[论文解读] Super-Resolution of Near-Surface Temperature Utilizing Physical Quantities for Real-Time Prediction of Urban Micrometeorology

Yuki Yasuda, Ryo Onishi+3 more|arXiv (Cornell University)|Aug 2, 2021

Urban Heat Island Mitigation被引用 4

一句话总结

本文提出了一种基于卷积神经网络并结合跳跃连接与通道注意力机制的物理信息超分辨率（SR）模型，用于将城市区域近地表温度的分辨率从低分辨率（20 m）提升至高分辨率（5 m）。该模型在东京的建筑物解析大涡模拟（LES）数据上进行训练，并推广至大阪，其性能优于双三次插值法和仅基于温度的SR模型，其中建筑高度是降低建筑物边界附近误差并提升不同太阳辐射条件下热力精度的最关键输入因素。

ABSTRACT

The present paper proposes a super-resolution (SR) model based on a convolutional neural network and applies it to the near-surface temperature in urban areas. The SR model incorporates a skip connection, a channel attention mechanism, and separated feature extractors for the inputs of temperature, building height, downward shortwave radiation, and horizontal velocity. We train the SR model with sets of low-resolution (LR) and high-resolution (HR) images from building-resolving large-eddy simulations (LESs) in a city, where the horizontal resolutions of LR and HR are 20 and 5 m, respectively. The generalization capability of the SR model is confirmed with LESs in another city. The estimated HR temperature fields are more accurate than those of the bicubic interpolation and image SR model that takes only the temperature as its input. Except for the temperature input, the building height is the most important to reconstruct the HR temperature and enables the SR model to reduce errors in temperature near building boundaries. The SR model considers the appropriate boundary for each building from its height information. The analysis of attention weights indicates that the importance of the building height increases as the downward shortwave radiation becomes larger. The contrast between sun and shade is strengthened with the increase in solar radiation, which may affect the temperature distribution. The short inference time suggests the potential of the proposed SR model to facilitate a real-time HR prediction in metropolitan areas by combining it with an LR building-resolving LES model.

研究动机与目标

• 开发一种基于超分辨率（SR）技术的实时、高分辨率城市近地表温度预测方法。
• 通过引入温度以外的物理量，提升低分辨率（LR）城市微气象模拟的精度。
• 评估SR模型在不同城市环境（如东京和大阪）之间的泛化能力。
• 探究物理输入量（尤其是建筑高度和太阳辐射）在提升SR性能与物理一致性方面的作用。
• 通过将SR模型与低分辨率LES模拟相结合，实现实时高分辨率（HR）温度预测。

提出的方法

• SR模型采用类似U-Net的架构并引入跳跃连接，以在特征重建过程中保留空间细节。
• 为四种输入模态（近地表温度、建筑高度、向下短波辐射、水平风速）分别设计独立的特征提取器。
• 通道注意力机制动态加权各输入特征的重要性，结果显示在强太阳辐射条件下建筑高度获得更高关注。
• 模型在东京的建筑物解析大涡模拟（LES）数据上进行训练，使用20 m分辨率与5 m分辨率的配对温度场。
• 通过独立的大阪LES数据集测试泛化能力，验证了在不同城市形态下的鲁棒性。
• 推理时间极短，具备与低分辨率微气象模型实现实时集成的潜力。

实验结果

研究问题

• RQ1 基于深度学习的超分辨率模型在某一城市区域训练后，能否泛化至具有不同形态的另一城市区域？
• RQ2 建筑高度和太阳辐射等物理量如何影响模型重建高分辨率温度场的能力？
• RQ3 与仅基于温度的模型相比，引入物理输入能在多大程度上提升超分辨率精度？
• RQ4 注意力机制在多大程度上反映了物理关系（如阳光照射与阴影区域之间的对比）？
• RQ5 当与低分辨率LES模拟结合时，该模型能否实现实时高分辨率预测？

主要发现

• 所提出的SR模型在东京和大阪的模拟中，显著优于双三次插值法和仅基于温度的SR模型，能够更准确地重建高分辨率温度场。
• 在温度之后，建筑高度是影响最大的输入变量，尤其在建筑物边界附近显著降低误差，使模型能够识别城市结构处的热力梯度。
• 随着向下短波辐射的增加，模型的注意力机制对建筑高度赋予更高的权重，反映出阳光照射区与阴影区之间热力对比的增强。
• 该模型无需微调即可良好泛化至另一座城市（大阪），表明其在不同城市形态间具有强大的迁移能力。
• 推理时间足够短，可与低分辨率LES模型结合实现实时高分辨率预测。
• 尽管损失函数中未显式引入物理约束，但模型通过LES数据的训练隐式学习到了物理关系，表明其具备从数据中涌现出的物理一致性。