在全球氣候變化研究中，將低分辨率的大尺度氣候模式數據轉化為高分辨率區域數據，是準確評估極端天氣與區域微氣候的關鍵。然而，現有主流國際工具普遍受限于固定尺度約束。
近日，中國科學院南海海洋研究所等團隊，研發出一種基于隱式神經網絡混合專家模型（MINet）的大氣降尺度新方法。團隊通過多尺度隱式特征構建，和基于坐標的混合專家解碼器，實現了僅需一次固定尺度訓練，即可完成任意尺度氣象數據的超分辨率重建。
在與地球科學基礎大模型ClimaX的對比測試中，MINet性能更優，且具備ClimaX所缺乏的任意尺度推斷能力。在MPI-ESM到ERA5的標準降尺度任務（4倍放大）中，MINet在Z500（500hPa位勢高度）、T850（850hPa溫度）等五個關鍵氣象變量上的加權均方根誤差，均明顯低于ClimaX，且皮爾遜相關系數更高。結果顯示，MINet在陸地與海洋區域的誤差分布較ResNet、U-Net等經典架構更為平穩，且能靈活適應不同科研任務對分辨率的特定需求。
該研究突破了傳統深度學習模型僅能在固定分辨率下運行的局限，為精細化區域氣候分析與天氣預報提供了高精度、高靈活性的技術手段。研究團隊下一步將依托南海海洋所超算平臺，拓展MINet在實時天氣預報及多源衛星數據融合中的應用，構建面向南海及周邊區域的精細化氣象要素重構系統，為海洋災害預警和區域氣候評估提供核心算法支撐。
相關研究成果發表在Pattern Recognition上。
MINet實現大氣變量任意尺度降尺度的示意圖