近期，上海台风研究所与上海师范大学合作提出了一种针对复杂地形区域的基于深度学习的近地表风场降尺度模型——TerraWind。该模型可将公里级分辨率的风场数据提升至百米级分辨率，显著改善了风速和风向的降尺度效果，为近地表风场的降尺度提供了新的解决方案。

目前，风场降尺度方法主要分为动力降尺度和统计降尺度。动力降尺度虽能够提供较为精确的结果，但需要大量的计算资源;而统计降尺度方法往往忽视了地形与近地表风速间的非线性关系。为了解决这些问题，TerraWind模型(图1)提出了Wind-Terrain Aggregation(风-地形聚合)模块、GraphNet模块和AdaptNet模块，通过结合地形因素和观测站之间的关系，在多个尺度上捕捉地形对近地表风场的影响，从而提高了降尺度效果。以华东地区为实验对象，三年(2020年11月-2022年12月)1300个测站的独立样本检验显示，TerraWind相较于三种常用的插值方法(双三次插值、双线性插值和反距离加权法)，风速的平均绝对误差(MAE)和均方根误差(RMSE)分别降低了42.6%和33.3%;相较于四种深度学习模型(Wind-Topo、DeepCAMS、RCM-emulator和Uformer)，风速的MAE和RMSE上平均分别降低了35.3%和25.6%。尽管如此，TerraWind在大风速的下仍有进一步优化的空间，未来将针对极端天气条件进行改进。

图1. TerraWind模型架构

该研究成果在《Geophysical Research Letters》发表。研究工作受到国家自然科学基金联合基金项目“华东台风风场精细结构演变和预报-复杂下垫面影响研究” (U2142206)资助。上海师范大学廉洁副教授为第一作者、上海台风研究所余晖研究员为通讯作者，合作者为上海师范大学硕士研究生黄司戎和邵嘉豪，以及上海台风研究所陈佩燕研究员、汤胜茗副研究员和陆逸助理研究员。

论文信息：

Lian, J., Huang, S., Shao, J., Chen, P., Tang, S., Lu, Y., & Yu, H. * (2024). TerraWind: A deep learning-based near-surface winds downscaling model for complex terrain region. Geophysical Research Letters, 51, e2024GL112124. https://doi.org/10.1029/2024GL112124

原文链接：

https://agupubs.onlinelibrary.wiley.com/doi/10.1029/2024GL112124

扫码阅读原文

(文/审：廉洁、陈佩燕 复审：陈国民 终审：梅勇成)