降尺度技术

什么是降尺度？

降尺度是将大尺度、低分辨率的模式输出信息转化为小尺度、高分辨率的信息。

动力降尺度

是指全球低分辨率模式为区域高分辨率模式提供初始条件和边界条件，高分辨率区域模式通过内部物理过程作用，不仅可以保留全球低分辨率模式中的大尺度特征，还能比全球低分辨率模式模拟出更多区域的中小尺度特征。动力降尺度方法具有更坚实的数学物理基础，不受观测资料的影响，可以可以用于不同区域。

区域模式RCM将全球模式GCM的结果降尺度，例如使用GFS资料驱动WRF模式

但是动力降尺度需要大量的计算资源, 随着模式分辨率的提高, 计算量呈指数形式增长。而且动力降尺度效果由于受到诸多因素的影响，存在误差和不确定性，这些误差又会在区域模式长时间的积分过程中会持续累积，最终使动力降尺度结果逐渐偏离驱动它的大尺度场，即产生漂移。

与动力降尺度相比，

统计降尺度

计算量小、节省机时，其研究区域及具体实施方案又有较大的灵活性，已被广泛应用于区域气候的模拟和预估研究。根据大尺度变量（如大气表面压力）和局部变量（如特定地点的风速）之间的观测建立统计关系，并检验这种关系的合理性。然后把这种关系应用于从全球低分辨率模式的数据输出获取区域局部变量。例如偏差校正空间分解BCSD算法。

传统的统计降尺度方法对于那些没有高分辨率观测数据的地区通常无法学习出这种映射关系，对于极端的事件往往表现较差。

近年来，逐渐由需要研究人员利用

神经网络去解决降尺度

的问题。图像领域与数值降尺度类似的一个分支为

图像超分辨

，两者都是利用低分辨率的数值（图像）生成高分辨率数据（图像）。

deepSD模型，将低分辨率数据结合地形，通过神经网络得到高分辨率数据

超分辨率技术(Super Resolution,SR)

什么是超分辨率？

图像超分辨率旨在从LR（低分辨率）图像中恢复相应的HR（高分辨率）图像。有传统基于插值和基于深度学习方法的，但是目前超分辨率技术一般指后者。

LR到HR映射必然是将较少的像素点转换为较多的像素点，这是一个不适定问题（ill-posed problem），通常称存在、稳定且唯一的解的问题为适定问题。PS：这里可以做个类比，就像解方程组，有多少个未知数就要有多少个方程，如果方程少于未知数的个数，那么解就不唯一。

深度学习降尺度技术

超分辨率技术用于降尺度

超分辨技术用于处理图像问题。我们的大气的物理场，比如500hPa气压、地面温度等，也可以视为一张图片。彩色图片还有RGB三通道，而我们不同的变量场或者不同的垂直层堆叠起来，也可以视为多通道的图片。因此，将图像的超分辨率技术应用到降尺度技术中，是可行的。

同时，将超分辨率技术应用到气象或者海洋降尺度中，我们可以增加地形的信息，缓解问题的不适定程度。

对大气海洋数值模式感兴趣的可扫下方二维码在

气海同途

公众号菜单栏，添加作者微信，邀请您加入

数值模式交流群

。

更多大气与海洋相关技术文章，可关注气海同途。