基于生成式三维高斯泼溅的任意分辨率大气降尺度与预报

《Pattern Recognition》:Generative 3D Gaussian splatting for arbitrary-resolution atmospheric downscaling and forecasting

【字体: 大 中 小 】 时间:2026年09月21日 来源:Pattern Recognition 9.1

编辑推荐:

   • 提出一种基于 3D 高斯泼溅(3D Gaussian Splatting, 3DGS)的连续大气建模框架。 • 通过连续表示实现任意分辨率的下采样和预测。 • 引入 3DGS 范式,从过拟合转向泛化。 • 取得优于现有任意分辨率下采样方法的表现。 • 在任意分辨率中期天气

  

• 提出一种基于 3D 高斯泼溅(3D Gaussian Splatting, 3DGS)的连续大气建模框架。
• 通过连续表示实现任意分辨率的下采样和预测。
• 引入 3DGS 范式,从过拟合转向泛化。
• 取得优于现有任意分辨率下采样方法的表现。
• 在任意分辨率中期天气预报中提供具有竞争力的结果。

引言
大气下采样和天气预报是现代大气科学的基石任务,支持经济活动、公共安全和灾害准备 [1],[2],[3],[4]。尽管近期取得了进展,但大多数现有下采样方法受限于固定尺度训练范式,限制了其在目标分辨率随区域或任务变化时的适用性。基于人工智能(AI)的数值天气预报(NWP)模型仍面临关键局限 [3],[4],[5],[6]。大多数模型针对固定空间分辨率(例如 0.25°)构建,缺乏跨尺度适应的灵活性,限制了其在从局部风暴追踪到全球气候建模等任务中的有效性 [7]。鉴于气候变化驱动下极端天气事件(如飓风、热浪和暴雨)频率增加,需要高分辨率、多尺度预报,这一局限尤为令人担忧。实际上,扩展当前下采样和预报系统以支持任意分辨率计算成本高昂。高分辨率建模继承了求解大规模偏微分方程的成本,而分辨率灵活性通常需要针对每个目标网格训练单独的模型或分辨率特定的解码器。如图 1 所示,支持更广泛的超分辨率目标会导致模型大小和 GPU 内存消耗迅速增长,导致可扩展性差和计算成本高。

为了解决这些局限,我们提出了一种基于 3D 高斯泼溅(3DGS)的新框架,用于任意分辨率的大气下采样和预报。我们的方法利用了 3DGS 的连续性、灵活性和计算效率,这在近期实时辐射场渲染研究中已得到证实 [8]。要将 3D 高斯泼溅应用于大气重建以下采样和预报,必须以空间一致且计算高效的方式定义 3D 高斯的位置。在本工作中,我们采用经纬度网格,并将 3D 高斯的中心与网格点对齐。固定高斯中心后,大气场通过关键 3DGS 参数表示,包括协方差矩阵、属性和不透明度。这产生了一种紧凑且连续的大气数据表示,同时保持与评估的大气变量的一致性。高斯分布固有的连续性实现了任意分辨率的无缝重采样,支持从区域到全球级别的多尺度下采样和预报,跨越从公里到数百公里的空间分辨率,而无需针对特定分辨率重新训练。

利用优化后的 3DGS 位置,可以通过生成新的 3DGS 关键参数来进行大气下采样和预报。然而,大多数现有 3DGS 方法依赖于单个样本的过拟合,缺乏生成未见实例所需的泛化能力 [9],[10],这限制了其在准确大气下采样和天气预报中的有效性。受近期生成式 3DGS 方法进展的启发 [11],我们提出了一种生成式 3D 高斯框架来为新样本合成 3DGS 参数。具体而言,我们的方法采用了基于 3DGS 的尺度感知视觉 Transformer(GSSA-ViT),这是一种增强了尺度感知交叉注意力的 ViT。通过将尺度嵌入注入交叉注意力模块,模型显式地将特征表示条件化于目标分辨率,从而实现下采样和预测的分辨率自适应调制。以经纬度网格位置和观测大气变量为条件,GSSA-ViT 动态生成关键的 3DGS 参数,包括协方差矩阵、属性和不透明度,支持稳健且灵活的多尺度大气建模。

我们进行了广泛的实验,在 ERA5 再分析数据集 [12] 和 CMIP6 模拟 [13] 上评估 GSSA-ViT。结果表明,GSSA-ViT 显著降低了任意尺度重建误差,同时为高维大气数据提供了紧凑且高效的表示。重要的是,我们的方法支持训练期间的多尺度监督,通过生成任意分辨率的高斯参数,实现分辨率自适应学习。相比之下,现有预测模型在固定分辨率下训练,只能通过插值生成更高分辨率的输出。在中期预报中,GSSA-ViT 实现了任意分辨率预测,其性能超过了此类插值模型,以较低的计算成本提供更准确的预测。
• 我们引入了一种新框架,使用 3D 高斯泼溅(3DGS)建模大气数据,利用其连续性实现任意分辨率的大气下采样,同时提供紧凑且富有表现力的表示。
• 我们提出了基于高斯分布的天气预报范式,将 3DGS 从拟合转变为预测,增强其泛化能力,并使 3DGS 可用于预报任务。
• 我们在大气下采样任务上取得了改进的性能,并开发了能够进行任意分辨率预测的中期预报模型,与通过插值上采样的固定分辨率模型相比取得了具有竞争力的结果,突出了我们范式对未来研究的潜力。

章节片段
相关工作
大气下采样。气候下采样旨在从粗分辨率的大尺度大气数据生成高分辨率气候场。最近,深度学习方法已成为这一任务的主导范式,这得益于它们学习大尺度大气场和细尺度局部气候变量之间复杂非线性映射的能力 [14],[15]。一系列架构,包括卷积神经网络、生成对抗网络和基于图的
使用 3DGS 进行大气数据表示
3DGS 基本概念。3DGS 最初为实时辐射场渲染开发,它将点云表示为 3D 高斯分布的集合 [8]。每个高斯分布由定义其中心的位置向量 ??∈?3、确定其形状和方向的协方差矩阵 ??∈?3×3、用于渲染的不透明度因子 ??∈[0,1) 以及编码视角依赖颜色的球谐函数表征。该方法采用自适应密度控制来动态调整高斯数量和一个数据集 ERA5 和 CMIP6。我们使用欧洲中期天气预报中心(ECMWF)产生的 ERA5 再分析数据集 [12],该数据集提供了从 1940 年至今的全球大气场,具有小时级时间分辨率和 0.25° ×0.25° 空间分辨率。此外,我们使用了耦合模型比较计划第六阶段(CMIP6)[13] 的气候模拟数据,特别是 MPI-ESM1-2-LR 模型的历史运行数据,该数据提供 6 小时时间

结论
在本研究中,我们提出了 GSSA-ViT,一种基于连续 3D 高斯泼溅(3DGS)表示的任意分辨率大气下采样和中期预报统一框架。GSSA-ViT 的一个关键优势是其从样本特异性过拟合到预测性、生成式 3DGS 范式的转变,实现了准确且计算高效的天气预报。这种生成式连续高斯参数化支持任意空间

CRediT 作者贡献声明
Tao Han:撰写 – 审阅与编辑,监督,资源,项目管理,方法论,调查,数据策展,概念化。Zhibin Wen:撰写 – 原稿,可视化,验证,方法论,调查,概念化。Zhenghao Chen:撰写 – 审阅与编辑,监督,方法论,概念化。Fenghua Ling:撰写 – 审阅与编辑,可视化,验证。Junyu Gao:撰写 – 审阅与编辑,可视化,验证。Song Guo:撰写
手稿准备过程中生成式人工智能技术声明
在准备本工作期间,作者 Tao Han 和 Zhibin Wen 使用了 ChatGPT 来协助翻译手稿的某些部分,以及提供写作支持和语法润色。使用该工具后,作者仔细审阅和编辑了内容,并对已发表文章的内容承担全部责任。
利益冲突声明
作者声明没有已知的竞争财务利益或个人关系,这些关系可能会影响本论文中报告的工作。
致谢
本工作由上海人工智能实验室和香港研究资助局一般装备基金(资助号 152169/22E,152228/23E,162161/24E),卓越领域计划(AoE/E-601/22-R),以及创新香港(HKGAI)支持。额外支持由香港赛马会慈善信托基金资助的 JC STEM 科学与工程专业人工智能实验室,地铁研究资助(MRF)计划(CHU-24003),以及香港研究资助局(项目编号 Tao Han|Zhibin Wen|Zhenghao Chen|Fenghua Ling|Junyu Gao|Song Guo|Lei Bai
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号