探索基于ResNet的超分辨率方法在ERA5数据上的跨区域与跨变量可迁移性

为何更清晰的天气图重要

天气预报、气候风险图和热浪预警都基于关于温度、风和气压的网格化数据。但这些数据常常过于粗糙，无法显示特定城市、海岸线或山谷的细节，传统的增细方法既慢又昂贵。本研究展示了一种现代人工智能技术，如何更快地将模糊的全球气象数据转换为更清晰的场——更关键的是，说明了一个训练好的模型如何被重复用于世界不同区域甚至不同气象变量，从而减少计算成本和数据需求。

从模糊网格到更细致的结构

大多数全球天气与气候信息来自像ERA5这样的再分析产品，它们将观测与基于物理的数值模型结合。这些数据以约25公里的网格提供，对大尺度模式足够，但对局地细节就显得过粗。传统上，科学家通过数据同化或插值的方法来填补空白或提高分辨率。尽管有效，这些技术计算量大且需要对每个区域和变量重复运行。作者探讨了一种替代路径：基于残差神经网络（ResNet）并结合“子像素”模块的深度学习模型，该模块专门用于重建缺失的细尺度结构，这项任务称为超分辨率。

一次训练，多处使用

核心问题是：在某一地区训练的超分模型能否在其他地区重复使用，而无需从头再训练。研究团队首先在东亚的一个大区域上，用近地面两米高处的空气温度训练他们的ResNet模型。通过把原始ERA5数据故意按二倍和四倍降采样来创建低分辨率输入，模型被训练去重建原始高分辨率场。训练完成后，作者将同一模型——不做再训练——直接应用到散布在中纬度海洋与大陆的另外15个区域，并用多种误差与相似性度量将其输出与真实ERA5场进行比较。

海洋更容易，陆地更困难

结果显示模型的技能具有可迁移性：在所有16个区域和两个放大级别上，AI重建的结果总体上比标准插值方法更接近原始数据。开阔海洋上的表现最佳，那里的温度格局变化平缓、环境相对均匀。仅包含海面的区域具有最小的误差和与参考场的最高相似度。陆地上由于山地、海岸线和明显的昼夜温差引入了陡峭的变化，模型表现有所下降但仍具备实用性。更长时间尺度的平均也能进一步提高一致性，因为模型在瞬时点上的小幅误差在多小时平均时会相互抵消。

一个模型适用于多种气象变量

超分辨率不仅仅针对温度。在第二组测试中，作者将预训练模型输入来自选定区域的其他近地面ERA5变量：海平面气压、两个水平风分量以及露点温度（湿度的一个度量）。尽管模型从未在这些变量上训练过，网络仍能有效地对它们进行增强，往往优于一个强有力的统计基线（Lasso回归）。风的重建尤其出色，而气压和湿度对位置更为敏感，尤其是在海岸线和崎岖地形附近，那些地方的天气场在短距离上可能发生急剧变化。

经受风暴考验

为测试鲁棒性，研究还考察了极端天气条件，重点关注太平洋和印度洋上的若干热带气旋。即便在这些强烈且快速演变的事件中，迁移后的模型仍能为温度、风、气压和湿度场增加有用的细尺度信息，尽管误差比平稳条件下略大。简单的海面区域表现更好，而复杂的沿海与内陆地形区域则相对较差，强调了地形起伏和陆海对比的突变仍然是纯数据驱动方法的难点。

对未来预报的意义

简而言之，该研究证明了在世界某一地区训练用于增强气象数据的AI模型，可以在许多其他区域和若干相关变量上重复使用，而不必每次都重新开始训练。这种称为迁移学习的复用，比传统插值方法生成更准确的高分辨率场，同时节省时间和计算资源。该方法对海洋区域和近地面风等变量尤其有前景。作者建议未来工作可通过向模型提供地形和陆海边界等额外信息来进一步改进陆地上的表现。如果成功，此类方法有望使更新迅速且细致的气候与天气产品更易被预报员、规划者和研究人员在全球范围内使用。

引用: 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

关键词: 气候数据, 天气预报, 深度学习, 超分辨率, 迁移学习