近日，中国科大地球和空间科学学院李锐教授课题组和国家卫星气象中心张鹏研究员合作在利用人工智能反演风暴内部潜热释放率方面取得重要进展，研究成果以“Satellite-Based Fully Connected Neural Network Heating (FCNH) Algorithm for Estimating Latent Heating Rate Inside Storms”为题，发表在地球科学老牌期刊Journal of geophysical research（Nature Index）上。本论文的第一作者赵宏伟是中科大与国家卫星中心联合培养的第一位博士，通讯作者分别为中科大李锐教授和国家卫星中心张鹏研究员，中科大傅云飞教授也给予了详细指导。博士研究生杨述评、黄辰和李东分别提供了模式支撑、物理反演分析和人工智能方面的辅助。
定量估计降水潜热的三维结构对理解和模拟大气环流、云和降水对气候变化的反馈等至关重要。目前，利用潜热与卫星可观测量之间的物理联系实现潜热反演的方法越来越受到重视，但现有物理方法采用简单的解析公式进行潜热描述，无法捕捉潜热与降水观测之间复杂的非线性映射关系。
图1. FCNH网络结构图：特征表达模块Rp-Module、信息融合模块Fu-Module和回归预测模块Reg-Module，右侧为Rp-Module的详细结构。
图2. WRF模式模拟降水个例：（a）降水率垂直剖面；（b）WRF模拟潜热；（c）FCNH算法反演潜热；（d）VPH算法反演潜热；（e）；（f/g）三种方法在A/B降水系统中反演潜热的垂直平均廓线；（h）FCNH/VPH算法在降水系统A/ B中反演潜热与WRF模式潜热之间的空间相关系数。
在WRF模式模拟数据和GPM DPR实际观测数据上，将FCNH方法和课题组之前发展的物理反演方法VPH（Li et al.,2019）、美国NASA的CSH方法、日本JAXA的SLH方法反演结果进行了横向对比。研究表明，FCNH方法不仅通过学习天气数值模型模拟的海量降水-温度-潜热数据找到了基于物理算法所依赖的定量数值关系，而且在一定程度上克服了物理算法中固定而简单的线性定量关系所带来的问题。通过学习非线性和多变量映射关系，FCNH方法减少了简单线性模型造成的大气低层蒸发冷却的高估、冻结层附近的尖峰偏差等，有效提升了降水潜热反演的精度。
本研究首次采用人工神经网络方法利用各层降水剖面的详细信息进行卫星遥感降水云团内部潜热的三维结构研究，有助于我们深入了解神经网络在潜热反演任务中的学习效率、准确性和局限性。虽然研究也发现，目前的网络没有学习到WRF模式模拟数据中小概率样本的分布特征，这些在下一个工作（在投）中得到了修正。尽管存在不足，但该工作证实了人工智能在卫星遥感云雨参数中的巨大潜力，让人非常振奋。