面向海洋环境参数降尺度的空间门控双分支特征网络研究

《Electronics》：Spatial-Gating Dual-Branch Feature-Learning Network for Marine Environmental-Parameter Downscaling

　　摘要：高分辨率海洋环境场对于海洋监测、预报和近海应用至关重要，但再分析产品的空间分辨率可能不足以表征局部梯度和精细结构。本研究提出了一种空间门控双分支特征降尺度网络（SG-DFDS），用于固定尺度的海洋环境参数降尺度。该网络设计了并行的大核与小核通路，以捕获不同感受野尺度上的空间信息，同时通过空间门控单元自适应地调节大核分支中的特征响应。实验使用2020年1月至2021年12月中国周边海域的小时级ERA5场数据，对风速（WS）、平均波向（MWD）、平均波周期（MWP）和有效波高（SWH）进行了2倍和4倍尺度因子的降尺度处理。在所评估的基于插值和基于学习的方法中，SG-DFDS在总体PSNR、SSIM和MAE指标上表现最优。在4倍尺度因子下，该模型在四个参数任务中相对于最强对比模型的PSNR提升幅度约为0.20至1.09 dB。消融实验进一步验证了双分支特征结构和空间门控单元各自的贡献。