[論文レビュー] Data Driven Air Entrainment Velocity Parameterization by Breaking Waves

Xiaohui Zhou, Anton Darmenov+1 more|arXiv (Cornell University)|Feb 3, 2026

Ocean Waves and Remote Sensing被引用数 0

ひとこと要約

The paper trains a four-layer MLP to predict air-entrainment velocity Va from seven sea-state predictors, achieving a global, physics-informed surrogate for spectral Va and improving upon wind-only and semi-bulk schemes; it is validated with HiWinGS data and applied to bubble-mediated gas transfer and sea-salt emission.

ABSTRACT

Wave breaking injects turbulence and bubbles into the upper ocean, modulating air-sea exchange of momentum, heat, gases, and sea-spray aerosols. These fluxes depend nonlinearly on sea state but remain poorly represented in coupled atmosphere-wave-ocean models, where air-entrainment velocity is often parameterized using wind speed or significant wave height alone. We develop a global machine-learning parameterization of Va trained on a 43-year WAVEWATCH III simulation that resolves the breaker-front distribution and associated energetics. A multilayer perceptron with seven physically motivated predictors (wind speed, wave height, wave age, steepness, direction, and depth) reproduces spectral-reference Va with high skill. The model reduces longstanding biases in bulk formulas, notably overestimation in swell-dominated low latitudes and underestimation in storm tracks. Applied globally, it improves bubble-mediated CO2 transfer velocity and sea-salt aerosol emission, reducing errors by an order of magnitude. Validation against independent HiWinGS observations supports robust deep-water performance.

研究の動機と目的

• 海況状態に依存する空気取り込み速度 Va の表現の必要性を大気–海洋モデルにおいて動機づける。
• breaker ダイナミクスを解く 43 年間の WW3 ハインキャストに基づく物理的に解釈可能な Va の機械学習サロゲートを開発する。
• グローバルな Va の性能と独立した観測との検証を示す。
• Va の改善が気泡を介したガス移動と海塩放出に与える影響を示す。

提案手法

• WW3 における破壊冠分布 Lambda(c) を診断し、Va を Va = B~ ∫ S(k)^{3/2} c^3/g Lambda(c) dc で算出、B~ = 0.1。
• 7 個の予測子（Hs, U10, 風向, 波齢 cp/U10, 波陸斜 kpHs/2, 深さ）をマップする、4 層の隠れ層を持つ多層パーセプトロンを訓練して Va を推定。
• Adam 最適化法（lr 1e-3, ウェイト減衰 1e-4）とドロップアウト 0.1 を用い、1980–2022 年データを訓練/検証/テスト（80/10/10）に分割。
• RMSE, バイアス, 相関を用いて、差分 WW3 リファレンスと HiWinGS 観測に対して評価。
• 機械学習 Va を半経験的（Cp, u*, Hs に基づく Va）および風のみ（U10 に基づく Va）パラメータ化と比較。

Figure 1: Schematic of the machine-learning framework used to parameterize the air-entrainment velocity ( $V_{a}$ ). Seven physically based predictors are derived from WAVEWATCH III simulations: significant wave height ( $H_{s}$ ), 10-m wind speed ( $U_{10}$ ), cosine and sine of wind direction ( $\

実験結果

リサーチクエスチョン

• RQ1 世界の海況状態を用いた日常的に利用可能な予測子を使って、スペクトルベースの Va を再現できる機械学習サロゲートは作れるか。
• RQ2 ML Va は風速ベースまたは半結束スキームに基づく局所的バイアスを低減し、特に嵐域とウエーブ継続域での改善を示すか。
• RQ3 ML Va が従来のスキームと比べて気泡を介したガス移動速度 kb および海塩放出 Msalt にどのように伝播するか。
• RQ4 独立した HiWinGS 観測での検証に対して ML Va は頑健か。
• RQ5 Va ML パラメータ化の制限と適用可能性のレジームは何か。

主な発見

• ML モデルによって予測される Va は、スペクトル参照 Va を小さなバイアス (-0.018 cm h^-1)、RMSE 0.11 cm h^-1、NRMSE 0.08、R=0.999（2019–2022）で再現。
• ML Va は風速ベース（U10）や半経験的スキームに基づく Va と比較して全球的空間パターンと大きさが改善され、中緯度嵐域やウエーブ成長域でバイアスが低減。
• HiWinGS バリデーションは R=0.76、RMSE=64.2 cm h^-1、バイアス=53.7 cm h^-1 を示し、高風・急波条件下でのスキルを示すが、低風条件下で過大評価の傾向。
• ML Va を kb および Msalt に適用すると、スペクトル Va に対する全球的バイアスが低減し、kb バイアスは約 0.1–0.4 cm h^-1（相対差約 1%）で、Msalt の非 ML スキームでは最大約 30% のバイアス差が見られる。
• ML パラメータ化はスペクトル推定と同様の全球放出パターンを提供する一方、風速基準や Hs 基準スキームは一部領域で過大評価・過小評価が生じる。
• 検証は深海・高風条件での頑健性を示唆し、非平衡/浅水データが得られるほど再訓練可能。

Figure 2: Annual mean air-entrainment velocity $V_{a}$ in $cm/hour$ from 2019–2022 for different parameterizations. Panels (a–d) show $V_{a}$ computed from (a) the spectral model $V_{a}^{Spec}$ , (b) the machine-learning model $V_{a}^{ML}$ , (c) the semi-empirical formulation $V_{a}^{Semi}$ , and (d