气候变化的影响是全方位、多层次、多尺度的,其负面影响往往更受关注。地球系统模型(Earth System Models),是基于物理现象的,运行在大量超级计算机上的,数值模拟模型。地球系统模型输出主要的数据包括气温、降水、风、气压、湿度等。地球系统模型由于计算要求极高的特性限制了空间分辨率,而空间分辨率较低,就会导致局部地区预报不够精细准确。地区规模的预报一般通过统计降尺度来实现。统计降尺度准确性和可靠性不足,并且无法从地区迁移到其他地区。空间降尺度学习低分辨率数据到高分辨率的映射,而传统的空间降尺度需要高分辨率的观察数据,对于观察数据很少的贫困偏远地区,该方法就无法实现。而这些没有高分辨率观察数据的地区往往是受气候影响最严重的贫困地区。近年来,随着深度学习的发展,计算机视觉在很多任务上取得了惊人的成果。于是有论文提出利用图像超分辨方法对气象数据进行空间降尺度。参照气候系统的时空特性,以降水为例,降水数据反映到图像领域即为降水分布图。图像领域与数值降尺度类似的一个分支为图像超分辨,两者都是利用低分辨率的数值(图像)生成高分辨率数据(图像)。托马斯联合美国航空航天局提出DeepSD模型,并在气象数据降尺度问题上表现超过了传统的统计和动力学降尺度方法。尽管托马斯等人联合美国航天局提出的DeepSD模型在气象数据降尺度上取得了比传统方法更好的效果。该方法还存在一些不足。首先,DeepSD模型训练收敛很慢,这将会导致不同类别的气象数据训练时的时间成本高。第二,DeepSD模型网络只有3层,属于浅层的网络。随着深度神经网络的发展,更深的网络在各项任务中往往取得更好的效果。所以DeepSD模型的效果还有很大的提升空间。第三,DeepSD运用了插值预处理。插值预处理会引入人为误差,并且插值预处理后会增加计算复杂度。第四,DeepSD基于图像超分辨方法,而已有的超分辨方法并没有对分数倍数的超分辨进行专门研究。这直接限制了超分辨的灵活性以及适应性。本文针对上述方法存在的问题,提出利用图像超分辨技术实现气象数据的空间降尺度的更先进的模型VDSD以及ResSD。并通过实验论证了本文提出的VDSD和ResSD相比已有的方法具有更好的准确性,更快的速度,以及更好的适应性,并且在各项评测指标中取得了大幅度的提升。通过和气象局公共气象服务中心合作,本文以深度学习超分辨方法为理论基础,将其迁移到气象数据空间降尺度的研究上。对已有方法存在的不足进行了改进,先后提出了VDSD和ResSD,解决了已有方法存在的一些不足并且取得了更好的效果。首先,本文提出的VDSD网络达到了20层以上,ResSD达到了60层以上,ResSD+更是达到了100层以上。深度的卷积神经网络可以提取更复杂的空间信息,从而重建出更好的效果。第二,本文提出的VDSD模型引入了残差学习,ResSD利用残差以及残差块的学习,网络收敛较DeepSD有很大的提升。第三,本文的ResSD方法取消插值预处理操作,通过网络末端实现反卷积上采样实现超分辨率重建。将计算复杂度减小了平方倍。第四,本文提出的VDSD以及ResSD实现了分数倍的超分辨尺度。从而提升了超分辨的适用性,并且可以实现更多场景更多尺度的超分辨。第五,本文将超分辨网络模块化,通过不同尺度因子的超分辨模型串联组合,实现大尺度的超分辨。提升了超分辨网络的灵活性和模块化性能。最后,基于图像的评价指标,气象预报的指标等多项指标来评价本文提出的VDSD模型和ResSD模型,本文的模型在精准性,速度,重建效果上取得了大幅的提升。实现了气象数据实时超分辨网络VDSD和ResSD。