Чувствительные к частотам визуальные трансформеры для высокоточной суперразрешающей обработки моделей Земной системы

Почему важны более чёткие климатические карты

Погодные и климатические решения — например, планирование водохранилищ, защитных сооружений от наводнений или мер при аномальной жаре — зависят от локальных деталей: очертаний побережий, теней гор, треков штормов и горячих точек. При этом большинство глобальных климатических симуляций выполняются на относительно грубой сетке, что размывает эти тонкие структуры. В статье представлены новые инструменты искусственного интеллекта, которые умеют «заострять» размытые выходы климатических моделей, превращая их в детализированные карты и при этом сохраняя мелкие, но важные особенности, которые стандартные методы часто сглаживают.

От размытых глобальных моделей к чётким локальным изображениям

Модели Земной системы моделируют взаимосвязанное поведение атмосферы, океанов, суши и льда, но запуск их с очень высоким пространственным разрешением настолько вычислительно дорог, что редко возможен. В результате многие симуляции получаются на сетках, слишком грубых, чтобы разрешать резкие температурные градиенты, интенсивные тепловые потоки или мелкомасштабные структуры, важные для локальной оценки рисков. Развивающееся направление — суперразрешение — призвано преодолеть этот разрыв, используя машинное обучение для восстановления того, как выглядело бы поле в высоком разрешении по данным в низком разрешении. Авторы сосредотачиваются на применении суперразрешения к трем ключевым переменным — температуре поверхности и входящему и исходящему излучению — используя данные высокоразрешающей климатической модели E3SM и рассматривая задачу как статистическое улучшение существующих симуляций, а не замену физического моделирования.

Скрытый уклон против тонких деталей

Большинство современных инструментов повышения качества изображений, включая сверточные нейронные сети и новые визуальные трансформеры, имеют встроенный уклон в сторону обучения гладких, медленно меняющихся структур быстрее, чем резких краёв и тонких текстур. Технически они предпочитают низкочастотное содержимое и испытывают трудности с высокочастотной информацией — а именно там сосредоточены многие важные климатические особенности: крутые температурные контрасты на фронтах, резкие границы у побережий и гор, локальные экстремумы. Ранние работы с особыми нейросетями, использующими синусоидальные (волнообразные) активации, показали, что этот уклон можно уменьшить, но готовые решения не были адаптированы к многомасштабной физической структуре климатических данных. В статье этот «спектральный уклон» выделен как центральное препятствие для использования общих визуальных моделей в климатическом суперразрешении.

Новый подход к обучению ИИ масштабам климата

Чтобы решить эту проблему, авторы предлагают две связанные модели, ViSIR и ViFOR, которые прямо внедряют осведомлённость о частотах в конвейер визуального трансформера. ViSIR (Vision Transformer–Tuned Sinusoidal Implicit Representation) использует трансформер для захвата глобального контекста с грубой климатической карты, а затем передаёт эту информацию декодеру, построенному из синусоидальных блоков, которые способны более верно представлять высокочастотные паттерны. Декодер является «неявным», то есть способен генерировать значения в произвольных координатах, что даёт гибкость выходных разрешений. ViFOR (Vision Transformer Fourier Representation Network) идёт дальше, явно разделяя информацию на низкочастотный и высокочастотный потоки с помощью фильтров на основе преобразования Фурье, а затем заново их комбинирует. Это позволяет модели отдельно изучать гладкий фон и резкие детали, а не заставлять одну настройку работать для всех масштабов и переменных.

Как новые модели работают на практике

Исследователи обучали и тестировали свои методы на десятилетиях помесячных симуляций E3SM, имеющих как грубые, так и подробные версии. Они сравнили ViSIR и ViFOR с классическими свёрточными сетями, генеративной моделью, базовым визуальным трансформером, ведущей моделью восстановления на базе трансформера и синусоидальной сетью без трансформеров. По температуре поверхности и по коротковолновому и длинноволновому излучению новые модели демонстрируют меньшую ошибку и большее сходство с эталоном высокого разрешения, причем ViFOR стабильно показывает лучшие результаты. Прирост в несколько децибелов качества сигнала соответствует заметно более чётким градиентам и более верным мелкомасштабным структурам. Спектральный анализ показывает, что ViFOR не только восстанавливает больше энергии в высоких частотах, но делает это контролируемо, избегая постороннего шума и сохраняя правильный баланс между масштабами. Выгоды особенно заметны, когда модели обучаются на полных глобальных картах, а не на вырезках регионов, что подчёркивает важность сохранения крупномасштабного климатического контекста.

Что это значит для климатических решений

Проще говоря, ViSIR и особенно ViFOR — это специализированные микроскопы для климатических карт: они берут размытое глобальное изображение и статистически восстанавливают недостающие мелкие признаки так, чтобы это соответствовало тому, как реальные климатические поля меняются по масштабам. Они не изобретают новую физику и не заменяют высокоразрешающие симуляции и региональные модели. Вместо этого они служат как умные постобработки, делающие существующие грубые симуляции более полезными для геосъёмки, картирования опасностей и планирования. Прямо адресуя склонность стандартных ИИ-моделей сглаживать резкие черты, эти трансформеры, чувствительные к частотам, дают климатологам и практикам более чёткую и надёжную пространственную деталировку из тех симуляций, которые они уже выполняют, помогая сократить разрыв между глобальными моделями и локальными решениями.

Цитирование: Zeraatkar, E., Faroughi, S.A. & Tešić, J. Frequency-aware vision transformers for high-fidelity super-resolution of Earth system models. Sci Rep 16, 10363 (2026). https://doi.org/10.1038/s41598-026-41020-5

Ключевые слова: климатическое суперразрешение, модели Земной системы, визуальные трансформеры, ИИ, учитывающий частотный спектр, даунскейлинг