Рассмотрение сложных метеорологических процессов с высоким пространственным разрешением требует значительных вычислительных ресурсов. Для ускорения метеорологических расчётов исследователи использовали нейронные сети для даунскейлинга метеорологических переменных, полученных из расчётов с низким разрешением. Несмотря на значительные достижения, современные передовые алгоритмы даунскейлинга адаптированы к конкретным переменным. Обработка метеорологических переменных изолированно приводит к игнорированию их взаимосвязи, что ведёт к неполному пониманию динамики атмосферы. Кроме того, трудоёмкие процессы сбора и обработки данных, а также вычислительные ресурсы, необходимые для даунскейлинга отдельных переменных, являются существенными препятствиями. Учитывая ограниченную универсальность существующих моделей для различных метеорологических переменных и их неспособность учитывать взаимосвязи между переменными, в данной статье предлагается унифицированный подход к даунскейлингу с использованием метаобучения, архитектура которого основана на модели Enhanced Deep Super-Resolution (EDSR). Предложенная структура поддерживает даунскейлинг для различных переменных и наборов данных xsclimate. Модель демонстрирует высокую расширяемость за счёт обобщения на 18 переменных, ранее не встречавшихся в процессе обучения, из CFS, S2S (CMA) и CMIP6 (CMCC-ESM2), таких как среднее давление на уровне моря, температура на уровне 850 гПа и компоненты U- и V-ветра на уровне 500 гПа, что знаменует собой шаг к универсальному решению для масштабирования. Экспериментальные данные показывают, что предложенная модель превосходит лучшие из существующих методов, таких как EDSR и ClimateSD, как в количественной, так и в качественной оценке.

 

Ссылка: https://link.springer.com/article/10.1007/s00382-025-08036-5