时间感知UNet与超分辨率深度残差网络用于空间降尺度

《Environmetrics》：Time-Aware UNet and Super-Resolution Deep Residual Networks for Spatial Downscaling

　　

大气污染物的卫星观测通常仅以粗空间分辨率提供，这限制了其在局部尺度环境分析中的应用。空间降尺度方法旨在将此类数据转换为高分辨率场。在本研究中，两种广泛使用的深度学习架构——超分辨率深度残差网络(SRDRN)和基于编码器-解码器的UNet——通过添加轻量级时间模块进行扩展，该模块使用正弦或径向基函数(RBF)表示来编码观测时间，并将时间特征与空间信息整合。所提出的时间感知扩展在意大利臭氧降尺度的案例研究中进行了评估。结果表明，在计算成本仅轻微增加的情况下，纳入时间信息显著提高了降尺度准确性并加速了模型收敛。

**研究背景与意义**

空气污染是当前时代面临的最关键挑战之一，对人类健康、生态系统和气候系统产生深远影响。在主要空气污染物中，地面臭氧(O₃)因其有害影响而受到特别关注。对流层臭氧是通过对流层中的光化学反应从氮氧化物(NO、NO₂)和挥发性有机化合物等前体污染物产生的二次空气污染物，与呼吸系统和心血管疾病、过早死亡以及农业和森林生产力下降等有害问题相关。

卫星观测的大气污染物数据通常仅以粗空间分辨率提供（如0.4°分辨率），不足以进行局部尺度暴露评估和政策决策。空间降尺度方法旨在通过将粗分辨率卫星估计值增强为高分辨率场来弥合这一差距。然而，大多数现有方法将降尺度视为纯空间任务，忽略了臭氧变化的时间结构。由于臭氧水平遵循复杂的时空过程，表现出强烈的周期性和长期动态，将时间信息纳入降尺度模型至关重要。传统方法简化处理时空信息，无法有效利用环境数据中的时空特征。为解决这些问题，研究人员开展了本研究，旨在开发能够同时处理空间和时间信息的轻量级降尺度方法。该研究发表在《Environmetrics》期刊。

**关键技术方法**

研究人员扩展了两种广泛使用的空间降尺度方法：超分辨率深度残差网络(SRDRN)和UNet，通过添加时间模块来纳入时间信息。时间编码模块采用正弦变换或径向基函数(RBF)变换，将观测时间点编码为更具表现力的形式。SRDRN架构利用残差块和子像素卷积上采样程序实现高分辨率重建；UNet架构采用编码器-解码器结构，使用跳跃连接（拼接方式）保留空间信息。研究数据来自Copernicus Atmosphere Monitoring Service (AQ-CAMS)，涵盖2018至2023年共2191天的日数据，覆盖意大利全境，低分辨率数据（0.4°，30×30网格）通过对高分辨率场（0.1°，120×120网格）进行4×4空间块平均获得。评估指标包括平均绝对误差(MAE)、均方根误差(RMSE)和Kling-Gupta效率(KGE)。

**研究结果**

**分析数据**

研究聚焦于意大利全境地面对流层O₃浓度的空间降尺度。意大利因其独特的地理特征而成为关键研究区域，北部被阿尔卑斯山环绕，南部有亚平宁山脉，特别是波河平原盆地的地形特征限制了大气混合，导致污染物积累。最后200个时间点被保留作为测试数据。

**模型参数**

在所有SRDRN变体中，使用3个编码器块（n_L=3）和2个上采样块（n_B=2），放大因子r₁,r₂=2，编码器卷积层64个滤波器，上采样块分别64和32个滤波器。在UNet变体中，使用1个初始卷积层（16滤波器）和2个编码块（32和64滤波器），瓶颈层128滤波器，解码器对称。对于RBF变体，基于季节时间周期（t=1,...,365）构建，分辨率水平G=(9,17,37)。SRDRN训练80个epoch，UNet训练40个epoch，学习率0.0005。验证表明，时间感知变体比基线模型实现更低验证损失并显著更快收敛。

**性能指标**

性能通过MAE、RMSE和KGE评估。KGE将模型性能分解为相关性、偏差和变异性三个组成部分，其值范围从负无穷到1，最佳值1表示完美拟合。

**结果**

所有SRDRN和UNet变体都显著优于统计基线BCSD方法。在无时间模块的基线方法中，SRDRN比UNet达到更低误差和更高KGE。时间信息的纳入持续改善了两种架构的性能：对SRDRN，正弦位置编码产生最佳结果；对UNet，RBF编码略好。时间感知方法相比基线方法的相对MAE改善为：正弦SRDRN 11.5%，RBF SRDRN 9.7%，正弦UNet 15.7%，RBF UNet 18.2%。从计算角度，时间模块增加了可忽略的开销，训练时间几乎相同，但时间感知模型收敛更快，可用更低计算资源训练。空间误差模式显示，所有方法在海面上误差最低，而意大利北部误差最高，这与该地区复杂的大气和排放条件相关，特别是波河平原盆地的地形特征限制了通风，加上持续热逆温和来自亚得里亚海和利古里亚海的海风环流，使该地区成为意大利主要空气污染热点。

**讨论与结论**

研究结果表明，时间感知扩展通过纳入轻量级时间模块与位置编码，有效将时间信息整合到卷积架构中用于空间降尺度。时间感知变体在预测精度上始终优于基线，同时仅引入边际计算开销，并提供相当快的训练收敛。所提出的框架在意大利臭氧降尺度案例研究中表现出有效性，且架构本身可推广到任何网格化环境变量、任何空间区域，允许不同的降尺度因子而无需结构修改。未来工作应探索不同数据集和降尺度复杂度水平下的性能，与更资源密集的时间模型进行基准测试，评估框架在其他环境变量和不同空间区域的性能，并考虑迁移学习策略以减少训练数据需求和计算成本。