一种用于将机器学习天气预报下采样到1公里气温的超分辨率框架

在变暖世界中的更清晰局部预报

人们越来越希望知道的不仅是下周他们所在城市是否会很热，还想了解自己所在的街区会不会闷热难耐或仍然可接受。然而，大多数全球天气模型仍以数十公里的模糊格点“看”世界，抹平了山脉、海岸线和城市热区。本研究提出了SR-Weather，一种人工智能系统，它将这些模糊的预报锐化为街道尺度的温度图，旨在为社区提供更好、更早的高温和其他局地极端天气预警。

为何当今预报无法捕捉街区级极端

现代天气预报取得了重大进展，其中一些新的机器学习模型在运行速度更快的同时，可与或超越传统的基于物理的系统。但几乎所有这些全球模型都在大约25公里尺度的网格上运行。在单个格点内，可能同时存在凉爽的海岸线、密集的城市和林地丘陵——这些特征对温度有深刻影响，却被平均为一个值。要在公里级分辨率上对未来数天到数周进行完整的物理模拟，对于常规应用仍然过于计算密集。因此，中期预报无法可靠地捕捉城市热岛或山谷与山脊之间的锋利对比。

利用卫星增加细节

为弥合这一差距，作者设计了SR-Weather，一种深度学习“超分辨率”框架，学习如何将粗糙的温度图转化为1公里分辨率的高细节场。与依赖稀疏地面气象站不同，他们使用卫星产品作为细尺度训练目标。具体而言，他们从NASA的MODIS仪器的全球陆表温度产品开始，并将其转换为韩国地区的日平均近地面气温。然后将这些基于卫星的温度图与分辨率较粗的ERA5再分析资料（与现代机器学习预报的分辨率相近）配对，跨越近二十年时间。这使网络能够学习局地特征——如高程、土地覆盖和季节性——在每个粗格点内如何影响温度模式的典型方式。

加入地形与季节信息

SR-Weather超越了早期的图像增强模型，通过明确输入携带重要物理背景的额外地图。这些包括能够分辨山脊与山谷的数字高程模型；指示区域建成程度、从而反映城市热岛强度的“不可渗透表面”地图；以及总结不同季节哪些地方通常更暖或更冷的气候学季节图。模型的架构被调整以特别关注不仅是平均状况，还关注局部的温度峰值和谷值，使用强调极端值而非将其平滑掉的池化操作。与其它先进超分辨率方法的测试表明，SR-Weather在与卫星衍生温度的误差最小化和相关性最高方面表现最佳，尤其是在高山和密集城市等小尺度结构最关键的区域。

从更好的图像到更好的预报

在以历史ERA5和卫星数据训练后，研究团队将SR-Weather应用于FuXi的真实预报——FuXi是一种领先的全球机器学习天气模型，可在25公里分辨率下预测长达15天的情况。SR-Weather将FuXi的粗糙日温场转换为韩国地区的1公里图，并以密集的地面站网进行评估。在1–7天的预报期内，超分辨率后的预报在与站点观测的一致性方面持续优于简单插值，甚至在短期内优于韩国的运营高分辨率数值模式（LDAPS）。值得注意的是，FuXi经SR-Weather生成的7天预报优于仅对粗场进行插值得到的1天预报，这表明该方法不仅增加了细节，同时利用关于地形和城市化的信息校正了系统性偏差。

这对日常天气用户意味着什么

对非专业人士来说，核心信息是：我们现在可以使用快速的全球AI天气模型并将结果“放大”到街区尺度，而不必运行昂贵的超级计算机。SR-Weather从卫星中学习哪些地方的城市、山脉和海岸在加热或冷却上表现不同，并利用这些知识来锐化和调整未来的温度预报。尽管该研究集中于韩国，但相同要素——MODIS卫星产品和基本的陆表地图——在全球范围内可用，这意味着可以为许多地区训练类似的系统。随着极端高温变得更加普遍，像SR-Weather这样的工具可以帮助城市规划者、电网运营者和公共卫生官员提前数天识别哪些街区风险最高，从而实现更有针对性和及时的应对。

引用: 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

关键词: 天气预报, 超分辨率, 城市热岛, 卫星数据, 机器学习