大气数据做完超分辨率后，网格变细了，温度、气压和风场之间的关系还合理吗？
这个问题很容易被像素误差和视觉效果盖过去。一个模型可以生成边界清晰、纹理丰富的高分辨率场，同时破坏变量之间原本存在的静力平衡、质量连续性或动量关系。用于极端天气识别时，这类偏差可能继续传递到下游结果。
PISR 把静力原始方程转成训练阶段的软约束，让超分辨率模型同时学习空间细节和多变量物理关系。论文还提出 NPC 指标，用来比较预测场与参考场在这些方程残差上的差异。
Summary
PISR 为大气超分辨率加入静力平衡、质量连续、水平动量和热力学四类约束，并在目标网格和较粗网格上同时计算物理损失。
ERA5、CERRA 和 COSMO 实验显示，物理约束对温度、地面气压以及部分物理一致性指标的帮助最明显，风场和湿度的收益更有限。用 PISR 结果识别热浪和极端风时，事件区域与参考结果的重合度也有所提高。
文献信息与问题背景
题目：Physics-Informed Super-Resolution of Atmospheric Data
中文题目：大气数据的物理信息超分辨率
作者：Chang Xu*
机构：EPFL、University of Cambridge
版本：arXiv v1，2026 年 7 月 21 日，cs.LG
链接：arXiv:2607.18877
常见的气象超分辨率模型会针对温度、风速或降水分别学习粗网格到细网格的映射。只看单变量 RMSE 时，这种做法没有明显问题。但大气变量通过动力和热力过程相互耦合，逐变量重建可能得到一组各自接近真值、放在一起却不协调的结果。
论文选择静力原始方程作为物理框架，覆盖四类关系：
- 静力方程描述垂直气压梯度与重力之间的平衡；
- 连续方程约束密度变化与质量通量辐合、辐散；
- 水平动量方程联系风场变化、气压梯度、科氏力和摩擦；
- 热力学方程联系温度变化、气压变化和非绝热加热。
这些关系比单独约束质量守恒更完整，也带来一个现实困难：用于训练的数据并不包含方程中的全部变量。
PISR 怎么加入物理
把缺失项当作潜在物理场
模型直接重建的变量包括 2 m 温度、地面气压、10 m 风和湿度相关变量。空气密度可以通过状态方程估算，垂直速度、摩擦和非绝热加热等项则没有直接观测。
作者利用高分辨率参考数据和相应方程反推出这些缺失项，把它们作为潜在物理场。训练时，再把模型输出代入同一组方程，计算预测场与这些潜在项组合后的残差。
这种处理让原始方程能够进入损失函数，也意味着物理监督仍然依赖高分辨率参考场。它更接近“用方程组织监督信号”，不能理解成模型已经独立求解了完整的大气动力系统。
同时约束两个空间尺度
部分大气平衡在较大尺度上更清晰，到公里级后会受到地形、对流和非静力过程影响。PISR 因此在目标分辨率和 2× 平均池化后的较粗分辨率上同时计算物理损失。
最终训练目标由普通重建误差和多尺度物理误差组成。物理约束只影响训练，推理阶段不需要额外求解方程，因此不会增加部署时的计算流程。
高分辨率真值既提供普通像素级目标，也用于构造缺失的物理项。PISR 利用这两类信息，让网络在重建每个变量时兼顾变量之间的关系。
NPC 衡量的是“相对参考场的一致性”
论文提出 Normalized Physical Consistency，也就是 NPC。它比较预测场和高分辨率参考场的方程残差，数值越小，表示模型更接近参考数据中已有的物理关系。
这个定义很重要。真实资料和再分析本身可能不严格满足简化方程，尤其在细尺度非静力环境中。NPC 没有要求预测场的方程残差绝对为零，它衡量的是预测与参考场之间的残差差异。
因此，NPC 更适合回答“超分辨率有没有进一步破坏参考数据里的物理关系”，不宜被直接解释成对真实大气物理正确性的完整认证。
三组实验说明了什么
论文覆盖三个尺度差异较大的数据集：
- ERA5：从 5.625° 超分辨率到 2.8125°；
- CERRA：从约 22 km 到 11 km；
- COSMO：从约 17.6 km 到 2.2 km。
ERA5 使用 1981—2015 年训练、2016 年验证、2017—2018 年测试。CERRA 使用 2010—2017 年训练，2018—2021 年验证和测试。COSMO 使用 2015 年 12 月至 2019 年底训练，2020 年的数据验证和测试。
温度和气压的收益更稳定
在 ERA5 和 CERRA 上，PISR 建立在 EDSR 基线上；COSMO 实验则对 Earth System Foundation Model 进行微调。结果中，静力关系和水平动量关系的 NPC 改善最明显，2 m 温度和地面气压的 RMSE 也有较稳定的下降。
风分量与湿度的变化更温和，有些设置下还会出现小幅退化。例如 CERRA 上的 PISR[EDSR] 明显降低地面气压误差，但 U10、V10 和湿度误差略高于原始 EDSR。对生成式 ClimateDiffuse，静力和动量 NPC 改善，连续和热力 NPC 反而变差，像素级重建也没有稳定收益。
这说明物理损失不会自动让所有变量同时变好。不同方程之间可能相互牵制，潜在物理项的估计质量也会影响结果。论文的消融实验同样显示，单独加入某一条方程，可能改善对应指标却损害其他关系；联合多尺度约束的整体结果更平衡。
作者还测试了训练时没有见过的 CERRA 44 km → 11 km 输入。PISR 相比 ViT 将温度、气压和部分风场误差进一步降低，最大相对改善约 5%。这为跨输入尺度提供了初步证据，但仍属于同一数据集和目标区域内的分辨率变化。
极端事件识别获得额外收益
热浪依据每个位置的 95% 温度分位数，并要求至少持续三天；极端风则采用位置相关的 98% 风速分位数。作者用超分辨率结果生成事件掩膜，再与高分辨率参考场比较。
PISR 减少了部分零散的误识别区域，事件空间形态更接近参考结果。这里的“检测”来自阈值掩膜对比，没有经过独立观测站点或灾情资料验证。它说明物理约束带来的场重建变化能够传递到下游任务，还不能等同于业务极端天气预报能力已经提高。
方法的价值与边界
PISR 给气象降尺度提供了一个实用检查框架：除了比较 RMSE、频谱和极端值，还要检查多变量场是否维持参考数据中的动力、热力关系。NPC 把这种检查变成了可量化指标。
它也暴露出物理信息学习里几个容易忽略的问题。
- 方程有适用尺度。 静力假设在全球和区域大尺度更合理，到 2.2 km 或强对流环境中，非静力运动会变得重要。约束过强可能压制真实的小尺度过程。
- 缺失项来自参考数据。 摩擦、非绝热加热和垂直速度等潜在项由高分辨率真值反推，训练仍然需要配对资料，参考场偏差会进入物理监督。
- NPC 依赖选定方程。 它没有覆盖所有大气过程，也不能评价未进入方程的变量。论文明确提到，降水这类未被约束的变量可能很难获得同样收益。
- 不同目标可能冲突。 更低的方程残差、像素误差和更好的极端事件识别不一定同时出现，需要根据应用设置权重和评价指标。
对 WRF、CMAQ 或多变量空气质量降尺度，这个思路可以继续扩展。温度、风、边界层高度和污染物浓度之间存在耦合，但化学反应、排放和输送过程比表面原始方程更复杂。更可行的起点，是先构造可核验的质量守恒、输送一致性和变量关系指标，再判断哪些约束适合进入训练。
总结
PISR 关注了大气超分辨率中一个基础问题：高分辨率输出不仅要在单个变量上接近参考场，多变量之间也要保持合理关系。
论文把静力原始方程转成多尺度软约束，并用 NPC 衡量预测与参考场之间的方程残差差异。当前实验中，温度、地面气压、静力关系和水平动量关系的收益较明确，风场、湿度和生成式模型上的改善更不均匀。极端事件掩膜实验进一步显示，物理一致性可能给下游识别带来比像素误差更明显的收益。
这项工作适合看作一套“训练约束 + 物理诊断”的方法验证。真正进入公里级业务应用前，还需要处理非静力过程、潜在物理项误差和观测层面的独立验证。