一种面向中国东部地区气象数据超分辨率重建的基于随机微分方程的高效条件扩散模型

《Journal of Cleaner Production》：An efficient conditional diffusion model for meteorological data super-resolution based on stochastic differential equations over Eastern China

　　

摘要
全球天气预报为经济社会活动提供了重要支撑，但其应用仍受限于较粗的空间分辨率以及系统性、状态依赖型偏差，尤其是在气象异质性明显的地区。本研究基于随机微分方程构建了一种条件扩散模型，该模型将强度–边界结构学习与通过动态卷积和通道注意力实现的自适应精细化相结合，从而在多种预报产品上生成高分辨率气象场。在中国东部区域相对于ERA5-Land的评估显示，超分辨率预报结果与参考数据吻合良好：在12小时预报时效下，温度场和风场的R2值分别达到约0.90和0.87，降水事件的技能在概率空间中的稳定公平误差（SEEPS）低至约0.05，且始终优于基于插值和确定性学习的方法。与代表性基线模型相比，所提出的框架在不同变量和预报配置下均展现出更稳健的性能，在保持连贯的空间分布、局地梯度和极值特征方面表现更佳。进一步地，我们利用超分辨率天气预报，展示了一项网格化逐日8小时最大臭氧浓度（MDA8）预测的应用。与由低分辨率气象场驱动的臭氧预测相比，使用超分辨率气象场带来了预测性能的系统性提升，R2提升了4.6%至5.8%。对于中国东部区域所评估的预报产品和气象变量，这些结果表明，所提出的框架为区域尺度的预报精细化和下游空气质量预测提供了一种有效的方法。

引言
高分辨率气象场对于区域天气服务、环境评估、可再生能源规划、空气质量预测以及其他影响导向型应用至关重要（Jin et al., 2025；Olivetti and Messori, 2024）。这种需求的出现是因为较粗的预报网格往往无法分辨决定近地面状况的局地梯度、海陆对比、地形引起的变化以及城市尺度的异质性（El-Samra et al., 2018）。全球预报产品提供了广阔的空间覆盖和有用的大尺度信息，近年来基于人工智能的天气模型已在多个气象变量的预报效率和技能方面取得改进（Bi et al., 2023；Chen et al., 2023；Kurth et al., 2023；Lam et al., 2023；Price et al., 2025；Sun et al., 2025）。然而，其直接用于区域应用的局限仍在于较粗的空间分辨率、被平滑的局地变率以及依赖于数据源的系统性误差（Park et al., 2026；Xu et al., 2025）。这些局限在中国东部尤为相关，因为该地区的季风环流、强烈的海陆热力对比、复杂地形和快速城市化共同造就了异质性的气象条件（Huang et al., 2025；S. Wang et al., 2022）。传统的网格重映射和统计校正可以部分改善空间对齐并减小平均偏差，但它们并不能完全重构精细尺度变率或异质性的预报误差。因此，如何将较粗且存在偏差的预报产品转化为适用于区域应用的高分辨率、准确的气象场，仍是一项关键挑战（Ascenso et al., 2024；Blunn et al., 2024；Chen et al., 2026；Tao et al., 2020）。

为缓解这些问题，现有的降尺度与偏差校正研究最好从被精细化的目标变量的角度来理解，因为不同气象场的重构难度差异显著。基于插值的重映射，包括双线性插值和双三次插值，在计算效率上仍然很高，并能够保留广阔的空间组织结构，但会平滑梯度和极值；这一局限对于间歇性降水和与水汽相关的场而言，比对于相对平滑的温度场更为严重（Glawion et al., 2023；Pang et al., 2025）。确定性深度学习模型改善了若干特定变量的降尺度任务。例如，F. Wang等（2021）设计了一种超分辨率深度残差网络，将25、50和100 km的逐日最高/最低气温和降水降尺度至4 km，结果表明深度残差学习比传统统计降尺度能更有效地再现空间格局和局地极值。针对近地面风，H?hlein等（2020）将类似ERA5的31 km输入数据降尺度至类似HRES的9 km场，并报告DeepRU架构取得了最佳平均验证性能，均方误差约为2.7 (m/s)2，推理速度达到毫秒级。针对降水，J. Wang等（2021）发展了从50 km到12 km WRF模拟的学习式多分辨率动力降尺度；他们的编码式CGAN将平均降水格局相关性从双线性插值的0.866提升至0.951，并在训练后约14分钟内生成了30年的高分辨率降水场。这些研究表明，基于卷积神经网络（CNN）的模型可以显著提高精度，但同时也揭示了一个依赖于变量的局限：像温度这样的平滑变量通常更容易重构，而降水、复杂地形上的风场以及湿折射率则需要恢复更尖锐、间歇性且具有物理一致性的结构。基于生成对抗网络（GAN）的方法通过在产生更锐利场的方式上弥补了部分这一局限。近期的对流层应用展示出了这一方法在具有挑战性的水汽相关变量上的潜力：相对于原始GNSS层析成像产品，SRGAN在波兰和加利福尼亚将湿折射率的均方根误差（RMSE）分别降低了高达62%和52%（Haji-Aghajany et al., 2025a）；而TropoDeep相较于GACOS校正，将InSAR差分斜路径对流层延迟的RMSE降低了最高约40%，平均改进为21%（Haji-Aghajany et al., 2025b）。然而，基于GAN的精细化可能会遇到训练不稳定、模式崩溃，以及看起来合理但物理上不一致的细节等问题（Cobbinah et al., 2025；Saad et al., 2024）。因此，现有的确定性与对抗方法在复杂或极端气象条件下仍难以同时实现稳定的定量性能、忠实的精细尺度结构恢复以及感知变量的物理一致性（Gao et al., 2025）。

在这些依赖变量的局限基础上，基于扩散的建模为通过迭代式、条件引导的精细化进行预报超分辨率和偏差校正提供了一条有前途的途径（Andrae et al., 2024；Price et al., 2025；Wang et al., 2024）。这种公式化方法支持从粗分辨率预报中重构精细尺度的气象结构。近期的一些研究已开始展示其在困难变量上的这一优势。对于降水，Aich等（2026）使用条件扩散模型将GFDL-ESM4的降水向ERA5降尺度并进行偏差校正至0.25°，将气候态平均绝对偏差从0.69降至0.32 mm/d，并相较于双线性插值基线改善了概率性能，平均连续排序概率评分（CRPS）从0.90降至0.76 mm/d。对于多变量公里尺度的大气降尺度，Mardani等（2025）训练CorrDiff，从25 km再分析输入生成台湾地区的2 km场，目标包括2 m温度、水平风分量、作为降水代理的雷达反射率以及合成的雷达反射率；CorrDiff在全部205个验证时次的CRPS上均低于确定性U-Net，并更好地保留了谱特征和分布尾部，尽管温度仍然比雷达反射率相关的极值更易重构。类似地，Ling等（2024）将基于扩散的概率降尺度应用于0.1°东亚月度地表气候重建，并报告了相较于插值和GAN基线在多个变量上的RMSE、ACC、PSNR和SSIM一致改进，尤其是降水和温度。这些结果表明，当目标变量包含不确定性、间歇性或极值事件结构时，扩散模型尤为有价值。然而，天气预报的精细化并非仅仅是无约束的生成。除了产生合理的精细尺度图案外，精细化后的场必须显式锚定在预报背景之上，同时校正依赖于数据源的系统性误差（Aich et al., 2026）。基于分数的随机微分方程公式化方法在此背景下具有优势，因为它将扩散置于连续时间框架中，并允许在反向演化过程中进行条件引导的随机精细化（Song et al., 2021）。对于预报超分辨率而言，进一步期望这种随机演化能够向着预报背景保持均值回归特性（Luo et al., 2023）。然而，许多现有的基于扩散的精细化框架并未明确解决在保持预报背景一致性的同时恢复精细尺度结构并校正不同重构难度变量的系统性误差的自适应条件引导控制问题（Ling et al., 2024）。

为弥补这一空白，我们提出了动态条件引导自适应均值回归随机微分方程扩散（DCA-MRDiff）网络，这是一种用于天气预报联合超分辨率、精细化和偏差校正的由粗至细条件扩散框架。该框架结合了用于结构感知先验构建的强度与边界学习模块、用于条件锚定随机精细化的均值回归SDE扩散，以及通过动态卷积块（DyCB）和通道注意力（CA）实现的自适应特征调制，以进行状态依赖的校正。DCA-MRDiff的方法学新颖之处在于将结构感知的条件先验与用于预报到再分析精细化的均值回归SDE扩散相耦合。通过整合上采样的预报先验、强度–边界结构引导、逐通道可靠性加权以及输入条件化的局部校正算子，该框架将随机精细化锚定于依赖于预报的气象背景之上，同时自适应地校正依赖于数据源的偏差、局地梯度和极值结构。

本研究使用Pangu-Weather和谷歌WeatherNext系列（Graph/Gen）的全球预报产品，这些产品在不同数据源和预报时效下表现出不同的误差特征。我们将所提出的框架应用于超分辨率处理近地面变量，包括温度和风分量以及降水，并对来自两个预报产品的结果进行精细化，使用涵盖精度、结构感知行为和事件空间验证的互补性诊断指标来评估精细化后的场。此外，我们展示了一项由超分辨率预报驱动的网格化MDA8臭氧预测的下游应用，以证明超分辨率预报场对下游环境应用所带来的增强的实用价值。

区域片段
研究区域
研究区域聚焦于中国东部，这是一个地形复杂、人类活动强烈的地区（图1）。在地理上，该区域涵盖了长江三角洲（YRD），这是世界上最密集的城市群之一。该地区受到东亚季风系统的显著影响，导致大气环流存在明显的季节性变率。

高分辨率再分析参考
本研究采用欧洲中期天气预报中心（ECMWF）产生的ERA5-Land再分析资料作为参考。

气象预报超分辨率框架
DCA-MRDiff在规则网格上对异质性天气预报执行联合超分辨率和偏差校正。每个目标变量独立建模，采用单通道输入/输出，以避免跨变量泄漏，并尊重各产品特定的定义（尤其是降水累计窗口）。设s表示原生48×48网格上的低分辨率（LR）预报，x0表示120×120 ERA5-Land网格上对应的高分辨率（HR）参考。

DCA-MRDiff的性能
我们将DCA-MRDiff针对ERA5-Land，对不同预报数据源的超分辨率性能进行了评估。评估使用了一组丰富的评价指标。对于T2M、U10和V10，表2报告了MSE、R2、RD_GTV、Bias、MAE和RMSE，而TP则使用SEEPS评估。表S2进一步报告了Q95_MAE、Q95_RMSE、Gradient_MAE和Gradient_RMSE。Bias衡量带符号的系统性偏移；MAE和RMSE衡量整体误差；Q95_MAE和Q95_RMSE评估最高的5%部分。

均值回归锚定采样
在训练过程中，DCA-MRDiff通过其两阶段设计和条件扩散目标来学习这种分离。IBL通路被优化以从训练对中编码强度感知和边界感知的结构，因此条件信息携带了锐利梯度和连贯图案应当出现的位置，而不仅仅是被缩放的纹理。与此同时，扩散精细化在带条件的噪声中间状态上进行训练，这教会网络一个去噪/分数场，它。

结论
本研究提出并评估了一种用于中国东部天气预报超分辨率和偏差校正的深度学习框架，所选全球预报产品为研究对象。该框架基于SDE策略构建，整合了数据强度和边界结构的学习，并采用动态卷积和通道注意力模块进行自适应精细化。在所评估的预报产品、气象变量和预报时效下，所提出的方法一致地。

CRediT作者贡献声明
Xi Mu：撰写初稿、软件、资源、方法论、形式分析。Sichen Wang：撰写–审阅与编辑、可视化、方法论。Yan Xiang：撰写–审阅与编辑、监督。Guangqiang Fan：撰写–审阅与编辑、获取资金。Xiang Jin：撰写–审阅与编辑。Tianshu Zhang：撰写–审阅与编辑。Wenqing Liu：撰写–审阅与编辑、撰写–审阅与编辑。

代码可用性
核心的DCA-MRDiff框架及相关数据脚本可在 https://github.com/atmosai-code/DCA-MRDiff 获取。

利益冲突声明
作者声明他们没有已知的财务利益冲突或个人关系，这些可能对本论文中报告的工作产生影响。

致谢
作者衷心感谢欧洲中期天气预报中心（ECMWF）公开提供ERA5-Land再分析数据。作者还感谢谷歌地球引擎（GEE）提供本研究中使用的WeatherNext Gen和WeatherNext Graph数据集的访问权限。作者进一步感谢华为云团队公开发布Pangu-Weather模型及相关资源。这些数据和模型资源提供了重要的支持。

Xi Mu | Sichen Wang | Yan Xiang | Guangqiang Fan | Xiang Jin | Tianshu Zhang | Wenqing Liu