基于深度学习的台湾海峡及其邻近海域海洋表面矢量风速降尺度处理，采用Pangu-weather模型

《Journal of Marine Systems》：Deep learning-based downscaling of ocean surface vector wind over the Taiwan Strait and its adjacent seas with Pangu-weather

台湾海峡及其周边海域高分辨率海洋表面矢量风（OSVW）预报研究，采用时空增强型UNet（TempE-UNet）对Pangu-Weather模型进行降尺度处理，将分辨率从0.25°提升至0.03°，并验证其时空信息融合对风场预测精度提升的效果。

　　

作者：余俊、李翔、王菊科、张云飞、杨冉、聂亚飞

单位：中山大学大气科学学院，南方海洋科学与工程广东实验室（珠海），中国珠海 519082

摘要

作为渔业和海上运输的关键经济枢纽，台湾海峡及其周边海域迫切需要具有较长预报时效的高分辨率海表矢量风（OSVW）预报。然而，由于复杂的季风系统和独特的地理环境，该地区的OSVW预报尤其具有挑战性。在这项研究中，我们开发了基于UNet的深度学习（DL）降尺度方法，并将基于DL的天气预报模型Pangu-Weather的分辨率从0.25°提高到了0.03°，以用于台湾海峡及其周边海域的OSVW预报。该模型使用了来自中国气象局高分辨率陆地数据同化系统（HRCLDAS）的高分辨率（0.01°）大气再分析数据进行训练。结果表明，在120小时（5天）的预报窗口内，Temporal Enhanced UNet（TempE-UNet）的整体预报性能略优于时间无关的UNet。此外，TempE-UNet比标准UNet更准确地捕捉到了局部风场特征。我们的研究结果表明，将时间信息作为额外的预测因子可以提高降尺度性能，为OSVW的实用预报提供了一种有前景的方法。

引言

海表矢量风（OSVW）通常定义为海面上方10米处的风速（Wind₁₀），符合世界气象组织（WMO）的标准（Stoffelen等人，2019年）。它在海洋气象学中起着基础性作用，尤其在沿海地区至关重要（Lu等人，2018年；Ren等人，2021年）。在这里，复杂的海气相互作用影响着一系列高风险活动，包括支持全球超过50%贸易的海上航行（Verschuur等人，2022年）、提供全球30%以上海产品的中小型渔业（Viana等人，2023年），以及为居住在沿海地区、易受风害影响的约40%全球人口提供的灾害减缓服务（Steven等人，2023年）。

台湾海峡作为连接东海和南海的动态通道（图1），是一个需要准确高分辨率风预报的关键区域（Hsiao等人，2021年；Hung等人，2021年）。这条战略性的水道在2022年促进了价值约2.45万亿美元的货物运输，其周边沿海地区有约2300万人面临台风和其他极端风事件的风险（Coutaz，2018年）。海峡独特的地形，位于台湾和福建省之间，产生了复杂的风场模式，这对预报提出了重大挑战，特别是在季风转换和恶劣天气期间（Wei，2015年；Ren等人，2022年；Chou等人，2025年）。

数值天气预报（NWP）系统，如欧洲中期天气预报中心的综合预报系统（ECMWF-IFS；Wedi等人，2015年）、国家环境预报中心的全球预报系统（NCEP-GFS；Saha等人，2010年）以及中国气象局的全球/区域同化与预报系统（CMA-GRAPES；Shen等人，2023年），构成了现代气象预报的基础，是海表风预报的主要方法。这些全球系统的分辨率通常在约${0.25}^{°}到$（约31–110公里）之间，这不足以解析沿海地区的细尺度过程。尽管如此，已经开发了针对区域精细化预报的NWP系统，例如高分辨率快速更新（HRRR）、北美中尺度预报系统（NAM）和中国气象局中尺度模型（CMA-MESO）。然而，所有这些系统都使用3公里的网格间距，这种高分辨率配置带来了显著的计算限制，使得预报时效不超过72小时（HRRR为48小时，NAM为60小时，CMA-MESO为72小时）（Huang等人，2022年；Brewer等人，2025年）。

深度学习的最新进展彻底改变了天气预报，产生了诸如FourCastNet（Pathak等人，2022年）、Pangu-Weather（以下简称Pangu；Bi等人，2023年）、GraphCast（Lam等人，2023年）、FuXi（Chen等人，2023年）和AIFS（Lang等人，2024年）等机器学习天气预报（MLWP）模型。这些模型在全局短期到中期预报（例如0–10天）中的关键气象变量（包括10米风速分量U₁₀和V₁₀）方面表现出优于传统NWP系统的性能（Bi等人，2023年；L. Chen等人，2023年；Lam等人，2023年；Lang等人，2024年）。值得注意的是，在风速预报方面，Pangu模型在台湾海峡及其周边海域的表现优于ECMWF-IFS（Liu等人，2024年；Shi等人，2025年；Yi等人，2024年）。然而，MLWP模型本质上受到其训练数据分辨率的限制，即ECMWF的第五代大气再分析数据（ERA5；Hersbach等人，2020年），其固有网格分辨率为0.25°（约31公里），不足以解析进行准确区域Wind₁₀预报所需的中尺度过程。为了解决这一分辨率限制，从头开始训练一个与最先进的全球模型相当的高分辨率区域MLWP模型在计算上是不可行的。此外，这种方法仍存在一些关键缺点，包括区域边界条件不一致、高分辨率训练样本不足、小尺度和中尺度系统的过度平滑，以及由于缺乏物理约束而导致的快速误差累积（Adamov等人，2025年；Gao等人，2025年；Xu等人，2025年）。这些挑战促使人们开发出更实用和成本效益更高的替代策略。

为了解决在有限计算资源下MLWP模型预报分辨率相对粗糙的问题，Brewer等人（2025年）提出了基于GraphCast预报结果进行降尺度的方法。这种方法最终实现了3公里分辨率的风速预报，能够准确预测下坡风暴。Jin等人（2025年）使用Pangu的预报结果进行了降尺度处理，在德克萨斯州和中欧完成了3公里分辨率的风速预报，其预报性能比ECMWF的高分辨率预报（HRES）提高了23%。Li等人（2025年）进一步利用FuXi 2.0的预报结果进行了降尺度处理，实现了1公里分辨率的降水预报。值得注意的是，这一结果优于FuXi 2.0的插值预报结果和HRES预报结果。现有研究结果完全证实了基于AI模型预报结果进行降尺度研究的可行性。然而，将这些方法应用于具有复杂地理条件的台湾海峡地区仍需进一步验证。

在这项研究中，我们采用Pangu模型作为代表性框架，并使用广泛采用的卷积神经网络（CNNs）架构UNet（Ronneberger等人，2015年）来开发台湾海峡Wind₁₀场的降尺度模型。这些模型在高分辨率大气再分析数据集上进行了训练，但采用了不同的训练策略。通过模型间比较以及与插值Pangu的结果对比，评估了所得高分辨率（0.03°）预测的有效性。

数据与预处理

本研究建立的基于深度学习的降尺度方法针对Pangu模型的3小时风预报（东西向U₁₀和南北向V₁₀分量）。水平分辨率为0.25°。通过将ERA5数据作为输入，为Pangu模型生成3小时、6小时、12小时和24小时的全球预报。然后将这一降尺度框架应用于覆盖台湾海峡及其周边海域（东经118°–124°）的120小时预报。

降尺度OSVW的空间验证

为了评估细尺度风特性，我们比较了Pangu、Bilinear、Bicubic、TempE-UNet和HRCLDAS在随机时间步长的Wind₁₀快照。

对于第一个案例，我们随机选择了2023年7月14日00:00 UTC初始化的预报（图3a–f）。在同一天的15:00 UTC，HRCLDAS再分析显示台湾东北部和西南部沿海地区出现了由岛屿引起的环流风场，最大WS₁₀达到11–12米/秒。所有降尺度预测结果

讨论

两种深度学习降尺度模型在Wind₁₀预报上的差异可能主要源于它们不同的训练策略。UNet使用每天00:00 UTC和12:00 UTC初始化的9小时预报场进行训练。一方面，该模型可能没有学会与较长预报时效相关的预测偏差分布。另一方面，由于原始的低分辨率Pangu预报在24小时以内的预报时效表现出强烈的正偏差，模型

结论

基于UNet架构，本研究开发了两种降尺度方法，将Pangu风场预报的分辨率从0.25°提高到了0.03°。在测试集上，深度学习方法在预测精度（包括Wind₁₀的幅度和空间分布）方面显著优于空间插值方法（Bilinear和Bicubic）。通过将预报时效作为额外的预测因子，深度学习降尺度模型进一步

作者贡献声明

余俊：撰写 – 审稿与编辑，撰写 – 原始草稿，可视化，验证，方法论，正式分析，数据管理。李翔：撰写 – 审稿与编辑，撰写 – 原始草稿，监督，资源协调，调查，数据管理，概念化。王菊科：撰写 – 审稿与编辑，方法论，调查，正式分析，概念化。张云飞：撰写 – 审稿与编辑，验证，方法论，数据管理。杨冉：撰写 – 审稿与编辑，

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的财务利益或个人关系。

致谢

本研究得到了南方海洋科学与工程广东实验室（珠海）（SML2022SP401和SML2023SP207）的支持。我们感谢广州国家超级计算中心提供的计算资源。