近日，我室杨劲松团队在国际著名地学期刊Geophysical Research Letters 上发表了题为” Tropical Cyclone Multi-level Wind-Speed Structure Reconstruction from Sparse Dropsonde Data via Adversarial Learning”的研究论文。我室与上海交通大学海洋学院联合培养的博士生韩心海是论文第一作者，我室杨劲松研究员、我室出站博士后李晓辉副研究员和中山大学王久珂教授为通讯作者。合作者还有加拿大海洋与渔业部韩国奇研究员以及法国气象局Lotfi Aouf研究员。

热带气旋作为最具破坏力的极端天气系统之一，其风速结构的准确获取对风暴潮预报、灾害风险评估和数值模式初始场具有重要意义。然而，现有观测手段面临严重挑战：机载抛投式探空仪（dropsonde）虽能提供高精度垂直风速剖面，但受飞行安全和成本约束，只能沿有限轨迹稀疏投放，获得的观测数据在空间上极度不连续。传统数值和统计方法在处理如此稀疏数据时表现不佳，特别是在风速梯度剧烈变化的气旋核心区域，重构误差大，难以满足业务应用需求。

针对上述挑战，研究团队在前期合成孔径雷达（SAR）风速重构工作基础上（分别于2023年和2024年在 Remote Sensing 和IEEE Transactions on Geoscience and Remote Sensing发表），创新性地拓展到三维空间（图1）。该方法能够从极其稀疏的探空仪观测数据中构建风速的空间相关性，实现热带气旋38层风速结构的快速智能重构（图1）。

图1 用于热带气旋多层风速结构重建的模型框架图。输入风速从 HWRF 训练数据集中随机切分为独立层；在每个风速层中随机选取若干风速点及其位置作为输入，代表稀疏的抛投式探空仪数据（推理时使用基于真实方案的仿真或混合真实现场观测数据）。生成器重构风速结构，判别器评估重构数据的真实性；虚线表示对抗训练中的梯度流向。

为验证方法有效性，研究团队基于真实 Hurricane Hunter 飞行方案设计仿真实验，充分考虑飞行安全限制、探空仪下降过程水平漂移等实际约束。仅使用模拟三架飞机投放的36个探空仪剖面数据（仅占重构区域全部风速格点的0.023%），就成功重建了气旋完整的多层风速结构（图2）。

图2 利用 1000–100 hPa 范围内的稀疏数据，对 Guchol、Khanun 和 Lan 三个热带气旋的风速结构进行重构分析。第一列为模拟的稀疏抛投式探空观测（从 HWRF 样本中抽取并考虑下降过程水平漂移），第二列为深度学习模型的重构结果，第三列为 HWRF 真值。子图 (a–c) 对应 Guchol，(d–f) 对应 Khanun，(g–i) 对应 Lan。浅灰色层代表地表气压边界。为突出气旋内核，掩膜了部分数据。

在2023年飓风Lee的实际应用验证中，通过结合真实 Hurricane Hunter 观测数据和模拟数据，重构风速相较于机载多普勒雷达（TDR）基准数据的均方根误差比HWRF数值模式降低了19%，且重构过程仅需数秒完成，展现了准实时应用的巨大潜力（图3、图4）。

图3 结合真实Hurricane Hunter观测与模拟抛投式探空仪漂移的热带气旋Lee重构分析，并与HWRF风速对比。(a) 将真实Hurricane Hunter观测（黑色星号标记）与模拟水平漂移及稀疏HWRF风速样本组合作为模型输入。 (b) 利用所提出模型重构的多高度风速结构。 (c) HWRF风速。 (d) 将真实Hurricane Hunter观测（黑色星号标记）与模拟飞行路径及850 hPa层稀疏HWRF风速样本组合作为模型输入。 (e) 850 hPa层切片。 (f) HWRF在850 hPa层的风速结构。 (g) HWRF模式与重构的TC Lee径向风速剖面对比。 (h) 重构风速与HWRF在850 hPa层的风速差异。

图4 重构风速与 TDR 风速在五个等压层（750、800、850、900、950 hPa）的散点密度比较。上排为引入真实观测的重构结果，下排为未引入真实观测的结果。纳入真实抛投式探空仪数据显著提升了重构结果与 TDR 的一致性，特别是在高风速区域，体现在更低的 RMSE 值上。

该技术突破为深度学习在三维空间动力学场重构领域奠定了重要基础，未来研究将重点扩展为完整风矢量场重构（包含u、v、w分量），融入地形信息提升近地层精度，并探索与无人机、探空火箭等新兴观测平台的数据融合。随着技术不断完善，该方法有望为热带气旋业务预报、风暴潮数值模拟和资料同化系统提供高质量的三维风场初始场，显著提升预报精度和时效性，在防灾减灾中发挥重要作用。

本研究得到了国家重点研发计划项目（2023YFC3008100）、国家自然科学基金项目（42306200）、上海台风研究基金 (TFJJ202312)、南方海洋科学与工程广东省实验室（珠海）创新团队项目（311024004）和上海交通大学深蓝计划（SL2021ZD203）的资助。

论文引用：Han Xinhai, Li Xiaohui*, Yang Jingsong*, Jiuke Wang*, Guoqi Han, Wei Tao, Lotfi Aouf. Tropical Cyclone Multi-level Wind-Speed Structure Reconstruction from Sparse Dropsonde Data via Adversarial Learning[J]. Geophysical Research Letters, 2025, 52, e2024GL110661. doi.org/10.1029/2024GL110661.https://doi.org/10.1029/2024GL110661

相关文章：

1、Han Xinhai, Li Xiaohui, Yang Jingsong*, Wang Jiuke, Zheng Gang, Ren Lin, Chen Peng, Fang He, and Xiao Qingmei. Dual-level contextual attention generative adversarial network for reconstructing SAR wind speeds in tropical cyclones[J]. Remote Sensing, 2023, 15(9): 2454. doi: 10.3390/rs15092454.

2、Li Xiaohui, Han Xinhai, Yang Jingsong*, Wang Jiuke, and Han Guoqi*. Transfer learning‐based generative adversarial network model for tropical cyclone wind speed reconstruction from SAR images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2024, 62, 1–16. https://doi.org/10.1109/tgrs.2024.3390392.