[论文解读] 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 0

一句话总结

该论文训练一个四层多层感知机（MLP）以从七个海况预测量预测空气混入速度 Va，获得对谱Va的全球物理信息代理，并在风速-only及半经验方案基础上取得改进；使用HiWinGS数据进行验证，并将其应用于泡沫介导的气体传输和海盐排放。

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.

研究动机与目标

• 在大气–海洋模型中证明需要引入随海况变化的空气进入速度Va表示。
• 开发一个物理可解释的Va机器学习代理，该代理基于43年WW3回溯数据训练，能够分辨破碎浪的动力学。
• 展示Va的全球性能并对独立观测进行验证。
• 展示Va改进对泡沫介导的气体传输和海盐排放的影响。

提出的方法

• 在WW3中诊断破碎峰分布Lambda(c)，并通过 Va = B~ ∫ S(k)^{3/2} c^3/g Lambda(c) dc 计算 Va，其中 B~ = 0.1。
• 训练一个具有四个隐藏层（每层512个神经元）的多层感知机，将七个预测量（Hs、U10、风向、波龄cp/U10、波陡度kpHs/2、深度）映射到 Va。
• 使用Adam优化（学习率1e-3、权重衰减1e-4）并加入0.1的 dropout，在1980–2022数据上按80/10/10进行训练/验证/测试切分。
• 用RMSE、偏差和相关性对比被 withholding 的WW3参考和HiWinGS观测进行评估。
• 将ML Va与半经验（基于Cp、u*、Hs的Va）和风力-only（基于U10的Va）参数化进行对比。

实验结果

研究问题

• RQ1 机器学习代理是否能够使用常规可获得的预测量，在全球海况下重现谱Va？
• RQ2 ML Va是否降低了风力-only或半经验Va参数化在区域上的偏差，尤其是在风暴路径和涌浪区域？
• RQ3 将ML Va传播到泡沫介导的气体传输速度kb和海盐排放Msalt，与传统方案相比有何变化？
• RQ4 在独立的HiWinGS观测验证下，ML Va是否具有鲁棒性？
• RQ5 Va的ML参数化的局限性与适用域是什么？

主要发现

• ML模型预测的Va能够以很小的偏差（-0.018 cm h^-1），RMSE为0.11 cm h^-1，NRMSE为0.08，相关系数R=0.999，在2019–2022年期间与谱参考Va高度一致。
• 相较于基于风速（U10）或半经验方案，ML Va在全球空间格局和大小上具有改善，在中高纬度风暴路径和涌浪区偏差较小。
• HiWinGS验证结果为R=0.76，RMSE=64.2 cm h^-1，偏差=53.7 cm h^-1，表明在高风、急浪条件下具有一定技能，但在低风条件下存在一定高估。
• 将ML Va应用于kb和Msalt相对于谱Va全球偏差下降，kb偏差约0.1–0.4 cm h^-1（约1%的相对差异），非ML方案的Msalt差异可达约30%。
• ML参数化与谱估计呈现相似的全球排放格局，而风力或Hs基方案在某些区域过高估计、在其他区域低估。
• 验证表明该方法在深海高风条件下鲁棒，并且随着更多非平衡/浅水数据可用可以重新训练。