象要素，之后再从整体的数据中提取你想要的数据。步骤异常繁琐。这样不仅导致了计算速度慢，工作和处理数据的效率也大大降低。上海眼控的DHSR模型可以直接针对性地计算出所需要的气象元素精细化结果，抛弃了冗杂繁琐的过程。

本文插图
结果精准：对于依靠超分辨率网络生成的3km分辨率的降尺度预报，我们抽取批量生成的图片，与数值模式计算出来的降尺度数据转化成的图片进行SSIM分数的对比之后，得出超分辨率网络生成的图片分数可以达到0.992 ，可以说完全能够满足一般科研工作这对于数据的要求。
我们HDSR方法生成的图片在总体结构上十分接近传统数值模式降尺度的结果：

本文插图
让我们放大9km格点间距那张图中，蓝色和紫红色的框，我们的结果和数值模式一样，模拟了物理过程，生成了输入图中不存在的信息。 DHSR模型生成的信息和耗费大量计算资源的数值模式非常接近。

本文插图
再看看挑战更大的，更精细的3km格点间距的相同位置。让人惊讶的是，在这么精细的尺度下，我们模型依然表现卓越，拟合出了局部地区的精细预报结果，依然和超算中心耗费大量资源使用传统数值模式的方法的结果保持高度一致。

本文插图
事实证明， DHSR模型通过特殊的通道间的相互作用，拟合了物理过程，生成了在输入图中未曾呈现的局部预报结果。从单个气象元素(单个通道)的角度来看，简直是不可思议。