面向海岸模拟的降尺度神经网络

《Environmental Modelling & Software》：Downscaling neural network for coastal simulations

　　

摘要
从粗分辨率表示中学习海岸海洋模拟的细尺度细节是一项具有挑战性的任务。在实际应用中，高分辨率模拟对于加深对许多海岸过程的理解至关重要，特别是预测海啸和风暴潮引发的洪水。研究人员提出了一种用于海岸模拟的降尺度神经网络（Downscaling Neural Network for Coastal Simulation, DNNCS），用于时空增强，以学习高分辨率数值解。给定在低分辨率计算网格上使用低多项式阶不连续伽辽金（Discontinuous Galerkin, DG）离散化和粗时间分辨率生成的海岸模拟图像，所提出的DNNCS学习在时间和空间上生成高分辨率的自由表面高程和速度可视化。为了模拟随时间和空间的动态变化，研究人员提出了网格感知的时空注意力机制，将时间特征投影到空间域进行非局部特征匹配。坐标信息也通过位置编码加以利用。在最终重建中，研究人员使用时空双线性操作插值缺失帧，然后将特征图扩展到频域进行残差映射。除了数据驱动损失外，所提出的物理信息损失保证了梯度一致性和动量变化，与仅使用数据驱动损失训练的模型相比，均方根误差降低了24%。DNNCS在海岸模拟数据集上进行训练，并用于模型优化和评估。与最先进的方法相比，该方法展现了卓越的降尺度质量和快速的计算性能。

**论文解读：基于降尺度神经网络的海岸模拟方法（DNNCS）**

**1. 研究背景与现存问题**

海岸海洋模拟对于理解复杂的近岸过程、预测海啸和风暴潮引发的洪水灾害至关重要。二维浅水方程（Shallow Water Equations, SWE）是此类模拟的核心控制方程，广泛应用于全球及区域海洋、沿海、内陆海、湖泊和河流的环流研究，以及大气环流模拟。目前，基于SWE的数值软件包已成为海啸和风暴潮业务化预报的主要工具。然而，高精度洪水预报对计算网格分辨率提出了极高要求，在受影响区域网格分辨率需达到10米甚至更低。即便采用非结构化自适应网格和图形处理器（Graphics Processing Unit, GPU）计算，如此高的分辨率需求在计算上仍极具挑战，特别是在实时预警系统中。

近年来，深度学习在图像和视频超分辨率领域取得了显著进展，其解决不适定问题的思路被认为与科学计算中的降尺度问题（如流体动力学模拟、气候降尺度、烟雾模拟）具有相似性。已有研究表明，卷积和注意力网络能够从粗结构网格场恢复精细空间特征，物理信息损失项能提升重建输出的物理一致性，视频超分辨率架构可有效实现时空联合上采样。然而，将这些方法应用于海岸模拟仍存在三个关键空白：其一，现有方法仅适用于规则结构化网格，尚未扩展到由不连续伽辽金（Discontinuous Galerkin, DG）求解器生成的非结构化三角网格，此类网格的解质量随多项式逼近阶次和网格细化水平同时变化。其二，尚不清楚单一神经网络能否学习一个与分辨率无关的降尺度算子，该算子需能泛化至不同的DG多项式阶次、海岸区域几何形状和潮汐强迫配置。其三，将学习型降尺度应用于非周期性、事件驱动型流动（如伴随干湿过程的风暴潮）的能力尚未得到验证。因此，填补这一知识空白，开发适用于海岸模拟的降尺度神经网络方法，对于降低高分辨率模拟的计算负担、提升预报效率具有重要意义。

**2. 主要研究方法**

为解决上述问题，研究人员提出了一种用于海岸模拟的降尺度神经网络（Downscaling Neural Network for Coastal Simulation, DNNCS）。该方法的总体流程为：利用DG-based SWE模型代码（包括UTBEST和DG-SWEM）在低分辨率网格、低多项式阶次和粗时间步长配置下生成海岸模拟数据，将模拟输出的深度积分水平速度场（??,??）和水位（??）三个物理量视作RGB图像的三个通道，从而将数值模拟结果转化为图像表示。DNNCS以低分辨率（Low-Resolution, LR）的相邻帧图像对为输入，输出高分辨率（High-Resolution, HR）的时空增强图像序列。该网络由三个关键组件构成：其一，基于残差通道注意力网络（Residual Channel Attention Network, RCAN）的特征提取模块；其二，受波动方程启发的、融合了位置编码的网格感知时空注意力模块，该模块通过像素重排（Pixel Shuffle）操作沿水平、垂直和深度三个维度传播时间特征，以捕捉时空相关性；其三，特征分离与重建模块，该模块利用余弦和正弦算子将特征投影到频域，结合时空双线性插值进行缺失帧的插补并对残差进行学习。在损失函数设计方面，除平均绝对误差（Mean Absolute Error, MAE）损失和????损失外，研究人员还引入了基于梯度的物理信息损失，以保证预测结果的梯度一致性和动量变化，从而提升物理一致性。模型在两个数据集上进行了训练与评估：巴哈马（Bahamas，阿巴科湾）数据集基于UTBEST模型和验证过的ADCIRC数据集生成，德克萨斯州加尔维斯顿湾（Galveston Bay）数据集用于微调与泛化测试；此外，还利用DG-SWEM模型模拟了2008年飓风艾克（Hurricane Ike）期间的真实风暴潮洪水场景进行验证。

**3. 研究结果**

**3.1 与最先进方法的对比**：在巴哈马和加尔维斯顿两个数据集上，研究人员将所提出的DNNCS与四种图像超分辨率方法（VDSR、RDN、StableSR、SwinIR）、两种视频超分辨率方法（EDVR、VRT）以及一种物理信息降尺度方法（PhySR）进行了对比。定量结果表明，DNNCS在均方根误差（RMSE）、MAE、结构相似性（SSIM）和梯度幅度相似性偏差（GMSD）指标上均取得了最优性能，在感知相似性（LPIPS）指标上位居第二。视觉对比显示，传统双三次插值方法（ST-Bicubic）在速度和水位场产生较大残差，EDVR虽能减少残差但引入了可见伪影，而DNNCS能同时在所有三个物理量平面上最小化残差，并准确再现时间演变。

**3.2 消融实验与分析**：损失函数消融实验表明，加入??????损失和梯度损失（??????????）可有效降低RMSE和MAE，尤其物理信息损失能显著提升时间维度的预测一致性（RMSE降低约24%至42%）。关键模块消融实验证实，结合RCAN特征提取、时空注意力和特征分离与重建模块的组合取得了最佳性能。时空注意力可视化分析表明，该方法能够有效捕捉输入图像中随帧变化的特征区域，且联合使用水平、垂直和深度三个维度的注意力能取得最优效果。特征分离与重建模块的频域分析显示，余弦特征图侧重于全局低频信息，而正弦特征图则更多地学习边缘信息，两者形成互补。

**3.3 运动一致性**：在时序一致性评估中，DNNCS在165帧序列上的空间（帧内）和时间（帧间）RMSE曲线几乎重合，且始终保持最低和最为稳定的误差水平。相比之下，RDN的时间RMSE曲线呈现显著振荡，EDVR和PhySR虽然时空误差差异较小，但整体RMSE值仍高于所提出方法。这表明DNNCS在动态场景中实现了空间保真度与时间稳定性的最佳平衡。

**3.4 对变化强迫条件的适应性**：为评估模型对强迫数据变化的鲁棒性，研究人员修改了加尔维斯顿湾的潮汐强迫（由五分潮改为八分潮）和巴哈马区域的科里奥利系数。结果表明，即使不进行任何微调，DNNCS在改变强迫条件后产生的降尺度结果在视觉和定量指标（RMSE、MAE、SSIM、GMSD、LPIPS）上与原始设置相比仅有极小差异，证实了模型学习到的是与特定强迫配置无关的、能够复现数值求解器输出的通用降尺度算子。

**3.5 飓风艾克期间的真实洪水应用**：在真实风暴潮场景的验证中，以飓风艾克（2008年）期间的海岸洪水模拟数据对预训练模型进行微调。结果表明，该方法能显著提升空间细节，生成更平滑、更连贯的淹没结构，在主要洪水和大型流场模式上与高分辨率参考数据高度一致。与LR输入相比，定量指标获得了稳定改进；与时间双三次插值基线方法相比，在MSE上降低了约0.002~0.006。

**4. 讨论与结论总结**

在讨论部分，文章指出所提出框架的一个关键局限在于：对于未见过的海岸区域，通常需要利用当地的粗-细配对历史数据进行微调才能获得最佳性能。这源于不同海岸区域固有的强区域特定物理条件（如岸线几何、海底地形和区域水动力模式）。模型提供两种部署模式：其一，在有陆地-海洋掩膜的情况下，预训练模型可以零样本方式直接应用，实现快速、低成本测试；其二，面向业务化使用时，利用目标区域的配对数据进行微调可显著提升精度。此外，目前将陆地区域赋零值作为硬约束的设计虽有效，但可能限制近岸复杂交互作用的表达，未来可探索基于图神经网络的不规则网格降尺度方法。

研究结论指出，本研究提出了DNNCS，一种面向高效海岸海洋模拟的时空降尺度神经网络。所提出的时空注意力机制通过像素重排充分利用了空间和时间的邻域像素，能够显式地将??、??和??视图随时间的动态变化建模为空间特征相关性，并结合位置编码实现轴感知的注意力估计。新颖的特征分离与重建模块将特征投影到频域进行最终增强，初始的时空双线性算子促使网络学习LR与HR数据间的残差。物理信息损失函数进一步优化了网络的定量表现。通过在巴哈马和加尔维斯顿数据集上的大量实验和与最先进方法的比较，该方法在降尺度质量和计算速度上均取得了优越性能，并展示了向其他数据集和场景（如原始训练数据未涵盖的洪水模拟）的迁移能力。由于该方法能保证长时间模拟中近似的质量守恒，对于高分辨率模拟成本高昂的海洋、气候和天气模型而言极具吸引力，同时为多网格模拟的神经降尺度模型开辟了新方向。该工作发表在《Environmental Modelling》期刊上。