超分辨率在氣象領域的應用

        【每日科技網】

　　雖然我們每天都看天氣預報，但是你知道我們所看到的天氣預報是怎麼預測出來的嗎?氣象預報按天氣預報的時效長短，可粗略分為：短時天氣預報、短期天氣預報、中期天氣預報和長期天氣預報。數值模式預報是天氣預報的主要預測手段。

氣象數值預報數值模式預報是根據大氣運動的數學模型，利用當前天氣狀況作為輸入數據而做出天氣預報的手段，通常使用超級計算機或分布式計算集群依據一系列動力學框架來完成計算。

　　天氣數值模式的輸出是矩陣形式，可以用圖像的方式可視化。同一片區域矩陣數值越密集，代表這個區域預測的細緻程度越高。如下圖展示了全球模式和區域精細預報之間的關系圖。

對于局部區域來說，精細化預報結果可以提供更為豐富的信息。從應用角度，精細化預報将預報精度從城市級别提升到所在地點附近級别;從研究角度，精細化預報不僅提供了某個地點從地面到高空十幾公裡的氣溫、降水、風向、風速基本氣象要素，還為進一步研究影響這一地點的雲的移動軌迹、增減變化趨勢提供了可能。近年來各個行業對數值預報精細化需求越來越高。

　　制約高精度的數值天氣預報模式發展的一個重要因素就是硬件設備的計算能力以及計算時間。

　　雖然我們國家的派-曙光超級計算機就從2018年開始正式承擔起氣象業務運行及科研的重任，運算能力躍居氣象領域世界第三位，但可惜的是很多氣象相關科研機構和研究人員往往不具備使用超算條件，這就變相地限制了一些部門和研究人員對于局部氣象預報的研究。

中國"派-曙光"超級計算機數值模式對于硬件的強烈依賴，讓各行業對精細化局部氣象預報信息望而卻步，巨大的需求被壓抑在其中。

　　數值模式降尺度的本質——超分辨率

　　上海眼控科技股份有限公司人工智能研究院獨創性地發現數值模式降尺度在本質上和超分辨率的互通之處。

　　從根本上來說，對氣象預報進行降尺度拟合，實際上是依據低分辨率的數據預測同一區域在同一時間下的高分辨率的數據。

　　超分辨率技術，是将一張低分辨率的圖像變為高分辨率。通過估算網格密集化後，補充缺失的像素值。以下是數值模式降尺度的示例，可以發現，和超分辨率相似的是，降尺度的過程令圖像變得清晰。

但是降尺度僅僅是超分辨率嗎?

　　降尺度的挑戰——模拟物理過程

　　降尺度的過程不僅僅是圖像的精細化像素填充，而是涉及到多個天氣元素之間相互作用的重新計算。下圖是一個數值模式降尺度的案例，可以看出，精細化的版本中，出現了粗糙版本中所不包含的一些天氣細節。

這種計算過程即使用CV領域中的超分辨率技術，也無法重現。其難點的本質在于，從單一通道來看，降尺度的計算過程“生成”了額外的信息，而機器視覺領域的超分辨率技術，隻可以産生細節填充，而沒有能力生成輸入圖片中沒有出現的信息。這些額外的信息，來自于多個天氣元素的物理過程，這是使用超分辨率的思想來解決數值模式降尺度的巨大挑戰。

　　基于對這個問題的長期研究，上海眼控人工智能研究院提出Deep Hybrid Super Resolution (DHSR) 模型來模拟物理過程，來産生額外的信息。

　　基于DHSR的AI數值模式降尺度

　　前文提到，氣象數值模式預報中的數據是網格化的氣象元素如氣壓值等，而精細化的數值模式預報，不僅是将網格矩陣變得細膩那麼簡單，還需要考慮其他已知條件(比如濕度、溫度、風場)，并用神經網絡去模拟它們之間的作用關系。

　　上海眼控人工智能研究院以超分辨率網絡為主幹網絡，針對不同的數據類型調整網絡中的長跳躍連接和短跳躍連接。用轉化為圖片後的某一維度的25km全球模式的氣象預報和3km的對應地區和時間的降尺度數據來訓練超分辨率網絡，以捕捉這一區域該維度的25km全球模式與3km降尺度後的數據間的映射關系。其中針對通道的特征先進行一個空間的全局平均池化得到一個 1×1×C的通道描述;接着，再經過一個下采樣層和一個上采樣層得到每一個通道的權重系數，将權重系數和原來的特征相乘即可得到縮放後的新特征，整個過程實際上就是對不同通道的特征重新進行了加權分配，通過這種channel attention的機制進行特征融合，最終生成的氣象圖片很好的生成了特征的輪廓和細節部分。

　　以下是模型的部分結構

修改後的超分辨率網絡在氣象預報降尺度任務上的表現十分出色：計算更快：傳統的數值模式的降尺度計算需要計算中心不間斷地計算幾十分鐘到幾個小時。如果通過我們的AI超分辨率網絡進行降尺度計算， 生成所需要的數據的降尺度計算通常在1s 之内。 流程高效：數值模式所有的數據是捆綁在一起的，意味着即使你隻需要某一區域某一維度的氣象要素的降尺度數據，你也需要整體的計算出來這一區域所有維度的氣象要素，之後再從整體的數據中提取你想要的數據。步驟異常繁瑣。這樣不僅導緻了計算速度慢，工作和處理數據的效率也大大降低。上海眼控的DHSR模型可以直接針對性地計算出所需要的氣象元素精細化結果，抛棄了冗雜繁瑣的過程。 結果精準：對于依靠超分辨率網絡生成的3km分辨率的降尺度預報，我們抽取批量生成的圖片，與數值模式計算出來的降尺度數據轉化成的圖片進行SSIM分數的對比之後，得出超分辨率網絡生成的圖片分數可以達到0.992，可以說完全能夠滿足一般科研工作這對于數據的要求。

　　我們HDSR方法生成的圖片在總體結構上十分接近傳統數值模式降尺度的結果：

讓我們放大9km格點間距那張圖中，藍色和紫紅色的框，我們的結果和數值模式一樣，模拟了物理過程，生成了輸入圖中不存在的信息。DHSR模型生成的信息和耗費大量計算資源的數值模式非常接近。 再看看挑戰更大的，更精細的3km格點間距的相同位置。讓人驚訝的是，在這麼精細的尺度下，我們模型依然表現卓越，拟合出了局部地區的精細預報結果，依然和超算中心耗費大量資源使用傳統數值模式的方法的結果保持高度一緻。 事實證明，DHSR模型通過特殊的通道間的相互作用，拟合了物理過程，生成了在輸入圖中未曾呈現的局部預報結果。從單個氣象元素(單個通道)的角度來看，簡直是不可思議。

　　重要的是生成時間DHSR相對數值模式少了幾個數量級。忍不住為我們眼控科技的研究院團隊瘋狂打call!

　　讓我們再看看其他地區的濕度預報結果吧

再來看看我們預報局部精細化氣壓的結果。 經濟實惠：你以為優點到這就結束了? 沒有沒有，你太天真了。基于AI超分辨率網絡的數值模式降尺度隻需要一塊1080顯卡就可以輕松的運行，對于硬件的需求相較于傳統的數值模式降尺度簡直讓人驚歎不已。也就是說你隻需要一台擁有1080顯卡的筆記本電腦，坐在辦公室裡，就可以與擁有一排排機櫃的計算機中心有着同樣的體驗。

　　這麼一個計算快速、流程高效、結果精準且經濟實惠的模型，将數值模式降尺度的任務變得親民且高效，這不僅将成為撬動氣象領域變革的一個支點，也将直接解鎖局部地區對于精細氣象數據的更大需求。

　　總結與展望

　　在說了這麼多之後，相信大家對于超分辨率以及數值預報有了比較深入的了解。盡管目前眼控科技的小夥伴們成功地解決了降尺度對于算力需求過高的問題，但是對于龐大的氣象系統而言是遠遠不夠，未來在氣象領域有更多的挑戰在等待着我們。眼控人也将抱着“路漫漫其修遠兮,吾将上下而求所”的信念，在人工智能氣象領域踏浪前行，為中國的智能氣象領域貢獻出自己的力量。小夥伴們如果你也覺得熱血沸騰的話，快點來加入我們吧!