使用数值模型结合基于机器学习的海洋垂直混合参数化方法，模拟西北太平洋超级台风博拉文（2023年）对海洋环境的响应

《Ocean Modelling》：Simulating Oceanic responses to Super Typhoon Bolaven (2023) in the Northwest Pacific Ocean Using a Numerical Model coupled with Machine Learning-Based Ocean Vertical Mixing Parameterization

本研究利用ROMS模型集成基于机器学习的垂直混合参数化方案，模拟了超强台风Bolaven对西北太平洋海洋的影响，结果表明ML方案能显著改善海表温度冷却和次表层热结构模拟，揭示台风对北太平洋副热带模态水的影响，但存在地形复杂区域的过估计问题，为气候预测中的物理信息机器学习应用提供了新思路。

　　随着全球气候变化的加剧，极端天气事件，特别是超级台风的发生频率和强度正在显著增加。超级台风，即达到四级或五级强度的台风，因其强大的风力和对海洋环境的剧烈影响，成为研究海洋响应机制的重要对象。特别是在西北太平洋地区，2023年至2024年间出现了十一场四级和五场五级超级台风。这些超级台风不仅会引发强烈的海洋垂直混合，还会导致表层海水冷却，并改变海洋的热盐结构。此外，台风的强风还会诱发海洋环流涡旋（cyclonic eddy），增强现有的涡旋，从而引发显著的涡旋诱导上升流。这种上升流将深层的营养物质输送至表层，促进局部生物生长，并在气候变化背景下缓解初级生产力的下降。同时，西北太平洋地区拥有复杂的海洋环流系统，包括黑潮、北太平洋流以及亚热带模态水（Subtropical Mode Water, STMW）。超级台风穿越这些区域时，必然会对海洋环流和水体结构产生深远影响。因此，深入理解超级台风对西北太平洋海洋环境的响应机制，对于揭示台风在气候变化中的作用，以及探索海洋动力学和生态系统的变化具有重要意义。

海洋数值模型是研究超级台风对海洋影响的重要工具。在本研究中，采用区域海洋模型系统（Regional Ocean Modeling System, ROMS）来模拟超级台风条件下的海洋动力学响应。然而，传统的海洋数值模型通常依赖于物理理论和经验公式来参数化海洋垂直混合过程，例如K-Profile Parameterization（KPP）方案、Mellor-Yamada 2.5（MY25）方案、Generic Length Scale（GLS）方案以及其他基于湍流动能（TKE）的方案。尽管这些方案在常规条件下表现良好，但在极端天气事件，如台风和冬季风暴等情况下，其参数化方法的复杂性和简化假设往往导致模拟结果与实际观测之间出现显著偏差。例如，Li等人（2023）使用KPP方案对2018年超级台风“山竹”进行了模拟，发现其模拟的海表温度（Sea Surface Temperature, SST）比卫星观测高出超过2°C。这种偏差限制了传统模型在极端天气条件下的准确性，特别是在台风路径附近区域。因此，提高海洋数值模型在超级台风条件下的精度，成为当前海洋科学研究中的一个重要课题。

为了克服传统海洋垂直混合参数化方案（Ocean Vertical Mixing Parameterization, OVMP）的局限性，近年来人工智能（Artificial Intelligence, AI）技术被引入到海洋数值模型中，以提升其对复杂非线性过程的模拟能力。AI方法能够从有限的数据中提取关键特征，并建立更精确的参数化关系。例如，Zhu等人（2022）利用热带大气海洋（Tropical Atmosphere Ocean, TAO）和大西洋热带研究浮标阵列（Pilot Research Moored Array in the Tropical Atlantic, PIRATA）观测到的垂直涡旋扩散率（Kh）数据，训练了一个AI模型以替代传统的KPP方案。Sane等人（2023）则利用第二矩闭合（Second Moment Closure, SMC）方案生成的涡旋扩散率数据，训练了一个AI模型以优化传统KPP方案中的速度尺度和形状函数。Yuan等人（2024）通过国家大气研究中心（National Center for Atmospheric Research, NCAR）的大涡模拟（Large Eddy Simulation, LES）模型生成了海洋垂直混合数据，并利用AI模型预测和修正传统KPP方案的参数化系数。Gao等人（2025）则基于并行化大涡模拟模型（Parallelized Large Eddy Simulation Model, PALM）输出的涡旋粘性数据，开发了一个基于AI的替代模型。这些AI驱动的OVMP方案在提升海洋数值模型性能方面展现出了显著优势，例如在模拟水温方面优于传统KPP方案。然而，这些AI模型仍然存在一定的局限性，例如其训练数据主要来自赤道区域的观测或单一地点的模拟，未能充分关注高风速条件下的海洋响应，这在一定程度上限制了其在真实极端天气情景中的适用性。

基于上述研究背景，本研究旨在开发一种基于机器学习（Machine Learning, ML）的OVMP方案，并将其与ROMS模型结合，以更准确地模拟超级台风条件下的海洋垂直混合过程。2023年10月7日至19日影响西北太平洋的五级超级台风“ Bolaven”被选为案例研究对象，因其具有极强的风力和显著的海洋响应，能够很好地代表机器学习方法在极端天气条件下提升海洋数值模型性能的潜力。为了构建ML模型的训练数据集，研究团队使用了PALM（一个高分辨率的大涡模拟模型）模拟台风“ Bolaven”作用下的垂直涡旋粘性（Km）数据。该数据集作为机器学习模型的关键输入，用于优化Km的模拟精度。通过将ML生成的Km参数化方案集成到ROMS模型中，并使用Forpy耦合器进行模型连接，研究团队得以评估该方案在台风条件下的模拟效果。

本研究的主要目标是验证ML驱动的OVMP方案在模拟台风“ Bolaven”期间海洋垂直混合过程中的有效性。传统的MY25和KPP方案在台风条件下往往低估了海洋垂直混合的强度，导致表层海水温度模拟结果与实际观测存在较大偏差。而基于机器学习的方案能够更准确地捕捉台风引发的强混合过程，从而提升对海洋热结构和动力学的模拟精度。通过与传统方案的对比分析，研究团队发现，采用ML方案的ROMS模型在模拟海表温度冷却和深层热结构变化方面表现出显著优势。此外，热力学分析表明，台风期间表层海水的冷却主要由强垂直混合、潜热损失和垂直平流共同驱动。这些过程在ML方案的模拟中得到了更精确的再现，使其更贴近卫星遥感和现场观测数据。同时，研究还发现，台风“ Bolaven”对亚热带模态水（STMW）的结构产生了明显影响，导致其面积和厚度的减少，这表明台风可能削弱了海洋的热储存能力，并对区域气候缓冲机制产生潜在影响。

在能量分析方面，研究团队进一步探讨了台风对海洋能量输入的贡献。结果显示，垂直粘性在台风“ Bolaven”期间是海洋能量输入的主要来源，这不仅促进了局部涡旋的生成，还增强了涡旋诱导的冷却效应。此外，研究还对台风“ Haikui”（2023年8月27日至9月6日）进行了额外的诊断分析，以评估ML驱动的OVMP方案在不同强度台风条件下的泛化能力。尽管ML方案在模拟台风“ Haikui”期间的局部冷却方面表现良好，但在复杂环流区域和陡峭海底地形区域，其对垂直混合的模拟仍存在一定程度的高估。这表明，虽然机器学习方法在台风模拟中具有广阔的应用前景，但其在不同地理和气象条件下的适应性仍需进一步优化。

综上所述，本研究通过结合机器学习与海洋数值模型，提出了一种新的海洋垂直混合参数化方案，并成功应用于超级台风“ Bolaven”和“ Haikui”的模拟中。研究结果表明，ML驱动的OVMP方案能够有效提升海洋模型在极端天气条件下的模拟精度，特别是在表层海水温度冷却和深层热结构变化方面。然而，该方案在复杂海洋环境中仍存在一定的局限性，需要结合更多样化的数据集进行进一步优化。未来的研究可以扩展训练数据的来源，涵盖更多极端天气事件和地理区域，以增强模型的泛化能力。此外，随着计算能力的提升和机器学习技术的不断发展，开发更加高效的参数化方案将成为提升海洋数值模型精度的重要方向。通过将机器学习与传统物理模型相结合，可以更好地理解极端天气对海洋环境的影响，并为气候预测和海洋生态系统研究提供更可靠的工具。本研究的成果不仅为台风条件下的海洋模拟提供了新的思路，也为应对未来可能更加频繁的超级台风事件提供了科学依据和技术支持。