“风云卫星遥感联合实验室”系列学术报告第十二期

湍流参数化是提升天气与气候模式性能的核心环节，我们在这一方向上的研究早期基于物理理论的发展，近年来则转向深度学习拓展。早期研究利用大涡模拟（LES）深入解析层状积云顶逆温处的混合机制，通过显式滤波与重构（Dynamic Reconstruction Model， DRM）方法合理区分可解析与不可解析尺度，显著改善云厚度、湍能回散与云顶夹卷的模拟；进一步的模型比较研究揭示传统湍流闭合在普朗特数与施密特数设定上的局限性，证明动态模型能更真实地表征热量与水汽的混合。随后，我们将上述理念应用于台风的公里级“灰区”模拟，结合尺度自适应的 MSKF 对流方案与具回散能力的Reconstruction and Nonlinear Anisotropy (RNA) 湍流模型，显著提升了台风的强降水预报。近年来，我开始探索以深度学习构建“可与动力框架一致训练”的 次网格过程模型，通过自动微分将数值求解器纳入损失函数，使机器学习参数化在耦合模式中保持稳定，可将预报有效时间显著提高。基于 JAX 构建的新一代 LES 模型 LEX 进一步验证了深度学习次网格参数化在灰区中的潜力，为未来多尺度湍流与对流参数化的发展提供了新路径。