공간 해상도 향상을 위한 시간적 연결: 양방향 정렬을 활용한 기후 데이터 초해상화 기술

Temporal Bridges for Spatial Resolution: Enhancing Climate Data Super-Resolution with Bidirectional Alignment

고해상도 기후 데이터는 기상 예측 및 다양한 분야의 의사 결정 지원에 필수적입니다. 그러나 이러한 고해상도 기후 정보 획득은 비용이 많이 들기 때문에, 데이터 기반 기상 예측 모델 개발이 필요합니다. 이러한 모델들은 저해상도 데이터를 입력으로 받아 세밀한 기후 데이터를 생성하는 '기후 데이터 초해상화(SR)' 과정을 거칩니다. 최근 기후 데이터 SR 분야에서 딥러닝 기술 발전은 주로 단일 프레임의 공간 정보 활용에 집중되어 왔으며, 다양한 시간 프레임 간의 시간적 상관관계를 충분히 고려하지 못하여 SR 성능 향상에 한계가 있었습니다. 또한, 기후 데이터는 본질적으로 확률적이고 노이즈가 많아 광학 흐름 모델과 같은 기존의 시간 정렬 방법은 이 맥락에서 효과적이지 않습니다. 따라서, 기후 데이터 SR을 위해 잠재적인 시간적 상관관계를 효과적으로 활용하는 프레임워크 개발은 여전히 해결해야 할 과제입니다. 이에 본 연구에서는 양방향 시간 정렬을 사용하는 새로운 시간 기반 강화(Temporal-Enhanced) 프레임워크를 제안합니다. 이 프레임워크는 기후 데이터 SR에서 공간 해상도를 향상시키기 위해 시간적 연결을 구축하며, 이를 통해 개선된 SR 성능을 달성합니다. 이 프레임워크 내에서 Paired Latent Mapping은 잠재 공간을 통합하여 공간 정렬과 노이즈 감소를 달성합니다. 이후 양방향 시간 정렬(Bidirectional Temporal Alignment)은 순차적인 잠재 프레임을 사용하여 전진 및 역전 네트워크를 학습하며, 이를 통해 시간적 상관관계를 파악합니다. 마지막으로, Temporal Enhanced Super-resolution은 전체 프레임워크를 기후 데이터 SR에 최적화합니다. 대규모 실제 데이터셋을 사용한 실험 결과, 제안하는 프레임워크가 우수한 성능을 보이는 것을 확인했습니다.

High-resolution climate data is crucial for meteorological predictions and for informing decision support across diverse domains. However, the acquisition of such high-resolution climate information is often prohibitively costly, necessitating the development of data-driven meteorological prediction models. These models aim to generate fine-grained climate data from low-resolution inputs, a process termed climate data super-resolution (SR). Nevertheless, recent advancements in deep learning for climate data SR have primarily focused on leveraging single-frame spatial information, largely neglecting the temporal correlations between different time frames that could enhance SR outcomes. Furthermore, climate data are inherently stochastic and noisy, rendering widely used temporal alignment methods, such as optical flow models, ineffective in this context. Consequently, the development of a framework tailored for climate data SR that effectively captures implicit temporal correlations remains an unresolved challenge. To this end, we propose a novel Temporal-Enhanced framework with bidirectional temporal alignment. In essence, our framework establishes a temporal bridge to enhance spatial resolution in climate data SR through bidirectional alignment, leading to improved SR performance. Within this framework, Paired Latent Mapping achieves spatial alignment and noise reduction by unifying latent spaces. Then a Bidirectional Temporal Alignment captures temporal correlations by training forward and backward networks on consecutive latent frames. Temporal Enhanced Super-resolution then optimizes the entire framework for climate data SR. Experiments on large-scale real-world datasets demonstrated the superior performance of our framework.