模拟信息驱动的深度学习框架优化风暴潮模型风应力拖曳系数参数化

《Journal of Ocean Engineering and Science》：A Simulation-Informed Deep Learning Framework for Wind Stress Drag Coefficient Parameterization in Storm Surge Model

　　

研究人员开发了一种模拟信息驱动的深度学习框架，用于动态修正风应力拖曳系数（wind stress drag coefficient, C_d）。该方法使模拟的最大风暴潮误差降低了32.2%，并优于大多数常用C_d方案。研究人员提出的基于深度学习的参数化方案能够以低成本利用新的观测数据进行更新，确保参数化方案的持续改进。

台风引起的风暴潮是沿海地区最具破坏性的自然灾害之一，准确模拟和预报风暴潮对防灾减灾至关重要。在风暴潮数值模型中，风应力是主导驱动因子，其贡献超过总增水的80%，通常通过风应力拖曳系数（C_d）和体公式进行参数化。然而，以往观测主要限于低风速，中高风速下C_d的估算存在很大不确定性，不同研究给出的转折风速阈值介于24–40 m/s之间。传统数据同化方法（如四维变分同化，4DVAR）虽可用于优化C_d，但计算成本高，限制了其普适性。纯数据驱动的深度学习参数化方案虽能捕捉非线性关系，但依赖高频观测、缺乏物理可解释性，难以与现有物理模型融合。因此，研究人员提出一种模拟信息驱动的深度学习框架，旨在优化物理参数化方案中的系数，在保持物理一致性的同时提高风暴潮模拟精度。

研究人员基于普林斯顿海洋模型（POM）在南海（SCS）开展了1985–2018年长时间序列风暴潮模拟，构建了包含1,127次模拟实验的训练数据集。开发了多模型风应力拖曳系数反演神经网络（C_d-INN），利用卷积神经网络（CNN）和双向门控循环单元（GRU）从气象场和模拟风暴潮中反演最优C_d，并将推断的C_d拟合为Large和Yeager（2009）形式的优化公式。评估表明，该优化公式使最大风暴潮平均绝对误差（MAE）降低32.2%，总体MAE低于其他六个常用参数化方案，且具有良好的空间泛化能力和稳健性。该框架可低成本地随新观测数据更新，为风暴潮模型参数优化提供了新途径。

研究使用POM模型，空间分辨率1/60°（约1.8 km），三维正压配置，四个sigma层，采用Mellor-Yamada level-2.5湍流闭合方案。风场由ERA5再分析风场与Holland模型风场混合（基于IBTrACS最佳路径）。观测海平面数据取自夏威夷大学海平面中心的JASL数据集，共5个验潮站，其中Zhapo、HongKong、Shanwei用于训练，Dongfang、Haikou用于独立验证。对每个台风案例，将Large和Yeager（2009）C_d乘以0.2–5.0（步长0.1）的系数，生成49种方案进行模拟，以构建C_d与风暴潮响应之间的关系。C_d-INN采用编码器-解码器结构，编码器使用CNN提取气象场空间特征，解码器使用带注意力的双向GRU，分别训练中高风速模型，输出6小时间隔的C_d。

**4.1 优化公式的性能评估**
将C_d-INN优化公式嵌入风暴潮模型，在南海5个验潮站的33个台风案例中与Large和Yeager（2009）方案比较。结果表明，优化公式在大多数案例中显著减小最大风暴潮模拟误差。例如，Zhapo站台风SALLY（1996）误差减小24.1%，MANGKHUT（2018）减小19.2%；香港站MANGKHUT误差减小23.5%；Shanwei站台风Koryn（1993）误差减小84.1%。各站MAE分别降低24.4%（Zhapo）、34.1%（香港）和71.3%（Shanwei）。独立验证站Dongfang和Haikou的MAE分别降低21.3%和25.7%，证实了空间泛化能力。

**4.2 与其他参数化方案的比较**
将优化公式与Large&Pond1981、Andreas2012、Takagaki2012、Edson2013、Peng&Li2015和Hwang2019六个常用方案比较。优化公式在总体MAE上最低，为0.141 m。在Zhapo站，其MAE（0.198 m）与Edson2013（0.197 m）相当；在香港站，其MAE（0.116 m）与Peng&Li2015（0.115 m）相当。Bootstrap重采样（10,000次）显示，优化公式相对七个基准方案的MAE降低幅度为3.1%–32.2%，其中六项具有统计显著性；与Peng&Li2015相比，95%置信区间包含零，表明两者性能统计上相当。

**4.3 稳健性评估**
通过留一站点检验，排除任一站点后，优化公式在六种情景中的五种取得最低MAE；排除Shanwei时，Peng&Li2015略优，差异仅0.002 m。留一台风检验中，逐一排除33个台风后，优化公式在所有情景下均保持最低MAE，平均绝对相对变化1.64%。案例误差分布显示，优化公式的绝对误差中位数为0.0935 m，第三四分位数为0.1970 m，比Large和Yeager（2009）的0.2810 m降低约30%。这些结果表明优化公式的性能不受个别站点或台风事件主导，具有良好稳健性。

**讨论与结论**
讨论部分指出，框架假设风场基本可靠，但实际风场存在不确定性，推断的C_d可能补偿了风场和模型的系统误差，因此应视为区域校准的有效系数，而非真实的空气–海水动量交换系数。此外，当前模型未显式考虑波浪过程，模型分辨率和近岸动力过程有限，且训练站点未区分局地特征，这些都会影响C_d的推断。框架的优势在于可以持续更新，在线推理成本很低（每样本约16秒），训练时间在单块RTX 4090上约2.5小时（双GPU并行可小于1小时），相比4DVAR等方法大幅节约计算资源。结论为：研究人员基于深度学习技术和海平面观测，开发了一种用于改善南海风暴潮模拟中风应力拖曳系数参数化的离线修正框架。对影响南海五个验潮站的33个台风案例的评估表明，优化公式显著优于原始公式，将最大风暴潮MAE降低了32.2%，验证了人工智能优化方法的有效性。与其他六个基准方案相比，优化公式表现出竞争力，总体MAE最低（0.141 m），与Peng和Li（2015）方案（MAE=0.145 m）统计上相当。该框架具备连续更新的能力，随着新观测数据的获得，修正模型可以有效更新，从而保持或提高预测精度。