Фреймворк сверхразрешения для понижения масштаба прогноза погоды на основе машинного обучения до 1-км поля температуры воздуха

Более чёткие локальные прогнозы в мире, который нагревается

Люди всё чаще хотят знать не просто будет ли в их городе жарко на следующей неделе, но и будет ли конкретный район душным или приемлемым. Тем не менее большинство глобальных погодных моделей по‑прежнему видят мир размытыми блоками в десятки километров, сглаживая горы, побережья и городские «горячие точки». В этом исследовании представлен SR‑Weather — система искусственного интеллекта, которая берёт такие размытые прогнозы и уточняет их до карт температур на уровне улиц, чтобы давать сообществам лучшее предупреждение о опасной жаре и других локализованных аномалиях.

Почему нынешние прогнозы не уловят экстремумы по районам

Современное предсказание погоды добилось больших успехов, включая новые модели машинного обучения, которые соперничают или превосходят традиционные физические системы при заметно более высокой скорости работы. Но почти все эти глобальные модели оперируют ячейками сетки примерно по 25 километров в поперечнике. В пределах одной ячейки может находиться прохладное побережье, густонаселённый город и лесистые холмы — особенности, которые существенно формируют температуру, но усредняются в одно значение. Запуск полных физических моделей с километрическим разрешением на прогнозы на дни и недели всё ещё слишком дорог с точки зрения вычислительных ресурсов для рутинного использования. В результате среднесрочные прогнозы не способны надёжно отражать городские тепловые острова или резкие контрасты между долинами и горными хребтами.

Использование спутников для добавления тонких деталей

Чтобы преодолеть этот разрыв, авторы разработали SR‑Weather — глубокую нейросетевую «систему сверхразрешения», которая обучается преобразовывать грубые карты температуры в детализированные поля с разрешением 1 километр. Вместо опоры на редкие наземные метеостанции они используют спутниковые продукты в качестве тонкомасштабной обучающей цели. В частности, они берут глобальный продукт температуры наземной поверхности от инструментов MODIS NASA и конвертируют его в среднюю за сутки температуру воздуха у поверхности над Южной Кореей. Затем эти спутниковые карты температуры сопоставляются с более грубыми данными реанализа ERA5 (похожими по разрешению на современные модели машинного обучения) за почти два десятилетия. Это позволяет сети выучить типичные способы, которыми локальные особенности — такие как высота местности, тип землепользования и сезон — формируют температурные структуры внутри каждой грубой ячейки сетки.

Добавление знаний о рельефе и сезонах

SR‑Weather выходит за рамки ранних моделей улучшения изображений, явно подавая дополнительные карты, несущие важный физический контекст. Это включает цифровую модель рельефа, которая разрешает горные гребни и долины; карту «непроницаемых покрытий», указывающую, насколько застроена территория и насколько сильным может быть городской тепловой остров; и сезонные климатологические карты, суммирующие, где в среднем теплее или прохладнее в разные периоды года. Архитектура модели настроена так, чтобы обращать особое внимание не только на средние значения, но и на локальные пики и впадины температуры, с использованием операций пулинга, которые выделяют экстремумы, а не сглаживают их. В тестах по сравнению с другими современными подходами сверхразрешения SR‑Weather показал наименьшие ошибки и наивысшие корреляции со спутниковыми температурами, особенно в высоких горах и плотных городах, где мелкомасштабная структура наиболее значима.

От лучших карт к более точным прогнозам

После обучения на исторических данных ERA5 и спутниковых данных команда применила SR‑Weather к реальным прогнозам от FuXi, ведущей глобальной модели погоды на основе машинного обучения, которая предсказывает до 15 дней вперёд с разрешением 25 километров. SR‑Weather преобразовал грубые суточные поля температуры FuXi в карты с разрешением 1 километр над Южной Кореей и был оценён по плотным сетям наземных станций. На горизонтах 1–7 дней супервысокое разрешение прогнозов стабильно соответствовало данным станций лучше, чем простая интерполяция, и даже превосходило оперативную корейскую высокоразрешающую численную модель (LDAPS) на коротких диапазонах. Примечательно, что 7‑дневный прогноз SR‑Weather от FuXi превзошёл 1‑дневный прогноз, полученный лишь интерполяцией грубых полей, показывая, что метод не только добавляет детализацию, но и корректирует систематические смещения, используя информацию о рельефе и урбанизации.

Что это значит для повседневных пользователей погоды

Для неспециалиста ключевое послание в том, что теперь можно использовать быстрые глобальные AI‑модели погоды и «приближать» их результаты до уровня районов, не запуская дорогие суперкомпьютеры. SR‑Weather учится по спутникам, где города, горы и побережья склонны сильнее нагреваться или остывать, и использует эти знания, чтобы точнее и корректнее прогнозировать будущее распределение температуры. Хотя исследование сосредоточено на Южной Корее, те же ингредиенты — спутниковые продукты MODIS и базовые карты земной поверхности — доступны по всему миру, а значит подобные системы можно обучить для многих регионов. По мере того как экстремальная жара становится более частой, инструменты вроде SR‑Weather могли бы помочь городским планировщикам, операторам энергосетей и специалистам в области общественного здравоохранения заранее видеть, какие районы находятся в наибольшем риске, что позволит предпринимать более целевые и своевременные меры.

Цитирование: Park, H., Park, S., Kang, D. et al. A super-resolution framework for downscaling machine learning weather prediction toward 1-km air temperature. npj Clim Atmos Sci 9, 56 (2026). https://doi.org/10.1038/s41612-026-01328-5

Ключевые слова: прогноз погоды, сверхразрешение, городские тепловые острова, спутниковые данные, машинное обучение