基于机器学习预测台风期间海表温度的下降趋势 张晔、蔡慧文、宋丹

《Remote Sensing》：Forecasting Sea Surface Cooling During Typhoons Based on Machine Learning Ye Zhang, Huiwen Cai and Dan Song

　　**亮点**

- **主要发现是什么？**
基于多层感知器（MLP）的预测模型在预测西北太平洋46个台风期间的海面冷却（SSC）方面表现良好，达到了较高的预测精度。该模型再现了SSC空间分布的经典向右偏移的不对称性，并捕捉到了台风动力强迫与海洋热响应之间的非线性关系。分析表明，SSC受到海洋热结构、中尺度涡旋和台风动力特征的影响，特征重要性分析确定了关键预测因子及其方向性效应。

- **主要发现的含义是什么？**
本研究中开发的MLP模型为预测台风期间的SSC提供了一种新的、高效的方法。它只需要少数关键输入即可做出可靠的预测，为开发海洋环境预报工具提供了实用的技术解决方案。这项研究揭示了台风引起的SSC是如何受到海洋初始热结构、中尺度涡旋和台风动力特征共同影响的。这些发现可以支持海洋灾害风险评估、沿海灾害预防、海洋水产养殖以及改进业务化海洋-大气耦合模型中的混合层参数化。

**摘要**

台风引起的海面冷却（SSC）对台风强度和区域海气相互作用有显著影响。本研究基于多层感知器（MLP）开发了一个机器学习模型，用于预测台风经过西北太平洋时的SSC。该模型使用台风前的海洋背景条件和台风峰值时的海洋状态作为输入，包括风场、海平面异常（SLA）、混合层深度（MLD）和100米深度的水温。通过对2002年至2018年的历史台风数据和多源海洋观测数据进行训练，该模型直接预测了2019年至2020年的台风事件期间的SSC。结果表明，该模型的平均绝对误差（MAE）为0.379°C，均方根误差（RMSE）为0.488°C，偏差为0.087°C。模型再现了SSC空间分布的典型向右偏移。在正常的海洋条件下（如分层适中且没有强涡旋干扰的开阔深水区域），模型表现良好，某些点的误差低于0.1°C。尽管在复杂的海洋环境和台风动力突然变化的情况下存在一些偏差，但模型仍能捕捉到整体的冷却趋势。这项研究证明了机器学习在台风-海洋相互作用预测中的可行性。所提出的框架可以为台风强度预测、海洋灾害预警和水产养殖风险预防提供技术支持。

**1. 引言**

热带气旋（TCs）是在温暖海洋上形成的中尺度天气系统。在西北太平洋，它们被称为台风。作为最具破坏性的自然灾害之一，台风带来强风、暴雨和风暴潮，威胁沿海地区。当台风经过海洋时，其中心的低气压和强风应力会导致上层和下层海洋之间的剧烈混合和分层。强风通过抬升作用加深混合层，并驱动上升流，重新分配表层海水，在上层海洋留下冷迹——即海表温度（SST）的下降，这种现象称为海面冷却（SSC）[1,2,3]。冷却幅度通常在1至6°C之间[4]，在极端情况下可超过10°C[5,6]。这种SSC减少了海洋向大气的热通量，削弱了台风的强度，并形成了一个负反馈循环[7,8,9,10,11]。在北半球，最大的冷却通常发生在台风路径的右侧[12,13,14]。SSC的幅度和范围不仅与台风强度和移动速度有关，还与海洋背景条件密切相关[13,15,16,17,18,19]。除了SSC之外，台风引起的混合和上升流还会将营养物质带到表面，导致快速的温度变化，从而影响海洋生态系统和沿海水产养殖[20,21,22]。因此，研究海洋对台风的响应机制、识别关键因素并改进台风预报和沿海渔业风险管理非常重要。

由于SSC的重要性，研究人员开发了完全耦合的空中-海洋模型来预测台风[23,24,25,26]。这些模型可以模拟台风引起的SSC[27,28,29,30,31]，但它们基于物理方程和数值方法，引入了不确定性并且计算成本较高。近年来，机器学习为研究台风-海洋相互作用提供了新的途径。在现有的关于SSC的机器学习研究中，一种常见的方法是将台风经过过程视为时间序列预测问题，逐步输入数据来追踪SST的变化。Zhang等人[32]使用LSTM网络根据当前的10米风速、海表高度（SSH）、SST和100米深度的水温来预测六小时后的SST。Shao等人[33]结合了经验正交函数分解和Conv1D-LSTM模型，利用海表高度异常（SSHA）和SST的时间序列来预测台风条件下的南中国海SST变化。他们的模型捕捉到了冷却趋势，尽管冷却幅度略低于实际观测值，但比持续性预测和线性回归表现得更好。

另一种方法通过直接将输入特征映射到输出结果来避免迭代。Zhao等人[34]构建了一个深度学习模型（RC_ViT），该模型结合了残差CNN、ConvLSTM和视觉变换器。它以过去七天的SST场、强迫风场、地形、当前时间和目标时间为输入，直接预测未来一天的SST分布，以预报台风冷尾迹。Cui等人[16]使用包含12个预测因子的随机森林方法，包括台风特征和台风前的海洋条件，来预测台风经过前三天到后十四天的SST异常。这些方法可以直接输出几天的SST场，但需要后处理才能获得冷却值。

与上述方法不同，一些研究人员尝试直接预测冷却。Wei等人[35]开发了一个三层神经网络，以风速、海表高度、SST和次表层水温作为输入，并直接输出SSC，然后将其反馈到WRF台风模型中。这种方法使WRF模拟的台风强度接近WRF-ROMS耦合模型的强度，并避免了固定SST导致的过高估计。Jiang等人[36]提出了使用分层神经元矩阵的浅层学习和深层学习神经网络方案。他们的方法将WRF模型中的最大风速MAE降低了60-77%，SST的MAE降低到了0.57-0.77°C。这些方法避免了误差传播，计算效率高，可以嵌入大气模型中以实现实时反馈。

这些研究为理解和预测台风引起的SSC开辟了新的途径。然而，大多数现有研究使用特定时间的瞬时值、历史时间序列或台风经过前或期间的平均条件。虽然这些输入反映了台风的总体强度，但它们无法准确捕捉台风期间作用在海洋表面的最强瞬时强迫。即使有研究使用了最大风速[29]，也只是使用了这个单一值而未同时提取其他海洋变量。实际上，驱动核心冷却过程的关键动力和热条件——垂直混合、抬升和上升流——通常对应于台风生命周期中的某个极端强迫状态：台风对海洋的“峰值扰动”。此时的风应力、海表高度异常和次表层热结构直接决定了后续SSC的幅度和空间分布。以前的研究都没有使用这套峰值时刻变量作为模型输入，这是当前研究中的一个空白。

为了解决这一空白，本研究构建了一个基于MLP的模型来预测台风期间的SSC。在特征选择方面，模型引入了台风期间最大合成风速时刻的瞬时变量。“最大合成风速时刻”定义为台风经过过程中给定网格点处合成风速达到最大值的时间。该模型将这些峰值时刻变量与台风前的背景海洋条件结合作为输入，直接输出SSC。与先预测SST再计算冷却的间接方法相比，直接预测避免了两步计算带来的误差积累，提高了预测精度。该模型基于2002年至2018年的台风和多源海洋数据进行了训练，并在2019年至2020年的台风案例上进行了独立测试。为了评估模型的可解释性和在不同海洋环境中的性能，本研究从多个角度比较了模型预测和观测结果，包括冷却的空间分布、沿路径和跨路径的剖面结构、海洋垂直分层以及中尺度涡旋的调制效应。

本文的其余部分组织如下：第2节描述了本研究使用的数据和方法；第3节介绍了模型预测、整体性能、典型案例分析和误差分析；第4节和第5节包含讨论和结论。

**2. 数据和方法**

- **2.1 多源卫星遥感数据**
本研究以西北太平洋（赤道以北至60°N，100°E至180°E）为核心研究区域，并使用卫星遥感和再分析数据产品来全面分析西北太平洋上层海洋对热带气旋的响应。所有数据的具体信息见表1。

- **2.2 特征选择和提取**
为了确定每个网格点的台风影响范围，本研究使用8级风（风速≥17.2 m/s）的半径作为标准。每个台风的动态影响区域是通过平均四个方向的8级风半径来定义的。对于任何受影响的点，起始时间记录为8级风圈首次覆盖该点的时间，结束时间记录为风圈离开该点的时间（风速<17.2 m/s）。根据以往的研究，台风路径上的SST在台风到达前1-5天开始响应[18,27,37]。因此，台风前5天的海洋条件被视为稳定的背景状态。

SSC本质上是动力强迫和热响应的结果。先前的研究表明，SSC的幅度和空间分布主要由两个因素控制：台风强迫的强度和海洋的初始热和动力状态。基于此，本研究采用了现有机器学习研究中常用的特征变量[32,35,36,38]，包括风场、海平面异常（SLA）、混合层深度（MLD）和100米深度的海洋温度，并增加了背景和峰值时刻信息，以捕捉控制SSC的关键物理过程。各变量在台风前5天的平均值被视为台风前的背景状态，代表初始海洋条件。其中，东西向风（uwnd_0）和南北向风（vwnd_0）代表上层海洋背景风场的初始扰动；海平面异常（sla_0）反映了背景中尺度涡旋活动的分布和强度；混合层深度（mld_0）决定了上层海洋的热容量，是调节SSC的关键热参数；100米深度的海洋温度（t100_0）代表了次表层的热储备。根据Price[39]的研究，强台风的典型垂直混合深度约为100米。因此，这个深度是评估台风对上层海洋热结构影响的关键层次。

在台风期间，识别出合成风速达到最大值的时刻，并提取该时刻的瞬时变量值。选择峰值时刻而不是台风经过期间的平均状态，是因为驱动垂直混合、抬升和上升流的关键动力条件通常对应于台风生命周期中的最强扰动状态。此时风应力直接决定了后续SSC的幅度和空间分布。这里，东西向风（uwnd_max）和南北向风（vwnd_max）代表了驱动垂直混合和上升流的直接强迫；海表高度异常（sla_wsmax）反映了峰值强迫时刻海表的局部动态响应，与中尺度涡旋的调制效应有关；100米深度的海洋温度（t100_wsmax）代表了峰值强迫时刻的次表层热条件。所有特征的物理意义在表2中进行了总结。表2总结了MLP模型中使用的输入特征。结合背景海洋状态和峰值阶段的变量，可以捕捉到海洋的初始热量储备以及台风的动态强迫作用。这种组合提供了对台风-海洋相互作用过程更完整的描述，并有助于提高预测的可靠性。2.3. 目标变量定义本研究的预测目标是SSC。根据以往的研究[40]，SSC定义为台风前的背景海表温度（）与台风过境期间和之后的最低海表温度（）之间的差值。首先，我们计算台风到达前某一点的背景海表温度（）。由于大部分显著降温发生在台风过境后的5天内[41]，因此将定义为从到台风过境后5天的最低海表温度（）。最后，SSC的计算公式为：2.4. 数据预处理我们首先按照以下步骤对数据进行了预处理：使用统计方法去除异常值；用K-最近邻（KNN）算法填充缺失值；通过滤波减少噪声；然后根据台风编号和时间戳将台风和海洋数据匹配，并插值到0.25° × 0.25°的空间网格上，时间分辨率为6小时。对于每个台风，使用8级风的平均半径来确定其影响范围，并提取相应参数以构建台风-海洋数据集。为了消除单位差异，所有输入特征都经过Z分数标准化处理，使得每个特征的平均值为0，标准差为1。数据被分为训练集和测试集。训练集包括2002年至2018年的410个台风，共有371,359个有效的网格样本；测试集包括2019年至2020年的46个台风，共有33,947个有效的网格样本。2.5. 模型构建与训练MLP是一种具有强大非线性拟合能力的前馈神经网络。它由输入层、几个隐藏层和输出层组成，层与层之间通过可学习的权重矩阵完全连接。我们使用网格搜索来调整超参数，包括隐藏层的数量、每层的神经元数量以及正则化参数（丢弃率和L2正则化强度）。最优配置为4个隐藏层，分别含有256、128、64和32个神经元。L2正则化系数设置为0.001，前三个隐藏层的丢弃率为0.2，最后一个隐藏层的丢弃率为0.1。MLP模型的结构如图1所示。输入层有9个神经元，对应于第2.2节中提取的9个输入特征（5个背景变量和4个峰值强迫变量）。图1. MLP模型架构示意图。在前向传播过程中，输入数据经过输入层，然后通过隐藏层中的线性运算（权重和偏置）和激活函数。数据最终到达输出层产生预测值。对于任意一层，一个神经元的输出由以下公式给出：其中是该层的权重矩阵，是偏置向量，是激活函数，也是下一层的输入。所有隐藏层都使用修正线性单元（ReLU）作为激活函数。为了加快训练速度，应用了批量归一化。模型使用Adam算法进行优化，初始学习率为0.001。在训练过程中，随机选择训练集的10%作为验证集来监控训练过程。采用提前停止策略来防止过拟合：如果验证损失连续6个周期没有下降，则将学习率减半；如果连续12个周期没有改善，则提前停止训练并恢复具有最低验证损失的网络权重。2.6. 特征重要性分析为了提高模型的可解释性，我们使用了SHAP（Shapley Additive Explanations）来分析每个输入特征的重要性。SHAP基于博弈论中的Shapley值，它将模型的预测分解为每个特征的贡献：这里，是预测值，是输入特征，是所有样本的平均预测值。正值表示该特征增加了预测的SSC，负值表示减少了预测的SSC。如图2所示，经向风速变量（vwnd_max, vwnd_0）和初始混合层深度（mld_0）对预测的影响最大。这证实了在峰值强迫时刻包含风速在模型中起着关键作用。就影响方向而言，mld_0、sla_wsmax和t100_0的SHAP值为负，这意味着这些特征的较高值会导致SSC预测值降低，即它们抑制了降温。所有其他特征的SHAP值为正，促进了降温。经向风速变量（vwnd_max, vwnd_0）的影响比纬向风速变量（uwnd_max, uwnd_0）更强，这表明经向风在该区域对海洋响应的影响更大。图2. 特征重要性总结。mld_0的负SHAP值表示它抑制了降温，这与普遍认为浅混合层有利于降温的观点一致。就海洋热条件而言，t100_wsmax具有促进降温的作用，而t100_0则具有抑制降温的作用，这种相反的行为表明海洋热状态对SSC有非线性影响。当风速超过某个阈值时，即使海底温度很高，强烈的垂直混合也会将冷水带到表面。这种非线性关系很难用传统的线性模型捕捉。对于SLA特征，sla_0促进降温，而sla_wsmax则抑制降温，这反映了中尺度涡旋在调节海洋对台风响应中的复杂作用。3. 结果与分析3.1. 评估指标我们使用了三个指标来评估模型的性能：平均绝对误差（MAE）、均方根误差（RMSE）和偏差（Bias）。它们的定义如下：其中是实际观测值，是模型的预测值，是样本数量。3.2. 与基线模型的比较为了评估MLP模型本身的贡献，我们将其与两种更简单的方法进行了比较：线性回归（LR）和随机森林（RF）。所有三种模型使用相同的输入特征和相同的数据分割方式。表3总结了比较结果。表3显示MLP在MAE、RMSE和Bias方面都优于LR和RF。与LR相比，MLP将MAE降低了21.7%，RMSE降低了16.9%，这表明台风引起的SSC是一个非线性过程，线性模型难以捕捉。通过使用多个非线性层，MLP能够更好地理解变量之间的复杂关系。与RF相比，MLP将MAE降低了11.7%，RMSE降低了8.6%。RF是一个强大的集成模型，性能优于LR，但不如MLP。这表明对于高维连续回归任务，深度神经网络可以比基于决策树的集成方法更有效地利用输入信息。关于偏差，所有三种模型都显示正值，意味着它们倾向于高估降温。然而，MLP的偏差比LR和RF小得多，这意味着其预测值更接近真实值。总体而言，MLP在预测台风引起的SSC方面表现最佳。3.3. 单个台风案例的误差分析图3a显示了46个测试台风的MAE分布。大约92%的台风的MAE低于0.6°C，68%的误差在一个标准差（0.253–0.506°C）范围内。这表明模型提供了稳定的预测结果。偏差分布（图3b）显示模型有高估降温的明显倾向。在测试集的46个台风中，33个显示出正偏差，平均偏差为0.087°C。对于大多数台风，预测偏差保持在0.4°C以内。对于MAE最大的10个台风，平均偏差为-0.020°C，其中7个偏差为负，3个为正。这意味着大部分较大误差来源于低估，与整体高估趋势相反。这表明当台风引起强烈降温时，模型倾向于低估，从而导致较大的误差。图3c显示了RMSE分布。RMSE的分布范围比MAE宽得多，表明虽然模型总体上准确，但少数较大误差（高达0.929°C）对RMSE有很大影响。图3. SSC预测误差的序列分布：(a) MAE，(b) 偏差，(c) RMSE。台风按照MAE值降序排列。实线代表每个台风的误差值，虚线表示平均值，阴影区域表示平均值±一个标准差的范围内。在(b)面板中，红色和蓝色阴影分别代表高估和低估的区域。3.4. SSC的空间分布为了测试该方法在不同台风案例中的适用性，选择了2019年至2020年间西北太平洋的六个台风：Fengshen（2019年）、Noul（2020年）、Hagibis（2019年）、Higos（2020年）、Halong（2019年）和Goni（2020年），如图4所示。这些台风涵盖了不同的强度、路径和海洋区域。Hagibis和Goni强度较大，影响范围包括开阔海洋和沿海地区。Noul和Higos生长迅速，在靠近海岸的地方形成。Halong和Fengshen是秋季台风，在开阔海洋中移动，路径向东，寿命较长。图4. 2019–2020年西太平洋台风路径图，显示了六个命名台风（Hagibis、Halong、Fengshen、Higos、Noul和Goni）每隔6小时的最佳路径轨迹。每个台风用不同的颜色表示，路径点用实心圆标记，终点用星号表示。白色圆点通过虚线连接，标记强度分类的关键转换节点，并附有强度类别的标签[42]。图5和图6比较了这六个台风的观测和预测SSC的空间分布。在大多数情况下，SSC分布是不对称的，最大降温通常位于台风路径的右侧。这是因为Ekman泵送和垂直混合在右侧更强，与以往的研究一致[12,13]。例如，Hagibis台风产生了一个新月形的冷尾迹，最大降温为4.96°C，位于路径右侧约39.2公里处。Halong和Higos台风也表现出向右偏的降温，最大降温分别为2.05°C（右侧4.1公里）和1.26°C（右侧64.3公里）。Noul台风的最大降温为1.94°C，位于路径右侧124.5公里处。Goni台风在菲律宾以东缓慢移动，在路径右侧形成了一个东北-西南方向的降温区，最大降温为1.29°C。这些例子都显示了向右偏的降温的共同特征。然而，Fengshen台风有所不同：其最大降温中心（1.47°C）位于路径左侧约950公里处，表明背景环流或台风结构的不对称性有时会主导降温分布。图5. 2019年台风引起的观测、预测和差异SSC的比较：(a–c) Hagibis，(d–f) Halong，(g–i) Fengshen。第一列显示观测到的SSC，第二列显示模型预测的SSC，第三列显示预测值与观测值之间的差异（预测值减去观测值）。图6. 2020年台风引起的观测、预测和差异SSC的比较：(a–c) Higos，(d–f) Noul，(g–i) Goni。第一列显示观测到的SSC，第二列显示神经网络预测的SSC，第三列显示预测值与观测值之间的差异（预测值减去观测值）。模型合理地再现了整体SSC分布和强度。一些预测非常准确。对于台风Higos，预测的最大降温幅度为1.25°C（位于21.75°N，114.75°E），与实际观测到的1.26°C非常吻合。对于台风Halong，预测与观测的最大降温幅度之间的差异仅为0.006°C。这些结果表明，模型的输出与观测结果大体一致，并且在开阔海域或地形简单的区域表现更好。然而，模型在预测空间细节和特定海洋环境方面仍存在局限性。对于台风Halong，预测的降温中心位于实际观测中心的东北方向约114公里处。对于台风Noul，实际观测到的最大降温幅度位于路径的右侧前方（17.5°N，107.5°E），而模型则将其定位在左侧和后方（13.0°N，115.75°E）。当台风强度大且移动缓慢时，风应力作用时间更长，冷尾流范围也会更大，但模型未能充分捕捉这一关系。在降温强度方面，模型误差通常与特定区域或台风不同阶段有关。对于台风Goni，预测的最大降温幅度（1.99°C）高于实际观测值（1.29°C），且预测的降温区域更为集中和强烈，这可能是由于模型高估了台风中心附近的风应力或垂直混合效率。对于台风Noul和Fengshen，模型低估了最大降温幅度，误差分别为-1.54°C和-1.29°C，这可能是由于模型对局部分层条件的表现不佳。台风Goni登陆菲律宾后重新进入海洋时，模型未能充分考虑陆地影响导致的强度减弱，并高估了降温幅度，局部误差为+1.40°C。从误差的空间分布来看，模型在台风强度或速度变化急剧的区域，或海洋地形与分层强烈相互作用的地方表现较差。在沿海地区（例如2019年台风Hagibis期间接近日本的位置），模型常常高估降温幅度，这可能与浅水效应和边界层摩擦参数化不确定性有关。在中国南海北部斜坡（例如受台风Noul影响的区域），模型误差显著增加，表明模型尚未完全掌握复杂地形如何调节上层海洋动力。

为了研究台风期间的海水垂直混合（SSC）的空间模式，并测试模型捕捉关键动态过程的能力，我们以每台风的最大降温点作为分析中心。该点被定义为8风圈内观测到的SSC值最高的网格单元。从这一中心出发，我们提取了两个剖面：一个沿台风路径的剖面（沿轨道），反映累积降温效应和尾流发展；另一个垂直于路径的剖面（横跨轨道）。在横跨轨道的剖面中，正值表示路径右侧，负值表示路径左侧，这有助于显示科里奥利力和风场结构引起的不对称性。基于这些定义，我们绘制了实际观测和预测的SSC剖面（图7和图8）。图7显示了2019年台风Hagibis、Halong和Fengshen最大SSC点的降温分析：沿轨道和横跨轨道的剖面。（a,d,g）显示台风移动路径和剖面中心位置的台风路径图；(b,e,h) 沿台风移动方向的SSC剖面；(c,f,i) 垂直于台风移动方向的SSC剖面。蓝虚线表示剖面中心的位置。图8显示了2020年台风Higos、Noul和Goni最大SSC点的降温分析：沿轨道和横跨轨道的剖面。（a,d,g）显示台风移动路径和剖面中心位置的台风路径图；(b,e,h) 沿台风移动方向的SSC剖面；(c,f,i) 垂直于台风移动方向的SSC剖面。蓝虚线表示剖面中心的位置。沿轨道的剖面显示了由台风移动引起的动态不对称性。对于Hagibis、Fengshen、Higos和Goni，台风后方的降温幅度明显大于前方。这是因为移动中的台风对海洋的影响时间更长，导致埃克曼泵送效应更加显著，上升的冷水经历了更持久的混合。模型通常低估了沿路径的降温幅度。例如，对于Hagibis和Higos，预测的剖面形状与实际观测相似，但降温值偏低。对于Halong，实际观测到的降温幅度在最大降温点周围几乎对称；模型再现了这一模式，但在距离中心约100公里范围内低估了降温幅度（最大低估值为-0.225°C），而在更远的地方则高估了降温幅度。这表明模型对中心附近最强的风应力反应不够强烈。对于Fengshen和Noul，沿轨道和横跨轨道的预测SSC剖面几乎都是平坦的，未能捕捉到实际的空间变化，预测值普遍偏低，可能是因为它们的最大降温点位于8风圈的边缘，而模型输入过于依赖台风中心附近的风速，忽略了边缘地区的海洋响应。

在北半球，科里奥利力和气旋环流使得最强的风应力、海洋混合和上升流发生在路径的右侧，从而导致最大降温中心向右侧偏移。横跨轨道的剖面证实了这一点：除了Fengshen之外，其他台风的最大SSC都位于路径的右侧，与前一节的结果一致。对于Hagibis，模型低估了路径右侧的降温幅度（正横跨轨道方向），并在左侧约100公里处高估了降温幅度（负横跨轨道方向）。对于像Higos这样强度较低的台风，模型在横跨轨道方向的表现较好，平均偏差仅为0.042°C，优于沿轨道方向。这表明模型能够模拟这类台风由科里奥利力和基本风场驱动的侧向混合过程。对于Halong，实际观测到的横跨轨道SSC剖面几乎对称，但预测的降温中心向右侧偏移了35.3公里，右侧被高估，左侧被低估。这可能是由于输入的风场右侧增强不现实，或者混合参数化对侧向变化过于敏感。对于Noul和Goni，模型一致低估了横跨轨道的SSC，预测平均值分别为0.308°C和0.547°C，而实际观测值为1.285°C和1.268°C。这表明在受复杂地形影响的区域，模型可能会低估侧向能量输入和混合效率。

为了更好地理解台风引起的海水垂直混合（SSC）的垂直物理过程及其对预测误差的影响，我们选择了六个典型台风的分析点。这些点位于台风路径的两侧，涵盖了不同的海洋环境，包括深海开阔区、大陆坡和浅滩。通过分析这些点的上层海洋温度剖面变化以及海洋参数（如混合层深度MLD和温跃层梯度（定义为从混合层底部到下方100米的平均温度梯度），我们研究了与垂直结构相关的预测误差的原因和模式。

3.6.1 初始海洋分层的影响
台风引起的SSC及其预测准确性不仅取决于台风强度，还取决于上层海洋的初始热结构。MLD和温跃层梯度是两个关键的背景参数。浅层MLD意味着上层海洋的热容量较低，对风应力更敏感，容易导致表面降温。强烈的温跃层会阻碍垂直混合，阻止冷水上升。2019年的台风Hagibis从低纬度移动到中高纬度，经过了不同的海洋环境（图9，表4）。在具有均匀分层和适中温跃层梯度的开阔深水区（P2和P3点），MLD约为23米，温跃层梯度为0.056–0.061°C/m。预测误差小于0.1°C，表明模型在中等条件下能够较好地模拟垂直混合。在更复杂的海洋条件下，误差较大。在P4点，MLD仅18米，温跃层梯度为0.052°C/m。上层海洋的热容量较低，垂直稳定性较弱。台风引起了强烈的混合现象，实际观测到的降温幅度为4.96°C，但模型低估了2.12°C。这表明模型难以模拟强烈的混合和上升流。温跃层梯度的差异也影响了模型误差。P5和P8点的MLD值相似，但温跃层梯度不同。在P5点，温跃层梯度较弱（0.063°C/m），模型高估了降温幅度1.16°C。在P8点，温跃层梯度较强（0.139°C/m），预测更为准确。这表明强烈的温跃层抑制了垂直混合，使得海洋响应更加稳定，预测也更容易。模型在深层混合层区域也存在局限性。P7点位于东京湾外的开阔水域，MLD为33米，是所有选定点中最深的。初始热容量较大，实际观测到的降温幅度较小，模型低估了1.11°C，可能是因为模型低估了深层混合层的混合效率。

在2020年的台风Goni（图10，表5）中，也观察到了类似的模式。例如在P2点，初始MLD为38米，表明热容量较大。温跃层梯度为0.0554°C/m，不会强烈抑制垂直混合。在这种条件下，海洋对台风强迫的响应主要由风应力驱动。模型预测的降温幅度为0.50°C，与实际观测到的0.54°C接近。温跃层梯度的影响也在台风Higos（图11a–e，表6）中体现出来。在P4点，温跃层梯度最强（0.2214°C/m），强烈的分层抑制了垂直混合，使得降温机制较为简单，模型误差小（-0.08°C），预测准确性高。台风Noul（图11f–j，表7）也支持上述结论。在相似的初始MLD条件下（P1为13米，P3为15米），位于深水区的P1点温跃层梯度较弱（0.0865°C/m），模型预测稳定，误差仅为+0.02°C。在P3点，温跃层梯度增加到0.0934°C/m时，误差变为-0.18°C，表明模型可能过度反应了混合抑制效应。复杂地形的影响
在地形复杂的浅海沿海地区，海洋对台风的响应与开阔海域不同。这里的预测误差不仅取决于台风的动力学和海洋分层，还受水深、底部摩擦力以及横向能量再分配的影响。这些因素使得模型在浅水区域的可靠性降低。以2020年的台风Higos为例（图11a–e，表6），最大的误差出现在P3处，这是一个浅水区域。当时台风正处于最强强度阶段。初始混合层深度（MLD）为15米，温跃层梯度较弱（0.0846°C/m），这些条件本应有利于垂直混合。然而，模型预测的降温幅度被高估了0.51°C。在浅水中，强风应力可以通过底部摩擦迅速消散，部分能量通过水平平流重新分布，从而降低了垂直混合效率。原本为开阔海域开发的混合参数化方法无法准确捕捉到浅地形的抑制效应。

类似的现象也出现在台风Noul中（图11f–j，表7）。浅水点P2和P4（水深<100米）的预测误差明显大于深水点P1的误差。P2的MLD仅为12米，模型预测的降温幅度被低估了0.18°C；而P4的MLD为11米，温跃层梯度为0.0663°C/m，模型预测的降温幅度被低估了0.68°C，实际观测到的降温幅度（1.22°C）是预测值（0.54°C）的两倍多。在浅水中，较薄的混合层和较弱的温跃层梯度都会促进垂直混合。台风的作用可以轻易触发强烈的底部摩擦混合和垂直掺混现象，但当前模型缺乏适用于浅水混合和底部边界层过程的适当参数化，从而导致降温幅度被低估。

台风Goni也展示了复杂地形的影响（图10，表5）。在吕宋岛东侧的P4处，水深较浅，模型预测与观测结果吻合良好，表明在没有强分层的浅混合层中，风驱动的混合过程可以较好地被模拟出来。但在位于菲律宾群岛之间的狭窄通道中的P5处，分层现象明显，模型预测的降温幅度被高估了0.39°C。观测结果显示，台风期间混合层从11米急剧加深到23米，台风过后又迅速恢复到14米。温度剖面呈阶梯状变化，强分层抑制了垂直掺混，实际观测到的降温主要来自水平平流和地形引起的混合。然而，模型高估了垂直掺混的作用。在南海深水区的P7处，尽管实际海表温度略有上升，但模型仍预测了显著的降温，误差为0.82°C，这表明在该区域台风期间的温度变化可能主要受平流影响而非垂直混合。模型未能区分这两种机制。在大陆坡上的P8处，观测到的降温幅度很小，但模型在弱分层条件下仍预测了显著的降温，这可能是由于台风到达该区域时已经减弱，垂直混合效率降低所致。

3.6.3. 台风动力结构的影响
预测误差不仅受海洋条件影响，还受到台风自身演变过程的影响。台风强度、速度或路径的变化会改变台风对海洋的驱动作用。当前模型无法完全捕捉这些变化，这是错误的主要原因之一。以2019年的台风Fengshen为例（图12，表8），其复杂的路径变化有助于我们理解台风动力学与海洋分层之间的相互作用。模型经常高估降温幅度，尤其是在初期、转折点和消散阶段。这表明当台风路径和强度快速变化时，模型难以准确模拟海洋响应。在转折点P3附近，背景温跃层梯度较强（0.0893°C/m），混合层深度从51米变浅至34米，强分层降低了垂直混合效果，但模型仍高估了降温幅度0.21°C。这可能是由于风场的变化改变了风应力与背景海洋流动的相互作用。该模型是为稳定移动的台风开发的，因此难以应对这种突变情况。在其他阶段也存在高估现象。在初期（P1），混合层最深（72米），温跃层梯度最弱（0.0501°C），理论上深混合层应有利于能量向下混合，但实际上台风强度较弱，风应力不足以搅动深层水体，观测到的降温幅度仅为0.27°C，模型高估了这一过程（误差+0.18°C）。台风转向并开始减弱后（P4、P5、P7、P8），强度下降，运动更加稳定，海洋分层为中等至强（温跃层梯度0.0676–0.0755°C），但模型仍预测了强烈的降温，未能反映出风力减弱后的新平衡状态。相比之下，在西向增强阶段（P2）和转向后的减弱阶段（P6），台风运动稳定，强度变化平缓，模型误差较小（-0.07°C和-0.13°C），表明当台风动力学稳定且海洋响应逐渐时，模型表现可靠。

3.7. 关键热力和动力学因素的分析
3.7.1. 上层海洋热结构的影响
台风期间海表温度的降温在很大程度上受台风来临前的上层海洋热结构控制。常用的海洋热含量（OHC）指数在浅水区、低温区或盐度分层强烈的区域存在局限性。为了更好地捕捉台风引起的降温机制，Price [39] 提出了垂直平均温度作为更可靠的热力指标，它表示从海表到100米深度的平均温度，能有效预测台风后的海表温度变化。根据Price的理论，Guan等人[43]将其应用于黄海和渤海等浅海区域，并进一步开发了温度异常参数。较大的垂直平均温度意味着上层海洋中的温度梯度较强，表明台风作用下的降温潜力更大；较小的垂直平均温度则表示降温潜力较弱。该参数综合反映了混合层深度、温跃层强度等因素，直接反映了上层海洋中储存的降温潜力。

对于每个台风，计算了台风来临前五天的平均垂直平均温度值。结果显示，大多数台风的垂直平均温度沿路径逐渐增加。例如，台风Hagibis的路径上，垂直平均温度增加了约6.99°C，表明它逐渐进入温跃层较深、分层较强的区域。台风Higos和Noul的路径上，垂直平均温度增加了超过3°C，表明经过的区域具备强烈的负海洋反馈条件。台风Goni进入南海后，其垂直平均温度从菲律宾东侧的负值迅速上升至4.46°C，反映了分层程度的显著增强。

3.7.2. 关键热力和动力学因素的分析中尺度涡旋的作用
背景：海洋过程中的涡旋可以改变海表面高度。当热带气旋经过一个冷涡旋（CE）时，冷却作用通常更强；而当它经过一个暖涡旋（AE）时，冷却作用则较弱[44,45,46,47,48]。在冷涡旋区域，强烈的上升流将深层冷水带到水面，产生“冷吸力”效应，导致深度达700米或更深的区域显著冷却。在暖涡旋区域，冷却主要来自垂直混合，但这种作用通常较弱[45,46]。这些不同的机制解释了不同涡旋在台风期间如何影响海表面冷却。为了展示每次台风前的涡旋背景，图15展示了台风前五天的平均海表面高度（SLA）场。图中标记出了8级风圈内的暖涡旋和冷涡旋。涡旋的识别遵循Chelton等人提出的基于海表面高度的自动化方法[49]。图15显示了每次台风经过前5天的平均SLA场，橙色边界线表示8级风圈，该半径内的背景中尺度涡旋被识别并标注（暖涡旋用红色三角形表示；冷涡旋用蓝色三角形表示）。白色圆圈内带有绿色数字的点是选定的观测点：(a) Hagibis；(b) Halong；(c) Fengshen；(d) Higos；(e) Noul；(f) Goni。
当台风路径穿过或靠近强冷涡旋时，实际观测到的海表面温度（SSC）往往比模型预测的要高，导致正误差。例如，在台风Hagibis中，其8级风圈内识别出12个冷涡旋和7个暖涡旋，在P3（20.6°N, 140.6°E）和P4（25.0°N, 139.5°E）附近发现了强烈的冷涡旋活动。如表4所示，P3和P4的观测冷却值分别为4.22°C和4.96°C，是所有选定点中最高的。然而，模型仅预测P4的冷却值为2.84°C，低估了2.12°C。这主要是因为模型未能完全捕捉到冷涡旋引起的强烈“冷吸力”效应。台风Halong也有类似的情况：在P3（20.5°N, 150.5°E）附近，实际观测到的冷却值为2.05°C，模型预测值为-0.25°C，表明了强冷涡旋的影响。涡旋强度在这种调节中起着关键作用。在台风Fengshen中，虽然识别出许多冷涡旋，但它们的强度普遍较弱，所有点的观测冷却值最多为0.70°C，预测误差在±0.2°C范围内，说明弱涡旋的影响有限，此时模型的预测更为稳定。
相比之下，在主要受暖涡旋影响的区域，实际观测到的冷却通常较弱，模型有时会高估冷却值，导致正误差。在台风Halong中，路径北部的P5到P8点实际观测到的SSC值低于0.2°C，但模型预测值普遍高于0.4°C，这可能与路径附近存在暖涡旋有关。暖涡旋通常具有深层暖水层和强烈的分层结构，抑制了垂直混合，阻止了冷水上升[46]。如果模型不能正确反映这种稳定作用，就会高估冷却值。在极端情况下，暖涡旋甚至可能导致表面轻微升温。例如，在台风Goni的P7点（14.5°N, 115°E），实际观测到轻微升温-0.14°C，但模型预测为降温-0.67°C，导致正误差+0.82°C。这反映了暖涡旋通过抑制混合和输送更温暖的海水来减少冷却的机制。
对于涡旋活动较弱的台风，如Higos和Noul，在它们的8级风圈内只发现了两个涡旋。如表6和表7所示，所有点的观测SSC值普遍较小（大多低于1°C），预测误差也较低。在没有强烈中尺度涡旋调节的环境中，台风引起的SSC主要由背景海洋分层控制。在这种条件下，模型的预测更稳定，准确性更高。
台风与涡旋之间的相互作用不仅涉及热量响应，还包括强烈的能量交换。台风经过时可以显著改变涡旋的动能和势能，能量变化范围达到10^14到10^15 J[50]。这表明中尺度涡旋在台风强迫下会发生重大动态调整，其能量重新分布可能进一步影响局部冷却的幅度和模式。大多数当前的预测模型，尤其是单维或简化的参数化模型，即使已知涡旋位置，也难以准确模拟台风后的涡旋真实响应。这可能是涡旋活跃区域系统误差的另一个重要原因。

3.8. 与环境参数相关的误差分析
为了进一步探讨预测误差的来源，我们选择了六个典型台风路径附近不同点的混合层深度（MLD）、温跃层梯度（thermocline gradient）和温度异常（），并分析了它们与预测误差的关系。如图16所示，箱线图显示这些参数与预测误差之间没有线性关系，也没有简单的增减趋势。这表明误差分布高度非线性，误差来源复杂，可能涉及多种因素的相互作用，包括台风强度、移动速度、背景海洋环流和海洋分层。图16显示了不同海洋环境参数下的预测误差分布，红色虚线表示零误差参考线。从图16a可以看出，当MLD超过35米时，箱高度最低，说明误差最小，表明模型在深层混合层条件下表现更稳定。图16b显示，当温跃层梯度适中（0.067–0.084°C/m）时，预测误差较小。当分层过强（>0.084°C/m）或过弱（<0.067°C/m）时，误差会增大。图16c显示，当温度异常低于0.94°C时误差最小，当Ta超过2.27°C时误差显著增加。总体而言，当混合层较深、温跃层梯度适中且温度异常较小时，模型预测更准确，即初始海洋分层相对稳定时预测效果更好。这与前面的误差分析结果一致。

4. 讨论
上述结果表明，MLP模型在预测台风引起的SSC方面表现良好，但在某些条件下存在偏差。在混合层较浅且温跃层梯度较弱的区域，模型倾向于低估冷却值。混合层较浅意味着表层海洋持有的热量较少，对风应力的响应更敏感；当温跃层较弱时，垂直混合增强，促进夹带和上升流。然而，模型输入并未直接反映垂直夹带效率，仅使用MLD和温跃层梯度作为间接指标。训练数据中极端冷却事件较少，导致模型难以准确预测这些情况，从而产生低估。在浅滩区域，模型倾向于高估冷却值。这主要是因为训练数据主要来自开阔海域。在深水区，大部分风应力能量用于垂直混合，底部摩擦可以忽略不计；而在浅水区，部分能量损失于底部摩擦，其余部分通过水平输送重新分配，从而削弱了垂直混合。该模型基于开阔海域的物理机理构建，未考虑水深和底部摩擦的影响。因此，它无法完全捕捉海底地形对混合的影响。当台风迅速增强或减弱时，预测误差会增大，因为模型输入是静态的。模型使用风暴前的背景条件和峰值强迫时的变量，但无法跟踪台风强度或移动速度随时间的变化。当风暴方向突变或强度快速变化时，输入无法反映这些变化。总体而言，该模型在深层开阔水域和分层适中的情况下表现良好，适用于快速预报或作为复杂耦合模型的简化替代方案。然而，在浅水区、极端分层条件下以及台风结构快速变化时仍存在局限性。用户在应用模型时应考虑这些因素。未来的工作可以加入水深和台风强度变化率等变量，以改善复杂条件下的预测准确性。

5. 结论
本研究开发了一个基于MLP的模型，用于预测台风经过期间的海表面冷却（SSC）。该模型有两个主要创新点：首先，它直接预测SSC而不先预测SST再计算冷却值，避免了误差累积；其次，它使用最大风速时刻的瞬时变量作为输入，包括风场、SLA和该时刻的100米水温。对46个独立台风案例的测试表明，预测的SSC空间分布与观测结果吻合良好，并准确反映了冷却值的典型向右偏移趋势。SHAP分析确定经向风速（vwnd_max, vwnd_0）和初始混合层深度（mld_0）是最重要的预测因子，其正负效应与物理原理一致。误差分析显示，该模型在开阔深水区且分层适中的情况下表现最佳。在混合层较浅和温跃层梯度较弱的区域，模型倾向于低估冷却值；在浅滩区域，则高估冷却值；当台风方向或强度快速变化时，误差较大。箱线图分析进一步证实，在分层稳定的区域预测准确性更高。该模型仅需九个输入变量，计算效率高，可作为台风-海洋耦合预报的有效工具。其误差模式也为改进混合层参数化提供了有用信息。在复杂海洋环境和台风结构快速变化的情况下仍有改进空间。未来的工作可以考虑加入水深和台风强度变化率等变量以优化预测。