观测引导的气象场站点尺度降尺度：基准与新方法
计算机视觉与模式识别
2024-01-23 v1 图像与视频处理
摘要
气象变量的降尺度（DS）涉及从低分辨率气象场获取高分辨率状态，是天气预报中的重要任务。以往基于深度学习的方法将降尺度视为计算机视觉中的超分辨率任务，并利用高分辨率网格气象场作为监督，在特定网格尺度上提高分辨率。然而，这种方法难以与气象场的连续分布特征对齐，导致降尺度结果与气象站实际观测之间存在固有的系统偏差。在本文中，我们将气象降尺度扩展到任意散点站点尺度，建立了一个全新的基准和数据集，并从粗分辨率气象场中检索任意给定站点的气象状态。受数据同化技术的启发，我们将观测数据集成到降尺度过程中，提供多尺度观测先验。在此基础上，我们提出了一种基于超网络架构的新降尺度模型HyperDS，该模型有效地将不同的观测信息集成到模型训练中，实现了气象场的连续尺度建模。通过大量实验，我们提出的方法在多个地表变量上优于其他专门设计的基线模型。值得注意的是，风速和地表气压的均方误差（MSE）相比其他方法分别提高了67%和19.5%。我们随后将发布数据集和代码。
引用
@article{arxiv.2401.11960,
title = {Observation-Guided Meteorological Field Downscaling at Station Scale: A Benchmark and a New Method},
author = {Zili Liu and Hao Chen and Lei Bai and Wenyuan Li and Keyan Chen and Zhengyi Wang and Wanli Ouyang and Zhengxia Zou and Zhenwei Shi},
journal= {arXiv preprint arXiv:2401.11960},
year = {2024}
}