基于局部空间自注意力的气象数据降尺度深度网络LSSANet：多尺度特征融合与地形嵌入的创新方法

针对传统气象降尺度方法难以捕捉多尺度局部空间相关性、局部-全局空间依赖性及地形-气象场交互作用的问题，本研究提出LSSANet模型。通过局部空间自注意力模块(LSAM)和多尺度动态聚合模块(MDAM)实现气象场的多尺度特征融合，结合地形嵌入层与两阶段训练策略，在4×/8×/16×降尺度任务中MAE降低1.9%-75.8%，为农业、林业等气象敏感领域提供高精度空间建模支持。

气象数据的精细化建模一直是农业、林业等天气敏感行业决策的重要基础。然而，现有气象产品空间分辨率普遍低于0.1°，难以捕捉农田碎片化分布等微尺度气象差异。传统深度学习方法将气象降尺度视为图像超分辨率(SISR)任务，忽视了气象数据特有的多尺度局部空间相关性、局部-全局空间依赖性以及地形与气象场的复杂相互作用，导致建模精度受限。

为解决这一难题，哈尔滨工业大学的研究团队在《Neurocomputing》发表论文，提出基于局部空间自注意力(LSSANet)的创新模型。该研究通过构建局部空间自注意力模块(LSAM)捕捉气象场的局部-全局空间关联，设计多尺度动态聚合模块(MDAM)整合不同尺度的局部特征，并创新性地引入地形嵌入层和两阶段训练策略。实验表明，LSSANet在4×/8×/16×降尺度任务中MAE分别降低5.1%-75.8%、4.3%-59.7%和1.9%-53.4%，显著优于现有方法。

关键技术方法包括：1) 采用GFS和ERA5-land再分析数据作为输入；2) 设计局部空间自注意力机制(LSAM)建立气象场的长程依赖；3) 开发多尺度动态聚合模块(MDAM)实现特征自适应融合；4) 构建地形嵌入层编码高程信息；5) 实施两阶段训练策略优化模型性能。

【研究结果】

1. 局部-全局空间相关性建模：LSAM模块通过将局部气象状态投影至Q/K/V空间，利用多头自注意力机制建立网格点与全局状态的关联。实验显示该模块使温度场重建误差降低23.7%。

2. 多尺度特征动态融合：MDAM模块通过动态权重分配机制整合不同层级LSAM输出的特征，在降水场降尺度任务中较单尺度方法提升12.4%的精度。

3. 地形-气象场耦合建模：预训练的地形嵌入层将高程数据编码为128维特征向量，在山区风场降尺度任务中使风速预测误差降低18.2%。

4. 两阶段训练优化：先对地形编码器进行预训练，再联合优化整个网络，使模型在16×降尺度任务中收敛速度提升2.3倍。

【结论与意义】
该研究突破传统SISR方法的局限性，首次在深度学习框架中系统整合气象数据的三大核心特征：1) 通过LSAM-MDAM架构实现多尺度局部特征与全局空间依赖的协同建模；2) 创新性地引入地形物理约束，模拟高程对大气运动的动态影响；3) 两阶段训练策略有效解决多模态数据融合难题。这些创新使LSSANet能够精确重建0.025°分辨率的气象场，为农业生产中的霜冻预警、林业病虫害防治等提供亚公里级气象环境数据。研究不仅推动气象降尺度技术从"图像驱动"向"物理机制驱动"转变，更为深度学习在地球系统科学中的应用提供新范式。