基于SAR测量的人工智能生成式热带气旋风场模型

《Tropical Cyclone Research and Review》：Generative Tropical Cyclone Wind Model by Artificial Intelligence Based on SAR Measurement

　　

遥感为监测热带气旋（TC）海面风场提供了不可或缺的观测手段，但传统数值模式或参数化模式往往低估结构细节，且存在采样不足的问题。研究人员利用300余份由Sentinel-1（S-1）合成孔径雷达（SAR）反演的CyclObs风场产品，以及来自200余个TC（2018–2024年）的国际气候管理最佳路径档案（IBTrACS）最佳路径数据，训练了极端梯度提升（XGBoost）和Transformer模型以重建二维TC风场，并在2024–2025年的100个独立TC上，与土壤湿度主被动（SMAP）、先进微波扫描辐射计-2（AMSR-2）搭载的微波辐射计测量以及步进频率微波辐射计（SFMR）测量进行了评估。Transformer取得了最高的逐点精度，相对于SMAP/AMSR-2的均方根误差（RMSE）为2.85 m/s，相对于SFMR为3.06 m/s，且与XGBoost和广义非对称Holland模型（GAHM）相比具有更优的相关性和结构相似性。然而，其沿轨重建结果表现出明显的小尺度振荡，而物理平滑的GAHM中不存在这些振荡，这表明数值上接近观测并不能保证物理真实性。这种纯数据驱动方法缺乏动力学约束，可能在轨道之间产生非物理伪影，因此需要独立的二维验证。与IBTrACS的结构验证显示，34 kt（R34）、50 kt（R50）和64 kt（R64）的相关性极佳（r ≥ 0.90），RMSE从42.71 km降至11.03 km，偏差趋近于零，证实尽管外雨带略有平滑，但内核梯度被忠实再现。在2–10 km分辨率范围内，RMSE几乎保持不变（约2.35 m/s），最大风速无系统性变化，表明更细的网格只会使非对称性更锐化，而不会改善误差指标，这可能是过拟合或插值所致，而非真实海洋信号。在风速高于50 m/s（极端风数据稀疏）以及移速大于11 m/s（对运动引起的非对称性学习不足）时，模型性能急剧下降，但这些局限性纯属统计性结果，缺乏机理性认识。因此，尽管Transformer优于传统模式并可用于常规业务TC预警应用，但在没有严格物理验证（理想情况下与动力模式耦合并采用偏差校正训练数据）的情况下，不建议将其应用于极端风速（>50 m/s）或快速移动风暴（>11 m/s）。

热带气旋（TC）强风是驱动巨浪、风暴潮、暴雨和沿海洪涝的关键因素。传统现场观测在开阔大洋覆盖不足，数值天气预报模式及再分析资料对TC强度存在系统性低估，参数化风场模型虽具有物理平滑性，却难以刻画真实台风中的非对称眼墙、雨带与涡旋相互作用等精细结构。合成孔径雷达（SAR）可提供高分辨率海面风场，IFREMER基于双极化Sentinel-1影像和ECMWF先验风场生成的CyclObs产品为人工智能建模提供了高质量训练标签。然而，现有AI模型多依赖再分析或低分辨率遥感反演作标签，难以再现眼墙附近的极端风速和强梯度。为此，Yuyi Hu、Weizeng Shao、Cheng Qiu、Lei Zhou等研究人员开展了本研究，论文发表在《Tropical Cyclone Research and Review》，目标是利用易于实时获取的IBTrACS最佳路径数据，通过机器学习和深度学习方法重建与SAR精度相当的高分辨率二维TC海面风场。

研究人员利用2018–2024年200余个TC的300余幅CyclObs SAR风场产品作为训练标签，以IBTrACS最佳路径参数为输入特征；独立验证样本为2024–2025年100个TC，参考SMAP、AMSR-2和SFMR测量。关键技术方法包括：参数化基线GAHM；基于梯度提升树的XGBoost；基于自注意力机制的Transformer。输入特征包括TC中心气压、最大风速、最大风速半径R_m、移速、移向、R34/R50/R64四象限风圈半径、距台风眼距离、相对于TC中心的角度及TC丰满度（TCF，表征风圈半径与最大风速关系的形态参数）。数据按80%/20%划分训练与拟合，采用单变量IQR与多变量马氏距离剔除异常值；Transformer为仅编码器结构，含3层、4头注意力、隐藏维度64，使用AdamW优化器训练。

研究结果分述如下。

验证重建TC风速：将5 km分辨率下Transformer、XGBoost和GAHM重建风速与SMAP/AMSR-2及SFMR对比。Transformer最优，对SMAP/AMSR-2的RMSE为2.85 m/s（r=0.84，散射指数SI=0.24），对SFMR为3.06 m/s（r=0.93，SI=0.16）；XGBoost与GAHM误差明显更大。风速>30 m/s时，Transformer的RMSE为6.07 m/s，结构相似性指数（SSIM）为0.87，优于XGBoost的0.76和GAHM的0.69。但沿SFMR航迹对比发现，Transformer风剖面存在明显小尺度波动，而GAHM虽然整体风速偏低，却物理平滑，说明逐点数值精度并不等价于物理真实性。

验证TC参数：从重建风场中提取R34、R50和R64并与IBTrACS比较。R34（N=8259）的r为0.90，RMSE为42.71 km，偏差为+11.60 km；R50的r为0.95，RMSE为17.67 km，偏差为+2.75 km；R64（N=1529）的r为0.94，RMSE为11.03 km，偏差为?0.67 km。这表明算法会略微平滑外雨带，但能忠实再现TC内核附近的径向梯度。

空间分辨率影响：在10、5、2 km分辨率下评估Transformer，RMSE几乎不变（约2.35 m/s，r=0.93，SI=0.14），最大风速无系统性变化。更高分辨率仅使非对称结构表现得更锐化，并未改善误差指标，提示细网格可能引入过拟合或插值伪影，而非真实海洋动力学信号。

案例研究：以2024年8月23日至27日太平洋TC Glima为例，Transformer重建风场比XGBoost和GAHM呈现更清晰锐利的非对称结构，但这些高分辨率细节可能来自训练数据过拟合，缺乏物理约束，应谨慎解读。

讨论部分指出，模型误差随风速增加而减小，但在风速>50 m/s时急剧增大，原因是极端风训练样本稀疏且海面过程高度非线性；模型对R_m和中心气压不敏感，说明所选特征能有效刻画不同尺度和强度的TC；当移速>11 m/s时误差显著上升，因为运动诱导的非对称性未被充分学习，且CyclObs训练偏差会传递至输出。但这些统计关系缺乏物理机制解释。结论部分表明，基于Transformer的模型在重建TC风场方面显著优于XGBoost和GAHM，满足TC预警业务对高时效和高精度风场的需求；但不建议将其用于风速>50 m/s或移速>11 m/s的情形，也不应期待提高分辨率能提升精度。任何业务或科学应用都需伴随严格物理验证，最好与动力模式结合；未来工作应考虑加入SFMR、下投探空等直接观测，或对CyclObs产品进行偏差校正。