[论文解读] Observation-Guided Meteorological Field Downscaling at Station Scale: A Benchmark and a New Method

Zili Liu, Hao Chen+7 more|arXiv (Cornell University)|Jan 22, 2024

Cryospheric studies and observations被引用 4

一句话总结

本文提出 HyperDS，一种基于超网络的降尺度方法，通过整合多尺度观测数据（如地面站测量值和静止卫星辐射率）实现气象场的连续、站点级分辨率建模。与现有方法相比，该方法在风速预测上的均方误差（MSE）降低了67%，在地表气压预测上降低了19.5%，为分散站点的观测引导降尺度建模设立了新基准。

ABSTRACT

Downscaling (DS) of meteorological variables involves obtaining high-resolution states from low-resolution meteorological fields and is an important task in weather forecasting. Previous methods based on deep learning treat downscaling as a super-resolution task in computer vision and utilize high-resolution gridded meteorological fields as supervision to improve resolution at specific grid scales. However, this approach has struggled to align with the continuous distribution characteristics of meteorological fields, leading to an inherent systematic bias between the downscaled results and the actual observations at meteorological stations. In this paper, we extend meteorological downscaling to arbitrary scattered station scales, establish a brand new benchmark and dataset, and retrieve meteorological states at any given station location from a coarse-resolution meteorological field. Inspired by data assimilation techniques, we integrate observational data into the downscaling process, providing multi-scale observational priors. Building on this foundation, we propose a new downscaling model based on hypernetwork architecture, namely HyperDS, which efficiently integrates different observational information into the model training, achieving continuous scale modeling of the meteorological field. Through extensive experiments, our proposed method outperforms other specially designed baseline models on multiple surface variables. Notably, the mean squared error (MSE) for wind speed and surface pressure improved by 67% and 19.5% compared to other methods. We will release the dataset and code subsequently.

研究动机与目标

• 解决固定分辨率深度学习降尺度方法无法与真实气象场连续、多尺度特性对齐的局限性。
• 实现将粗分辨率气象场高精度降尺度至任意分散站点位置，而非固定网格尺度。
• 在降尺度过程中整合多尺度观测先验（如地面站数据和卫星辐射率），以减少系统性偏差。
• 开发新的基准数据集与评估框架，用于站点尺度气象降尺度，支持连续尺度建模。
• 通过设计支持连续分辨率表示的模型，克服网格尺度与站点尺度性能之间的权衡。

提出的方法

• 利用超网络架构，根据输入的观测先验生成主降尺度网络的权重，实现对不同站点位置的动态适应。
• 使用高分辨率静止卫星辐射率数据作为空间上下文，站点观测数据作为细尺度标签，引导降尺度过程。
• 在训练过程中整合来自多个来源的观测数据（站点网络与卫星传感器）作为多尺度先验，受数据同化技术启发。
• 通过将气象变量视为空间上的函数，实现连续场建模，支持在任意位置进行预测，而不仅限于预设的网格点。
• 采用端到端训练策略，损失函数最小化预测值与观测站点值之间的均方误差（MSE），同时保持空间一致性。
• 使用可学习的位置编码来表示目标站点的空间坐标，使模型能够泛化至多样化的地理区域。

实验结果

研究问题

• RQ1 能否有效整合多尺度观测数据到基于深度学习的降尺度方法中，以提升在任意站点位置的预测精度？
• RQ2 与基于超分辨率的传统方法相比，采用连续场建模的观测引导降尺度方法在站点尺度气象预测中表现为何种优势？
• RQ3 同时整合地面站观测与卫星辐射率数据在多大程度上提升了模型对细尺度气象变化的表征能力？
• RQ4 基于超网络的架构是否能在连续尺度降尺度中实现更优性能，同时保持在多样化地理位置上的泛化能力？
• RQ5 当前最先进的降尺度模型中，网格尺度与站点尺度性能之间存在何种权衡？该权衡如何被缓解？

主要发现

• 所提出的 HyperDS 模型在风速预测上的均方误差（MSE）相比基线方法降低了67%，显著优于现有基于深度学习的降尺度模型。
• 在地表气压预测上，HyperDS 相较于其他方法将 MSE 降低了19.5%，展现出在具有复杂空间梯度的变量上强大的性能。
• 多尺度观测先验（尤其是站点观测与卫星辐射率）的整合，显著提升了目标位置的降尺度精度。
• 基准数据集（包含分散站点观测与静止卫星数据）支持连续尺度建模，为未来研究奠定了基础。
• HyperDS 有效平衡了站点尺度精度与连续场表示能力，避免了传统超分辨率模型在应用于任意位置时常见的性能下降问题。
• 该方法在多样化地理区域中展现出泛化能力，表明其对气象模式空间变化具有鲁棒性。