MetaSD: A Unified Framework for Scalable Downscaling of Meteorological Variables in Diverse Situations

为了在细致的空间分辨率下处理复杂的气象过程，需要大量的计算资源。为了加速气象模拟，研究人员利用神经网络从低分辨率模拟中降尺度气象变量。尽管有了显著的进展，但当代尖端的降尺度算法是为特定变量量身定制的。将气象变量孤立地处理忽视了它们之间的相互关系，导致对大气动力学的理解不完整。此外，为了进行单个变量的降尺度，数据收集、注释和计算资源的繁琐过程是重大的障碍。鉴于现有模型在不同气象变量之间的适用性有限，并且它们未能考虑变量之间的相互关系，本文提出了一种利用元学习的统一降尺度方法。该框架旨在促进来自各种数值模型和时空尺度的多样化气象变量的降尺度。在由ERA5和GFS组成的变量训练中，该方法可以扩展到降尺度CFS、S2S和CMIP6的对流降水、位能、高度、湿度和臭氧等不同的时空尺度，从而展示了其捕捉多样变量之间相互关系的能力。我们的方法代表了创建通用降尺度模型的初始努力。实验证据表明，所提出的模型在定量和定性评估中均优于现有的顶级降尺度方法。

提出了一种基于元学习的统一气象变量降尺度方法，旨在解决当前气象变量降尺度算法的局限性，如不能涵盖不同气象变量及其相互关系、数据采集和计算成本高等问题。

本文提出的方法是基于元学习的统一降尺度模型，可以涵盖不同气象变量及其相互关系，具有较强的泛化能力。

本文提出的方法在多个气象变量和数据集上进行了实验验证，结果表明其在定量和定性评估方面优于现有的气象变量降尺度方法。此外，本文还提供了数据集和代码，为后续研究提供了便利。

最近的相关研究包括：《Deep Learning-Based Downscaling Methods for Climate Data: A Review》、《A Deep Learning Framework for Downscaling Climate Data to Local Scale》等。