地形指导的深度学习风场空间降尺度 Terrain Guided Flatten Memory Network for Deep Spatial Wind Downscaling

本文介绍一种基于地形指导的扁平化风场空间降尺度深度学习网络，原文链接：IEEE Xplore Full-Text PDF:

作为精细化风场估计的一种方法，空间降尺度扮演了举足轻重的角色。在计算机视觉领域，图像超分辨率技术（SR）与气象要素空间降尺度（DS）从数学定义的角度是一致的，并且产生了很多优秀的深度学习算法。然而作者认为，深度学习SR技术并不能直接应用于DS，将SR用于DS面临如下ASCL挑战：

A：先验性（Apriority）。气象学家经过长期研究，已经形成了相对成熟的理论体系，通过包括模式运动方程在内的理论框架可以近似拟合大气运动规律，因此，此类先验知识是非常具有指导价值的。而深度学习的黑箱特性，使得将此类先验信息融入到深度学习SR网络并用于DS变得较为困难。

S：相似性（Similarity）。不同于图像的随机特性，图像中的目标物体可以出现在任何合理的位置，而对风场等气象要素来说，空间上，相同经度、纬度的位置，其特征可能更加相似，时间上，受地球自转、公转的影响，特征也可能周期性出现。

C：耦合性（Coupling）。不同气象要素之间具有很强的耦合相互作用，以风为例，其形成的直接原因是气压差，而气压差则受温度、相对湿度等影响，风反过来又会影响温度、相对湿度分布，但是由于气象要素的独特特性，直接将全部气象要素拼接起来作为网络输入也是不合逻辑的。

L：局地性（Locality）。对图像而言，可能人眼认为丰富多彩的图片才是好图片，而气象要素在空间分布上则通常表现出很强的局地性，如大风、冰雹等。

在充分考虑到以上ASCL挑战的基础上，本文提出了TIGAM（TerraIn Guided flAtten Memory network），网络结构如下：

TIGAM由三部分组成，分别为相似性模块、重构模块、去噪模块。其基础网络结构参考了USRNet超分辨率网络。

相似性模块融合了轴向注意力机制，该机制的轴向特征可分别表示气象要素数据的经纬度相似性，用来处理上述提到的Similarity挑战。

重构模块同USRNet。

去噪模块基于ResUNet框架，并在中间层引入Flatten Memory机制，重构模块如下：

 

 Flatten Memory机制可近似视作只有一个cell的ConvGRU，不同之处在于将ConvGRU的隐状态输入替换为位置敏感的可学习输入，如下：

Flatten Memory模块更重要的点在于近似拟合运动方程，关于其拟合的合理性及局限性，文中做了大篇幅非常详细的分析说明，具体参见原文。

通过以上基于Flatten Memory的去噪模块，模型可以充分考虑Apriority和Coupling挑战。

现在还剩Locality挑战，为了处理这一问题，作者做了大量相关统计发现，地形方差与UV风方差具有某种不确定关联，如下图：

 为此，本文提出了如下增强损失函数：

其操作流程如下：

 

通过此损失函数可以某种程度解决Locality挑战。其合理性文中也做了详细分析。

实验部分，本文对比了大量超分辨率方法，数值结果如下：

 

 可视化效果如下：

消融实验结果如下：

去噪模块敏感性分析如下：

 超参数敏感性分析如下：

 日极大风如下：

 偏差分析如下：

时域方差分析：

 

 空域方差分析：