Page 98 - 《高原气象》2026年第3期
P. 98
高 原 气 象 45 卷
706
计降尺度。动力降尺度主要通过区域气候模式(Re‐ 过构建端到端的非线性映射模型, 能够有效捕捉低
gional climate models)利用低分辨率的全球气候模 分辨率输入和高分辨率输出之间的复杂映射关系,
式输出数据作为边界条件, 计算并生成能够描述区 这一核心机制与气候降尺度的本质需求高度一致。
域气候特征的高分辨率数据(Giorgi and Gutowski, 因此, 许多研究者尝试将基于深度学习的超分辨模
2015)。该方法具备坚实的物理基础, 能够较为真 型应用于气候降尺度任务中, 并取得了一系列的研
实地模拟气候系统的物理过程, 因此在局地降水模 究进展与成果。例如, Vandal et al(2017)提出了基
拟中具备较高的物理可信度(Laprise, 2008; Jacob 于深度学习的统计降尺度模型 DeepSD, 该模型采
et al, 2014)。其中, 以 WRF(Weather Research and 用堆叠的超分辨卷积神经网络(SRCNN)结构, 并
Forecasting Model)为代表的中尺度天气预报模式 引入多尺度输入通道增强 SRCNN, 提高了美国降
被广泛应用于动力降尺度研究(Tian et al, 2020; 水降尺度操作的准确性。Wang et al(2021)设计了
Maussion et al, 2011; Yun et al, 2020; 胡迎春等, 一 种 基 于 深 度 残 差 结 构 的 超 分 辨 率 网 络
2024)。例如, Tian et al(2020)采用 WRF 模式在黄 (SRDRN), 用于每日温度和降水的降尺度。相较
土高原地区进行了 1980-2011 年的长期模拟, 结果 于传统降尺度方法, 该模型更准确地再现了局地温
表明 WRF 模式不仅充分捕捉到了该地区降水的空 度 和 降 水 的 分 布 及 其 极 值 。 Baño-Medina et al
间分布, 而且再现了其在不同时间尺度上的量级和 (2020, 2021)通过系统性的评估框架, 对卷积神经
变率。Maussion et al(2011)利用 WRF 对青藏高原 网络(CNN)和传统的统计降尺度方法进行了对比
地区进行了高分辨率降尺度模拟, 结果表明 WRF 分析。结果表明, 在降水降尺度任务中, CNN 模型
对该地区降水具有较高的模拟精度。在中国东部 在大多数方面均优于广义线性模型, 能够为气候变
暖季降水模拟中 WRF 模式同样表现出色, 其准确 化应用提供更加合理的降尺度结果。在此基础上,
再现了季节和次季节降水的空间分布以及降水的 Fu et al(2024)通过引入残差密集块来提取更高层
年际变化, 并能较好地模拟降水强度和频率的分布 次和更加抽象的特征, 进一步提升了模型的降水降
特征(Yun et al, 2020)。然而, WRF 等动力降尺度 尺度性能。
方法也存在一定缺陷: 一方面, 模型计算成本较 尽管上述研究在气候要素的降尺度建模中取
高, 尤其在进行长期气候预测或更高分辨率模拟时 得了较为理想的效果, 但其仍存在一定的局限性。
更加耗时耗力; 另一方面, 模型结果高度依赖驱动 气候降尺度不同于计算机视觉中常见的整数倍超
其运行的 GCMs 所提供的初始和边界条件, 模型的 分辨率问题, 其通常需要以非整数倍且大尺度的方
精度对这些条件表现出较强的敏感性(Denis et al, 式重建气象要素。为了解决这一问题, 一些研究者
2003)。综上所述, 基于 WRF 等中尺度模式的动力 尝试将低分辨率气象数据插值到与目标分辨率相
降尺度方法, 虽然能够更真实地刻画区域尺度的气 同大小, 然后再作为模型输入, 但这会显著增加计
候动力过程, 在中国各个地区也表现出更好的适应 算复杂度。也有研究在模型的末端引入全连接层,
性和准确性, 但同时也面临计算资源消耗大、 对 通过输出的离散像素重建气象场(Baño-Medina et al,
GCMs结果敏感等挑战。统计降尺度方法是通过建 2020; Sun and Lan, 2021; Dujardin and Lehning,
立大尺度气候预报因子与局地气象要素之间的最 2022)。尽管该操作在一定程度上降低了计算成
优统计关系, 从而实现从低分辨率气候模式输出到 本, 但同时也破坏了输出数据的空间结构特征。针
高分辨率气象数据之间的转换。根据建模原理的 对上述问题, 渐进式降尺度框架(Lai et al, 2017,
不同, 统计降尺度方法可以分为 3 类(Maraun et al, 2018)通过逐步提升分辨率的方式, 在保持空间结
2010): 理想预报法、 模型输出统计法和基于天气 构一致性的同时有效降低了计算复杂度, 是一种针
生成器的方法。与动力降尺度方法相比, 统计降尺 对大尺度非整数倍降尺度任务的可行方案。此外,
度方法计算效率高、 易于实施, 在气候变化研究中 合理引入辅助信息也有助于提升模型对于局地特
得 到 了 广 泛 应 用(张 慕 琪 等 , 2022; 朱 姜 韬 等 , 征的感知能力, 从而更加准确的重建高分辨率气候
2023; 汪红等, 2025; 陈涵等, 2025)。 场(杨雅婷等, 2024; 杜晓婉等, 2023)。
近年来, 深度学习技术在超分辨领域取得的重 本文提出了一种基于地形引导注意力的降水降尺
要突破(Wang et al, 2019; Ledig et al, 2017; 鲁心 度模型(Terrain-Guided Attention Network, TGAN)。
怡等, 2024; 黄健等, 2021), 为气候数据的降尺度 该模型采用拉普拉斯金字塔作为渐进式降尺度框
研究提供了新的技术路径。具体而言, 这类技术通 架, 同时引入高程数据作为地形先验信息, 从多个

