地形激发的背风波（Trapped Lee Waves, TLWs）是山区大气中常见的中小尺度波动过程，与航空颠簸、局地强风及边界层结构演变密切相关。然而，有效识别背风波需要百米级分辨率，仍缺乏具有统计意义的背风波观测。目前，区域中尺度模式分辨率已达公里级，但其对背风波的预报能力有待评估；全球中期天气预报模式分辨率一般为十公里级，次网格地形激发的背风波过程仍需参数化。针对上述问题，本研究以背风波频发的横断山脉地区为研究区域，综合利用风云四号（Fengyun-4，FY-4）百米级分辨率可见光资料、区域中尺度数值模式（CMA-MESO）以及中国气象局新一代天气—气候一体化模式（MCV），结合深度学习技术，分别开展了背风波的客观识别和特征分析、模式评估及数据驱动参数化方案研究。主要结论如下：
（1）基于FY-4A搭载的先进静止轨道辐射成像（AGRI） 500 m 分辨率可见光观测资料与 U-Net 深度学习图像分割技术，实现了对横断山脉地区三年冷季（11月至次年4月）背风波的自动识别，定量计算了背风波的波长、振幅、传播范围和方向。统计结果表明，研究区背风波的波长一般在午后伸长，主导波长多集中在12 - 16 km，振幅与传播距离在日间持续增强并于午后达到峰值，而传播方向全天变化较小。结合 ERA5 再分析资料诊断发现，波长演变与对流层下部 Scorer 参数倒数呈显著正相关，振幅和传播距离与近地层 Richardson 数的减小显著相关，波向主要受背景风向主导。首次利用观测数据揭示了低空风场、稳定层结及边界层状态对背风波时空演变特征的显著影响。
（2）利用FY-4B AGRI中1 km分辨率的可见光资料，客观评估了CMA-MESO业务模式对复杂地形区域背风波的解析能力。通过将统一的U-Net识别与二维小波变换方法同步应用于卫星观测和模式输出，实现波动空间位置及主导参数的直接比对。结果表明，在1 km水平分辨率下，CMA-MESO能够合理再现背风波的主要空间分布、主导波长、传播方向及其日变化特征；但模式仍存在高估极短波、低估极长波的问题，且傍晚振幅略强于观测。这表明CMA-MESO具备一定的背风波预报能力，但在精细化刻画背风波极端短（长）波及强度方面仍有优化空间。
（3）以CMA-MESO输出数据为基础，利用线性模型、多层感知机（Multilayer Perceptron，MLP）和U-Net构建了多个背风波次网格通量预测人工智能模型。离线试验表明，U-Net 模型能够准确重建动量、热量和水汽通量的垂直结构及其大小，模型预测四个通量的相关系数均超过0.95，低层决定系数超过0.9。沙普利加性解释（SHapley Additive exPlanations，SHAP）归因分析显示，模型的通量预测主要受低层背景风场和地形标准差控制，且层间贡献分布兼具局地依赖与非局地传播特征，证实该深度学习模型有效提取了与背风波动力学相一致的物理规律。进一步的聚类分析表明，背风波动量通量垂直结构表现为低层波导主导型和向上传播主导型两类结构。前者在近地面（0-500 m）存在停滞层，且Scorer参数在对流层低层（1-2km）明显比后者大，因此允许更高波数（即更短波长）的背风波在对流层下部形成和传播。
（4）MLP模型可大幅压缩参数规模的情况下维持了U-Net模型相当的预测性能，而线性模型预报性能较差。将MLP代理模型与MCV模式耦合。耦合过程中使用了如下两项约束：MLP代理模型从完全关闭（地形标准差为0 m）逐渐过渡到完全打开（地形标准差为200 m）；次网格波动通量从5 km 开始到10 km指数衰减为0以消除上传重力波在模式里的双重考虑。两周在线模拟试验（2022 年 7 月 20 日至 8 月 3 日）结果显示，引入该背风波参数化方案后，全球中低层（特别是 850 hPa和700 hPa）风速模拟误差得到了不同程度的改善，均方根误差（RMSE）减小约2%，多个典型复杂地形区的RMSE减小约10%。这一结果初步验证了数据驱动背风波参数化方案的科学可行性与业务应用潜力。
本文从背风波观测特征刻画、区域中尺度模式评估到面向全球中期天气预报模式的人工智能参数化方案的构建与在线测试，对复杂地形区背风波开展了系统的研究。相关结果加深了对背风波统计特征的科学认识，探索了自主构建基于物理规律的背风波人工智能参数化方案新路径。

背风波,深度学习,参数化方案,风云四号静止气象卫星,MCV模式