Neural downscaling of air-quality simulations requires structural correction before spatial refinement

技术摘要：空气质量模拟的神经降尺度研究

问题陈述
高分辨率的空气质量信息对于暴露评估和政策制定至关重要，但对于大陆尺度的化学传输模型（CTM）而言，计算成本过于昂贵，这些模型的分辨率通常被限制在 10–20 km。虽然深度学习为高效降尺度提供了一条路径，但现有方法通常将粗分辨率场视为细分辨率场的平滑版本，或者学习一种直接映射，而未考虑到在不同分辨率下独立运行的模拟会产生截然不同的气象状态。以往的研究经常依赖于合成退化数据（将细分辨率场平均化到粗网格上）或在气象条件在不同分辨率下完全一致的离线配置下进行。这些设置未能捕捉到当气象、输送、排放和化学过程在不同分辨率下独立求解时所产生的“跨分辨率模型偏差”（cross-resolution model divergence）。因此，粗分辨率模拟不仅仅是细分辨率模拟的一个模糊副本；由于分辨率依赖的动力学、排放通量和亚网格参数化，两者在物理状态上存在差异。

方法论
作者提出了一个两阶段降尺度流水线，利用来自伊比利亚半岛在线 CTM 模型 MONARCH 的配对 10 km（低分辨率，LR）和 5 km（高分辨率，HR）模拟数据。研究重点关注四种污染物：NO₂、O₃、PM₁₀ 和 PM₂.₅。

1. 任务分解：
   降尺度过程被分解为两个不同的阶段：

   • 第一阶段（结构修正）： 将原始 LR 场映射到聚合到 LR 网格上的 HR 场（dHR）。这一阶段旨在修正两个在共同网格上独立演化的模型状态之间存在的依赖于分辨率的偏差。
   • 第二阶段（空间精细化）： 将修正后的 dHR 场映射到原始 HR 场。这一阶段旨在重建细尺度的空间细节（超分辨率），同时保持修正后的粗单元均值。

2. 模型架构：
   作者基准测试了十种架构，包括确定性模型（MLP、CNN、EDSR、RCAN、HREDSR、SWINIR、U-Net、GAN）和概率生成模型（Flow-matching、Elucidated Diffusion Model/EDM）。

   • 第一阶段： 被视为一个概率问题。由于 LR 和 dHR 状态并非确定性关联（由于大气结构的独立演化），单一的确定性预测往往会回归到平滑的条件均值，从而抹平梯度。因此，采用了概率模型（特别是 EDM）来表示可能存在的结构修正分布。
   • 第二阶段： 被视为一个确定性问题。由于 dHR 正好是 HR 场在 2×2 块上的平均值，其关系受到强约束。研究使用了一个轻量级的确定性网络（例如 SWINIR 或 HREDSR），并辅以粗单元一致性约束（一个重归一化层），以确保预测的 2×2 块的平均值精确匹配输入的 dHR 值。

3. 输入与训练：
   模型利用来自 5 km 模拟的高分辨率辅助强迫场（气象、排放、地形、土地利用或 5 km 模拟中的其他数据）。训练数据跨度为 2021–2023 年，通过时间分块（temporal blocking）确保验证集和测试集包含训练期间未见过的气象状态。

关键结果

• 结构偏差的主导性： 对 LR 与 dHR 差异性的分析表明，误差主要源于分辨率依赖的物理失配（振幅和相位差异），而非缺失的空间细节。对于颗粒物，差异主要基于振幅（与在线排放通量相关）；而对于反应性气体（NO₂、O₃），相位差异（结构重组）则非常显著。
• 两阶段方法的必要性： 直接将第二阶段的超分辨率模型应用于原始 LR 场会导致性能崩溃（nRMSE 上升至约 34%），这证实了结构修正是在进行空间精细化之前的先决条件。
• 概率模型 vs. 确定性模型：
  • 第一阶段： 确定性 SWINIR 模型实现了最低的点对点误差（nRMSE），但概率模型 EDM 实现了最佳的连续秩概率评分（CRPS），并能更好地重现空间梯度和局部峰值的分布。
  • 第二阶段： 一旦结构差异得到修正，空间精细化过程非常准确且计算成本低廉。所有确定性架构的表现都非常相似，小型模型（如 HREDSR、SWINIR）实现的 nRMSE 对于 O₃ 低至 0.9%，对于 PM₂.₅ 为 2.4%，远优于双三次插值（bicubic interpolation）。
• 观测验证： 在针对独立的 GHOST 站观测进行评估时，降尺度后的场提高了高浓度事件的检测能力（探测概率增加），且没有增加误报率。降尺度后的 5 km 场在针对观测值的表现上达到了原生 5 km MONARCH 模拟的水平，有效地从粗场和高分辨率辅助数据中恢复了细网格行为。
• 敏感性： 研究发现，性能更多地取决于气象强迫和训练数据的质量，而非模型的参数量。地理留出测试显示，在未见区域性能显著下降，这表明需要进行领域特定的训练或适配。

意义与主张
本文声称，针对独立运行的物理模型进行神经降尺度需要一种根本性的方法转变：结构修正必须先于空间精细化。 作者认为，主要的挑战不在于学习如何添加细节，而在于修正模型状态之间依赖于分辨率的偏差。

主要贡献包括：

1. 方法论框架： 一个将不确定的、分布式的结构修正任务与受约束的、精细化的空间精细化任务分离的两阶段流水线。
2. 经验证据： 证明了在合成退化数据上进行训练并不能反映出对原生粗分辨率输出所需的映射，因为后者涉及不同的大气状态。
3. 概率建模： 展示了概率模型在捕捉不确定性和空间变率方面对于结构修正阶段具有优势，而确定性模型足以应对精细化阶段。
4. 业务可行性： 该方法允许生成锚定在演化的粗 CTM 状态之上的细分辨率空气质量场，避免了自回归神经模拟器中的递归误差累积，也避开了运行全高分辨率 CTM 的高昂计算成本。

作者保持了审慎的态度，指出本研究的局限性在于仅使用了 2× 的精细化因子、单一区域以及地面浓度。他们指出，更大的精细化因子或不同的耦合策略（例如双向嵌套）可能会改变结构修正与空间精细化之间的平衡，且向具有不同气象机制区域的迁移仍需进一步研究。