地形重力波可将地表动量向中高层大气输送，并通过高空动量沉积显著影响大气环流。由于重力波的水平尺度跨度较大（约1–1000 km），现有数值模式难以完全解析其动力过程，需依赖参数化表征。然而，传统方案基于大量理论假设，存在显著的不确定性。尤其是广泛采用的“单柱近似”，使得模式难以描述次网格重力波的水平传播效应。近年来，随着机器学习的发展，利用高分辨率数据构建数据驱动的参数化方案，为克服传统方案的局限性提供了新路径。

本研究基于WRF模式，在青藏高原地区开展了高分辨率数值模拟（水平分辨率4 km，垂直分辨率约500 m）。通过高斯滤波和空间平均，获得粗网格的背景场及相应次网格重力波拖曳。在此基础上，构建基于自注意力机制的神经网络模型（GWNN），对次网格地形统计变量（VAR, CON, OA, OL）及背景场变量（U, V, T, P, Q）进行联合建模，并通过线性映射输出拖曳（GWDX, GWDY）。

针对重力波的水平传播，本研究训练了三个模型：仅包含局地（单柱）信息的GWNN-01，以及分别引入周围5个和9个格点信息的GWNN‑05和GWNN‑09。离线评估表明，相较于传统KD05方案，所有GWNN模型均能更准确地再现高分辨率模拟的拖曳特征。其中，GWNN‑09在训练阶段表现最佳，但在测试集上与GWNN-05表现相当，而仅依赖局地信息的GWNN‑01表现最差。

本研究构建了数据驱动的地形重力波参数化方案，并强调了引入非局地信息对于表征次网格重力波水平传播效应的重要性。
 

地形重力波,水平传播,机器学习,数据驱动参数化方案