深度学习驱动的大气降尺度技术研究取得新进展

　　

近日，南海海洋所仪器中心与中山大学、汕头大学、香港天文台等机构合作，在深度学习气象数据降尺度研究中取得新进展。团队成功研发出一种基于隐式神经网络混合专家模型（Mixture of Implicit Networks,MINet）的大气降尺度新方法。相关研究成果以“Arbitrary-scale atmospheric downscaling with mixture of implicit neural networks trained on fixed-scale data”为题，发表于人工智能领域顶级期刊Pattern Recognition。

该研究突破了传统深度学习模型仅能在固定分辨率下运行的局限，为精细化区域气候分析与天气预报提供了高精度、高灵活性的技术手段。南海海洋所仪器中心高级工程师周巍与中山大学副教授胡建芳为论文通讯作者，中山大学硕士研究生陈腾跃与汕头大学讲师谢洁岚为论文共同第一作者。

在全球气候变化研究中，将低分辨率的大尺度气候模式数据（如CMIP6）转化为高分辨率区域数据，是准确评估极端天气与区域微气候的关键。然而，现有主流国际工具普遍受限于“固定尺度”约束。研究团队提出全新范式MINet，通过多尺度隐式特征构建与基于坐标的混合专家解码器，实现了仅需一次固定尺度训练，即可完成任意尺度气象数据的超分辨率重建。

MINet在技术上展现出显著优势，在与微软研究院开发的地球科学基础大模型ClimaX的对比测试中，MINet不仅性能更优，更具备ClimaX所缺乏的任意尺度推断能力。在MPI-ESM到ERA5的标准降尺度任务（4倍放大）中，MINet在Z500（500hPa位势高度）、T850（850hPa温度）等五个关键气象变量上的加权均方根误差（LRMSE）均显著低于ClimaX，且皮尔逊相关系数更高。此外，MINet在陆地与海洋区域的误差分布较ResNet、U-Net等经典架构更为平稳，能灵活适应不同科研任务对分辨率的特定需求。

图1?MINet实现大气变量任意尺度降尺度的示意图（以青藏高原Z500和斯里兰卡周边海域T850为例）

研究团队下一步将依托南海海洋所超算平台，拓展MINet在实时天气预报及多源卫星数据融合中的应用，构建面向南海及周边区域的精细化气象要素重构系统，为海洋灾害预警和区域气候评估提供核心算法支撑。

论文信息：Chen, T.-Y., Xie, J.-L., Zhou, W.*, Hu, J.-F.*, Yao, P.-Q., Liang, T.-M., Zheng, W.-S., & Chan, P.-W. (2026). Arbitrary-scale atmospheric downscaling with mixture of implicit neural networks trained on fixed-scale data.?Pattern Recognition, 173, 112802.

论文链接：https://doi.org/10.1016/j.patcog.2025.112802