面向海洋和大气的统一数据驱动边界层动量通量参数化
大气与海洋物理
2025-11-04 v1
摘要
边界层湍流，特别是垂直动量通量，塑造了风和流的演化，在天气、气候和生物地化过程中发挥着关键作用。本文介绍了用于海洋和大气对流边界层的统一、数据驱动的湍动量通量参数化方法。一个人工神经网络(ANN)在代表两种流体中广泛湍动力学情形的粗糙化大涡模拟(LES)数据上进行离线训练。通过对动量通量剖面进行归一化处理（以其表面值为基准），我们利用跨情形和跨流体的自相似结构，实现联合训练。ANN学习从平均风速或线速度剖面预测垂直亚网格动量通量剖面，捕捉到传统一阶闭合方案无法获取的关键物理特征，如向上梯度通量。当在Single Column Atmospheric Model(SCAM)中在线实现该ANN参数化时，相较于SCAM基线参数化，ANN参数化在复制LES中边界层风剖面演化方面表现更好，尤其是在对流条件下，误差降低了2-3倍。即使在表面动量通量偏高最高可达30%的情况下，ANN性能仍然稳健；并通过测试排除在训练数据集之外的LES案例确认了其泛化能力。本工作表明，机器学习有望在气候模型中创建跨边界层系统的统一且物理一致的参数化方法。
引用
@article{arxiv.2511.01766,
title = {Towards a Unified Data-Driven Boundary Layer Momentum Flux Parameterization for Ocean and Atmosphere},
author = {Renaud Falga and Sara Shamekh and Laure Zanna},
journal= {arXiv preprint arXiv:2511.01766},
year = {2025}
}