准确的海表风预报对航行安全和防灾减灾至关重要。海表粗糙度是影响海表风场预报的一个关键因素。然而，传统的海表粗糙度参数化方案主要是根据大气和海浪的观测数据进行拟合获得，对于捕捉大气和海浪参数间的复杂的非线性关系存在明显的局限性。由于估计的海表粗糙度存在较大不确定性，导致海表风的预报存在偏差。深度学习方法能够捕捉大量数据中复杂的非线性关系，因此，能否使用深度学习方法开发新的海表粗糙度参数化方案有待探究。

针对上述问题，清华大学地学系黄文誉课题组使用北大西洋的观测塔数据（Air-Sea Interaction Tower；ASIT），提出了一种基于深度学习的海表粗糙度参数化方案（DL2023）。离线单点实验结果表明，与四种传统的海表粗糙度参数化方案相比，基于DL2023方案模拟获得的粗糙度的均方根误差（RMSE）降低了50%以上（图1）。

图1 在训练集和测试集基于（a-b）DL2023 和（c-d）Porchetta2019 估计（y 轴）与观测（x 轴）的海表粗糙度（单位：米）的密度散点图。在训练集（e）和测试集（f）使用五种海表粗糙度参数化方案估计的海表粗糙度均方根误差（RMSEs；单位：米）。(g) 基于深度学习的海面粗糙度方案的深度神经网络示意图。

为探究新的海表粗糙度方案对数值模式中海面风预报精度的提升效果，研究成功将该方案应用到课题组开发的西北太平洋区域的海洋-大气-波浪耦合模式中。在2020年8月的五个台风案例中，与四个传统方案相比，在24、48和72小时预报时效下，使用DL2023方案预报的海表风的RMSE分别降低了6.02%至14.75%、11.17%至18.30%和11.91%至19.46%（图2）。因此，新的海表粗糙度方案能够成功改进西北太平洋海表风的预报。

图2 (a) 2020年 8月五个台风（x 轴）期间，DL2023（紫色圆圈）、Charnock1955（金色三角形）、 Taylor2001（蓝色五角星）、Drennan2003（绿色星星）和 Porchetta2019（粉色菱形）在 24 小时（左）、48 小时（中）和 72 小时（右）预报时效的海表风场的均方根误差（RMSEs；单位：ms^-1）。(b-g)台风黑格比期间，DL2023和Porchetta2019在24小时（左）、48小时（中）和 72小时（右）的预报的海表风速偏差（单位：ms^-1）的水平分布。

上述工作创新实现了深度神经网络在海表粗糙度参数化中的应用。值得注意的是，用于构建基于深度学习的海表粗糙度参数化方案的数据来自北大西洋的一个观测塔，而方案在西北太平洋的成功应用表明新方案具有很强的可迁移性。

相关研究近日以“Deep Learning-Based Sea Surface Roughness Parameterization Scheme Improves Sea Surface Wind Forecast”（基于深度学习的海表粗糙度方案改进海表风预报）为题发表在Geophysical Research Letters（地球物理研究通讯）上。清华大学地学系2020级博士生付舒为文章的第一作者，清华大学地学系黄文誉副教授为通讯作者，文章合作作者来自于清华大学、南京信息工程大学及北京林业大学。本研究得到国家重点研发计划（2020YFA0608000）、国家自然科学基金（42275154）以及清华大学自主科研（2019Z07L02011）项目的资助。

文章信息：

Fu, S., Huang, W., Luo, J., Yang, Z., Fu, H., Luo, Y., & Wang, B. (2023). Deep learning-based sea surface roughness parameterization scheme improves sea surface wind forecast. Geophysical Research Letters, 50, e2023GL106580. https://doi.org/10.1029/2023GL106580

全文链接：https://doi.org/10.1029/2023GL106580

供稿：付舒

编辑：王佳音

审核：张强