用于气象降尺度的 Spherical Physics-informed Neural Operator 与多尺度耦合

气象降尺度对于高分辨率区域气候预测和灾害预警至关重要。尽管 neural operator 已成为建模复杂时空映射的一种有前景的范式，但现有框架通常难以应对球面流形的几何畸变、大气固有的多尺度耦合不匹配问题，以及缺乏显式大气规律的问题。我们提出 Spherical Physics-informed Neural Operator，利用 Spherical Laplacian Decomposition 将大气场划分为具有层次结构的频率分量，同时保持跨尺度的精确逐点对应关系。为在任意位置评估这些表示，我们引入一种局部化球面积分算子，通过几何感知注意力近似连续核变换。通过将可微分约束嵌入学习过程，进一步强化动力学一致性。大量实验表明，我们的框架在多种气象变量和未见过的查询位置上均取得了更高的精度和零样本泛化能力，为全球到区域气象降尺度提供了一种稳健且可解释的解决方案。