计算机工程

作者：励皓轩, 张志远, 刘芮, 许沛华, 田昕

单位：1. 武汉大学电子信息学院, 湖北 武汉 4300722. 湖北省气象服务中心, 湖北 武汉 430205

关键词：隐式神经表达,深度学习,自适应特征编码,超分辨率,气象降尺度

基金：湖北省自然科学基金(2024AFD206); 中国气象局创新发展专项(CXFZ2024J068); 内蒙古自治区"揭榜挂帅"项目(2024JBGS0054)

高分辨率的气象数据对于本地和区域尺度的生产生活具有重要意义, 而基于深度学习的降尺度技术能有效弥合现有气象低分辨率数据与应用需求间的鸿沟。深度学习气象降尺度方法常受限于固定整数缩放因子, 导致多倍率场景下训练成本较高, 并且现有方法在气象数据中仍存在高频细节预测不准、结果模糊的问题。为此, 提出一种融合隐式神经表达和自适应特征编码的深度学习超分辨率网络, 用于任意倍率气象降尺度。其核心动态像素特征聚合模块利用可学习调制器动态调整特征提取过程, 使像素特征能自适应不同缩放因子; 图像级隐式表达模块则通过注意力机制融合坐标线性差异与邻域非线性特征, 实现连续域像素值预测。结合高阶退化训练策略, 在ECMWF HRES和ERA5数据集上的实验结果表明, 与固定倍率方法相比, 该方法在2倍率下的峰值信噪比(PSNR)指标可高出至少0.7 dB, 与任意倍率方法相比, 该方法在2倍率下的PSNR指标可高出至少0.48 dB, 可为气象数据应用提供更加灵活高效的解决方案。

来源：2026年第4期

《计算机工程》期刊编辑部

查看计算机工程杂志2026年第4期