333 / 2026-03-13 11:32:43

基于天河超算平台的异方差神经网络湍热通量参数化方案在热带太平洋海洋模式中的应用

热通量参数化,异方差神经网络,热带太平洋海洋模式

主题1 天气、气候、全球变化、行星大气 > 专题1.2 模式数值算法研究

国家超级计算天津中心作为首个国家级超算中心，已发展成为我国应用范围最广、高性能算力最强的超级计算中心，全面服务于科技创新，致力于构建创新链协同自强的发展理念，将“天河”打造成“国之重器”。在“算天”领域，中心为气象预报、气候变化等前沿科学研究提供支撑；在“算地”领域，为海洋环境工程、潮汐泥沙数值预报等应用提供强大的算力支持。天河系列超级计算机系统具备卓越的并行计算能力与高效运算效率，配套的天河操作系统构建了稳定可靠的高性能计算环境，为大规模气候模式模拟、复杂海洋物理过程分析提供了关键技术支撑。

海气界面湍流热通量的精确参数化是海洋及海气耦合模式模拟的关键。当前，传统块体公式方案（如COARE算法）在极端条件与强耦合区域存在系统性偏差；而现有基于人工智能的参数化方案，普遍缺乏对不确定性量化的描述，这一点对提升集合预报可靠性至关重要。本研究基于异方差神经网络（HNN），构建了一种全新的概率型湍流热通量参数化方案。该方案将通量输出表示为条件高斯分布，可同时输出条件均值（通量大小）与状态相关方差（对应不确定性）。离线验证表明，基于HNN的参数化方案性能显著提升：相较于COARE3.5，感热通量与潜热通量估算的决定系数分别提升3.6%与47.4%。为检验其实际应用效果，本方案被嵌入热带太平洋海洋环流模式。结果显示，该方案有效缓解了东太平洋湍流热通量被系统性低估的问题，模式模拟能力显著改善，Niño3.4区海表温度（SST）指数的相关系数从0.78 提升至 0.83。针对 1997/98 年超强厄尔尼诺事件的个例分析表明，中东太平洋改进后的热通量描述通过热力阻尼作用抑制了海表温度过度增暖，并通过增强海洋垂直混合强化了负浮力反馈。本研究表明，HNN 参数化方案可有效融合非线性建模能力与不确定性量化，为改进海洋模式中的海气通量描述提供了稳健框架。