近日，南海海洋所儀器中心與中山大學、汕頭大學、香港天文臺等機構合作，在深度學習氣象數據降尺度研究中取得新進展。團隊成功研發出一種基于隱式神經網絡混合專家模型（Mixture of Implicit Networks,MINet）的大氣降尺度新方法。相關研究成果以“Arbitrary-scale atmospheric downscaling with mixture of implicit neural networks trained on fixed-scale data”為題，發表于人工智能領域頂級期刊Pattern Recognition。

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。南海海洋所儀器中心高級工程師周巍與中山大學副教授胡建芳為論文通訊作者，中山大學碩士研究生陳騰躍與汕頭大學講師謝潔嵐為論文共同第一作者。

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（如CMIP6）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。研究團隊提出全新范式MINet，通過多尺度隱式特征構建與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。

MINet在技術上展現出顯著優勢，在與微軟研究院開發的地球科學基礎大模型ClimaX的對比測試中，MINet不僅性能更優，更具備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（LRMSE）均顯著低于ClimaX，且皮爾遜相關系數更高。此外，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，能靈活適應不同科研任務對分辨率的特定需求。

圖1?MINet實現大氣變量任意尺度降尺度的示意圖（以青藏高原Z500和斯里蘭卡周邊海域T850為例）

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。

論文信息：Chen, T.-Y., Xie, J.-L., Zhou, W.*, Hu, J.-F.*, Yao, P.-Q., Liang, T.-M., Zheng, W.-S., & Chan, P.-W. (2026). Arbitrary-scale atmospheric downscaling with mixture of implicit neural networks trained on fixed-scale data.?Pattern Recognition, 173, 112802.

論文鏈接：https://doi.org/10.1016/j.patcog.2025.112802