Исследование переносимости метода суперразрешения на базе ResNet между регионами и переменными для данных ERA5

Почему более чёткие погодные карты важны

Прогнозы погоды, карты климатических рисков и оповещения о тепловых волнах опираются на сеточные данные о температуре, ветре и давлении. Но эти данные часто слишком грубые, чтобы отразить ситуацию в конкретном городе, у побережья или в долине, а традиционные способы повышения разрешения медленные и дорогостоящие. В этом исследовании показано, как современная техника искусственного интеллекта может за гораздо меньшее время превращать размытые глобальные погодные данные в более детализированные поля — и, что важно, как одну обученную модель можно повторно использовать в разных частях мира и даже для разных метеорологических переменных, сокращая как вычислительные затраты, так и потребности в данных.

От размытых сеток к более тонким деталям

Большая часть глобальной погодной и климатической информации поступает из реанализных продуктов, таких как набор данных ERA5, которые объединяют наблюдения с физическими моделями. Эти данные имеют сетку примерно с шагом 25 километров — приемлемо для крупномасштабных структур, но недостаточно для локальных деталей. Традиционно учёные заполняют пробелы или повышают разрешение методами, называемыми ассимиляцией данных или интерполяцией. Хотя они эффективны, требуются большие вычислительные ресурсы, и их приходится запускать заново для каждого региона и переменной. Авторы рассматривают альтернативу: модель глубокого обучения на основе остаточной нейронной сети (ResNet) в сочетании с «сабпиксельным» модулем, специально разработанным для восстановления недостающей мелкомасштабной структуры — задачи, известной как суперразрешение.

Обучить ИИ один раз — использовать много раз

Ключевой вопрос — можно ли повторно использовать модель суперразрешения, обученную в одном месте, в других регионах, вместо того чтобы обучать заново. Команда сначала обучает свою ResNet-модель на большом участке над Восточной Азией, используя температуру воздуха у поверхности на высоте двух метров. Низкоразрешённые входы создаются путём искусственного ухудшения оригинальных данных ERA5 в два и четыре раза, и модели поручают восстановить исходные поля высокого разрешения. После обучения те же параметры модели применяют без дообучения к 15 другим регионам, разбросанным по умеренным широтам над океанами и материками, и сравнивают её выходы с истинными полями ERA5 с использованием нескольких мер ошибки и сходства.

Океаны проще, суша сложнее

Результаты показывают, что навык модели действительно переносится: по всем 16 регионам и двум уровням увеличения разрешения реконструкция ИИ последовательно ближе к оригинальным данным, чем стандартные методы интерполяции. Лучшие показатели наблюдаются над открытым океаном, где температурные структуры меняются плавно и окружение относительно однородно. Участки, покрывающие только поверхность моря, демонстрируют наименьшие ошибки и наивысшее сходство с эталонными полями. Над сушей, где горы, побережья и сильные суточные контрасты вносят резкие вариации, качество снижается, но остаётся полезным. Долговременные усреднения ещё больше улучшают согласование, поскольку небольшие моментные ошибки модели компенсируются при усреднении многих часов.

Одна модель для разных типов погодных данных

Суперразрешение не ограничивается только температурой. Во втором наборе тестов авторы подают в предварительно обученную модель другие переменные ERA5 у поверхности в выбранных регионах: давление на уровне моря, два горизонтальных компонента ветра и температуру точки росы, показатель влажности. Несмотря на то что сеть никогда не обучалась на этих переменных, она всё равно способна эффективно их уточнять, часто превосходя сильную статистическую базу — регрессию Lasso. Ветры восстанавливаются особенно хорошо, тогда как давление и влажность более чувствительны к месту, особенно вблизи побережий и в районах со сложным рельефом, где погодные поля могут резко меняться на коротких расстояниях.

Проверка модели на штормах

Для оценки надежности в исследовании также рассматриваются экстремальные погодные условия, сосредоточив внимание на нескольких тропических циклонов над Тихим и Индийским океанами. Даже во время этих интенсивных, быстро развивающихся событий перенесённая модель продолжает добавлять полезные мелкомасштабные детали к полям температуры, ветра, давления и влажности, хотя и с несколько большими ошибками, чем в спокойных условиях. Регионы с простыми океаническими поверхностями показывают лучшие результаты по сравнению с районами со сложной прибрежной и внутренней топографией, что подчёркивает: резкие перепады высот и контрасты «суша–море» остаются проблемой для чисто дата-ориентированных методов.

Что это означает для будущих прогнозов

Проще говоря, исследование демонстрирует, что модель ИИ, обученная повышать разрешение погодных данных над одной частью мира, может быть повторно использована над многими другими регионами и для нескольких связанных переменных без необходимости начинать обучение заново. Такая повторная эксплуатация — известная как перенос обучения — даёт более точные поля высокого разрешения, чем традиционная интерполяция, при экономии времени и вычислительных ресурсов. Подход особенно перспективен для океанических областей и для переменных, таких как ветры у поверхности. Авторы предполагают, что в будущем можно улучшить работу над сушей, снабдив модель дополнительной информацией о рельефе и границах «суша–море». При удачном развитии такие методы могли бы сделать детальные и быстро обновляемые климатические и погодные продукты более доступными для синоптиков, планировщиков и исследователей по всему миру.

Цитирование: Li, Z., Kong, H., Wong, C. et al. Exploring cross-regional and cross-variable transferability of a ResNet-based super-resolution method for the ERA5 data. Sci Rep 16, 10421 (2026). https://doi.org/10.1038/s41598-026-41002-7

Ключевые слова: данные о климате, прогнозирование погоды, глубокое обучение, суперразрешение, передача обучения