转载于 ClimAI 智慧气象

今天介绍一篇最近发表在Communications Earth & Environment上的文章《Realistic tropical cyclone wind and pressure fields can be reconstructed from sparse data using deep learning》，这篇文章探讨了如何使用深度学习重建稀疏数据下的热带气旋风力和压力场。

研究显示，物理信息神经网络（PINN）是一种有效的数据同化算法，能够重建完整的二维和三维风力和压力场，并且能够准确重建飓风艾达。

一：引言

热带气旋在热带和中纬度地区造成了重大影响，对生命、财产和农作物构成严重威胁。准确了解并预测风场的当前状态对于高效的灾害应对和减灾至关重要。飓风预测通常采用动力学模型，这些模型基于控制流体动力学的物理方程。

虽然飓风预测技术已取得显著进步，但在预测飓风强度方面仍存在挑战。当前的研究集中于开发新技术和框架，以更准确、高效地整合观测数据，以期改进或替代现有预测方法。

二：数据及其方法

文中数据源于SHiELD模型，该模型采用了GFDL有限体积立方球（FV3）动力核心和类似NCEP GFS模型的物理参数化。重点是对2021年飓风艾达在墨西哥湾迅速增强的预测。

提供的数据有二维和三维格式，二维数据具有1小时时间和3.2公里空间分辨率，三维数据的时间分辨率为3小时，垂直分辨率约为15 hPa。

文章也利用了飓风猎人飞机和下投探空仪收集的实时飞行和探空数据，以帮助理解飓风的流场。

图1 一般PINN结构和训练数据示意图

文章采用方法：

1.物理方程简化: 运用简化的Navier-Stokes方程和连续性方程，考虑地球自转效应和压力坐标系统。

2.PINN结构: 构建了一个物理信息神经网络（PINN），它与传统的全连接神经网络结构相似，但在损失函数实现上有所区别。网络的输入包括空间和时间坐标，输出为风速向量和地势高度，通过多个隐藏层处理数据。

3.模型训练: 利用实测数据和物理方程对PINN进行训练，采用Adam和L-BFGS优化器进行迭代训练，以提高预测准确性。

4.风场重建: 通过PINN重建飓风艾达在不同预测时刻的风场，特别关注飓风在增强阶段的表现。

三：结果

3.1 二维案例

这部分介绍了使用物理信息神经网络（PINN）重建飓风艾达850hPa风场的方法。通过在每3小时采用交叉和加号模式采样数据点，模拟飓风猎人飞机的飞行路径，PINN能够准确捕捉风暴的大尺度结构和特征，包括最大风速位置和整体径向风速剖面。

图2 利用SHiELD模拟数据训练的二维PINN风速预测

这些结果表明，即使在数据点有限的情况下，PINN也能准确重建风暴的2维大尺度特征。

3.2 三维案例

这部分利用PINN成功重建了飓风艾达的全三维流场。通过在风暴核心区域和外围区域不同的数据点密度设置，PINN能够准确捕捉飓风的水平和垂直风场模式。

图3 利用SHiELD模拟数据训练的三维PINN风速预测。

尽管使用的数据点数量有限，但PINN仍然展现出了较高的风场重建准确度，这表明了PINN在飓风风场分析方面的有效性和潜力。

3.3 真实案例

在真实情况下，文章结合了SHiELD模型的预测数据和飓风猎人飞机记录的艾达飓风实际观测数据，使用物理信息神经网络（PINN）重建了飓风的风场和压力场。

图4 PINN输出结合了真实的飓风猎手观测数据和SHiELD预报数据

尽管PINN不是成熟的数据同化系统，它在重建准确性和与实际观测数据的相关性方面均优于HAFS模型，展示了PINN在使用最少数据高效重建真实热带气旋漩涡方面的潜力。

四：结论及其思考

这项研究表明，物理信息神经网络（PINN）可用于使用稀疏观测数据和简化的控制方程重建热带气旋漩涡。通过结合模型输出和实时观测数据，PINN能够重建飓风的大尺度特征，尽管它在捕捉最强风速方面存在挑战。

PINN的应用减少了计算资源的使用，并显示了在风暴潮预测、风险评估等方面的潜力。此技术为改善预测模型和其他应用提供了新的可能性，但仍需进一步发展以完善其功能。

文章来源：

https://www.nature.com/articles/s43247-023-01144-2