用于多尺度物理系统超分辨率数据同化的迭代精炼扩散

# 面向多尺度物理系统的超分辨率数据同化迭代精炼扩散方法
来源：https://arxiv.org/html/2608.14744
## 面向多尺度物理系统的超分辨率数据同化迭代精炼扩散方法
期刊：《计算物理杂志》

Mrigank Dhingra  
邮箱：[[email protected]](mailto:[email protected])  
通讯作者  
单位：美国田纳西大学诺克斯维尔分校机械与航空航天工程系，邮编37996

Ramchandran Muthukumar  
邮箱：[[email protected]](mailto:[email protected])  
单位：芝加哥大学数据科学研究所，美国伊利诺伊州芝加哥市，邮编60637

Rebecca Willett  
邮箱：[[email protected]](mailto:[email protected])  
单位：芝加哥大学数据科学研究所，美国伊利诺伊州芝加哥市，邮编60637

Omer San  
邮箱：[[email protected]](mailto:[email protected])  
单位：美国田纳西大学诺克斯维尔分校机械与航空航天工程系，邮编37996

###### 摘要
从稀疏、低分辨率的观测中恢复具有动态一致性的高分辨率状态，是科学机器学习与数据同化领域的核心挑战。经典数据同化方法通过预报-更新循环利用时序信息，但通常需要反复调用计算成本高昂的高分辨率预报模型。相比之下，现代生成式超分辨率方法能从粗分辨率观测中重建未解析的精细结构，但它们通常作为单次映射运作，未能利用历史状态所携带的动力学约束。我们提出了一种用于学习型数据同化的迭代精炼框架，将这两种视角相结合。我们不执行单次从粗到细的状态重建，而是将任务分解为跨越多分辨率层次结构的一系列分辨率相关的预报-分析操作。在每一阶段，一个共享的、具有分辨率依赖光谱模式切片的神经算子提供动力学先验，而一个共享的条件扩散校正器则利用当前较粗分辨率状态，在下一更精细分辨率层生成精炼的后验估计。我们将所提出的方法称为迭代精炼（IR），并在两个典型多尺度基准测试中进行了评估：一维随机强迫伯格斯方程和二维Kraichnan湍流。在具有挑战性的256×256分辨率Kraichnan湍流基准测试中，IR的均方根误差（RMSE）为0.184，结构相似性指数（SSIM）为0.836，优于谱插值、单次扩散超分辨率、增强型深度超分辨率（EDSR）和自回归预报器等基线方法。在粗细分辨率反问题约束更强的伯格斯方程测试中，IR的RMSE为0.00436，其性能与最优方法——单次扩散超分辨率（其RMSE为最低的0.00278）——保持竞争力。这些结果表明，尽管单次生成式重建方法对于约束充分的数据同化问题有效，但层级化的预报-分析精炼对于强多尺度和欠定情况变得更具优势。总体而言，该框架为在复杂物理系统中结合时序先验、生成式空间模型和多分辨率重建提供了一种学习型数据同化策略。

###### 关键词：数据同化，扩散模型，超分辨率，神经算子，多尺度湍流，集合卡尔曼滤波

††要点：
- 介绍了一种用于超分辨率数据同化的多分辨率预报-分析扩散框架。
- 使用了共享的FNO预报器（带谱模式切片）和共享的条件扩散校正器。
- 在二维Kraichnan湍流中展示了对未解析高波数能量恢复能力的提升。
- 在避免在线全求解器预报的同时，性能优于单次超分辨率和学习型EnKF基线方法。

## 1 引言
### 1.1 背景与动机
从稀疏、噪声或低分辨率的观测中恢复复杂物理系统的高分辨率状态，是数据同化、反问题和科学机器学习中的一个核心目标[25, 2, 57, 8]。在数值天气预报[25, 15]、地球物理流体动力学[62]和湍流建模[47, 16]等应用中，底层动力学在广泛的、相互作用的时空尺度上演化。经典数据同化方法，如卡尔曼滤波和集合卡尔曼滤波[24, 15]，顺序地处理这个估计问题：历史状态通过预报模型向前传播，然后在分析步骤中根据当前观测进行校正[53]。这种预报-更新循环具有吸引力，因为它显式地利用了时间结构，并在连续状态之间保持了动态一致性。基于物理系统的控制方程推导出的物理驱动预报模型虽然精确，但在目标分辨率下反复使用通常会产生令人望而却步的计算成本。因此，它们在高分辨率业务或基于集合的同化设置中可能不可行。这揭示了重建保真度（需要解析精细结构）与计算可处理性（限制了在线可传播的高分辨率预报数量）之间的矛盾。

大量快速增长的工作利用从离线状态轨迹学习的数据驱动代理模型来缓解物理驱动预报模型的成本[12, 28, 44]。一旦训练完成，代理预报模型可以在数据同化流程中使用，以比物理驱动对应物小得多的代价推进状态。数据驱动同化流程的潜力激发了基于底层滤波机制的进一步改进[50, 22, 21]。

另一方面，生成式超分辨率已成为从粗分辨率观测直接重建精细内容的强大工具[19, 51, 34]，在流体动力学[17]、天气预报[34]等领域取得了早期成功。与数据驱动代理预报模型类似，生成式超分辨率方法通过基于精选的、配对的高分辨率状态和低分辨率观测数据集的离线训练阶段，分摊了重建成本。然而，生成式超分辨率方法通常被表述为单次从粗到细的映射，将每个低分辨率观测视为独立的输入。因此，它们未能利用先前状态所携带的强动力学约束，特别是在精细结构随时间相干演化的系统中。

这两条工作线为学习型同化流程提供了互补的两半。一个学习型代理预报器提供高分辨率动力学先验，但将当前低分辨率观测的同化留给经典的基于卡尔曼增益的更新。另一方面，生成式超分辨率模型直接从当前低分辨率观测重建高分辨率状态，但忽略了先前状态估计中编码的动态信息。

在本文中，我们提出了一个单一的、完全学习的预报-校正流程，其中学习型预报为状态重建提供动力学先验，而生成式模型则基于当前观测增强经典的分析步骤。此外，我们引入了一种迭代精炼（IR）策略，将状态重建任务分解为跨越多尺度层次结构的一系列预报-分析步骤，每个步骤操作于适中的精炼比率。这种表述将一个严重病态的单次从粗到细的反问题，转化为一系列条件更好的局部精炼问题。IR受到经典多重网格方法[60]指导原则的启发，该原则指出解决多尺度问题不应在单一细网格上进行，而应通过跨越分辨率层次结构分解来实现。

### 1.2 超分辨率数据同化的挑战
尽管具有吸引力，超分辨率数据同化本质上是一个困难的问题。第一个挑战是从低分辨率观测到高分辨率状态的逆映射是严重病态的。粗略测量丢弃了大部分物理相关的自由度，因此，许多不同的精细分辨率状态可能都与特定的粗略观测相容[57]。这种模糊性在湍流或激波主导的系统中尤为普遍，因为小尺度特征携带大量能量并能强烈影响后续演化[16, 27]。单次从粗到细的步骤可能导致过度平滑和高波数能量恢复不足，这一局限性在大放大因子的超分辨率中已被充分记录[30, 17]。尽管精细结构并非由粗略测量唯一确定，但它们仍然受到输运、耗散、强迫以及跨尺度非线性耦合相互作用的约束[27, 17]。这激发了使用额外结构对重建任务进行正则化的想法，并在可能的情况下，将其分解为各自条件更好的子问题。

第二个挑战是时间一致性。重建方法不仅要生成孤立时间步上合理的精细结构快照，还必须产生一系列演化过程保持动态一致性的状态。单次生成式超分辨率模型可能生成视觉上令人信服的细节，但若缺乏显式的时间条件，它们可能引入帧间抖动、虚假的小尺度伪影以及物理上不合理的过渡。类似的问题在视频和时空超分辨率中已被充分认识，循环或时间耦合设计常被引入以改善跨帧一致性[52, 18]。在连续的科学场景中，这些误差会迅速累积，并破坏下游预报或滤波的稳定性。

第三个挑战涉及在顺序同化循环内部署学习型超分辨率校正器。仅在干净输入或理想化先验上训练的校正器，在推理时可能遇到不同的条件分布。在闭环推理中，预报先验是从先前校正状态自回归生成的，每个精炼层级接收来自级联早期阶段产生的条件信息。因此，误差可能在时间和分辨率层级上同时累积。这种训练-测试差异与序列模型中的曝光偏差密切相关，当模型基于自身预测而非真实输入进行展开时，误差可能累积[6, 29]。我们通过将扩散校正器在学习型FNO预报器的教师强制输出上训练来解决这个问题，以便在部署前，校正器能接触到预报模型特征性的误差分布。

这些考虑表明，超分辨率数据同化不应被视为纯粹的预报问题或纯粹的图像风格超分辨率问题。相反，它需要一个在单一流程中结合动力学先验、观测校正、多尺度结构和概率重建的框架。这激发了本工作中开发的迭代精炼策略，其中重建通过重复的预报-分析操作，在跨越分辨率层次结构的过程中渐进式执行。

### 1.3 未解析尺度恢复任务
超分辨率数据同化中的一个核心问题是，该方法恢复的是物理相关的未解析尺度，还是仅仅重建了视觉上合理但低估了高波数能量的场。图1在二维Kraichnan湍流基准测试上预览了我们核心的实证发现。粗分辨率的32×32观测仅解析了其奈奎斯特截止波数k=16以下的低波数内容；所有高于此截止值的模式必须由重建方法推断。在此未解析范围内，谱上采样不包含有意义的能量，确定性增强型深度超分辨率（EDSR）网络[33]衰减过快，而单次扩散仅恢复了高波数尾部的一部分。相比之下，迭代精炼最贴近真实谱，表明其能显著更好地恢复精细尺度湍流结构。

图1：二维Kraichnan湍流基准测试上主要谱恢复结果的预览。蓝色阴影区域表示由粗分辨率32×32输入解析的观测到的低波数模式，而红色阴影区域表示必须重建的未解析模式（k>16）。谱上采样在超出粗分辨率奈奎斯特极限后丢失能量，EDSR过度耗散，单次扩散仅恢复了高波数尾部的一部分。迭代精炼在未解析范围内最贴近真实谱，证明了其对精细尺度湍流结构恢复能力的提升。

由于所提方法也被设计为一种学习型数据同化策略，我们进一步在图2中预览了其相对于集合卡尔曼滤波基线的精度-成本权衡。具有高分辨率Kraichnan动力学神谕访问权限的基于求解器的EnKF实现了最低的RMSE，但需要反复的全求解器集合预报。基于FNO预报的学习型EnKF成本低得多，但准确性显著下降。迭代精炼介于两者之间：它避免了在线求解器积分，同时实现了比学习型EnKF低得多的误差。这种比较激发了使用学习型预报-分析级联，而非纯粹的线性学习型滤波更新或昂贵的基于求解器的集合预报。