【论文速递：融合地形与风向约束的深度学习风场精细化降尺度研究】

【论文引用】：
Ding S, Zhi X, Pan M, et al. Direction‐informed deep learning with topographic fusion for 10m wind downscaling. Earth and Space Science, 2026,13, e2025EA004991. DOI:10.1029/
2025EA004991

近地面风场是大气科学研究、气象业务预报以及新能源风电产业的核心基础参数，高精度、高空间一致性的精细化风场数据，是区域气候评估、大气污染溯源、山地气象防灾减灾以及风功率精准预测的重要前提。近地面风场受大尺度大气环流与局地地形起伏、下垫面变化的多尺度耦合调控，空间异质性极强。传统风场降尺度模型多为纯数据驱动模式，普遍存在忽视风场矢量特性、地形细节刻画不足的问题，极易出现风向失真、空间结构错乱、物理机理不能自洽等缺陷，无法精准捕捉复杂地形条件下局地风场的细微变化，难以满足复杂地形区域风资源评估、高精度风功率预报的业务需求。

针对以上技术短板，南京信息工程大学智协飞教授团队及其合作团队基于U-Net深度学习框架，创新性地构建了融合地形精细特征与风向约束的风场降尺度算法。区别于传统仅优化风速拟合效果的模型，该算法充分兼顾风场的矢量属性，设计了基于风速幅值的保风向归一化方案，并搭建风向融合损失函数，在模型训练过程中同步约束风速与风向的预报误差，从算法层面解决了降尺度过程中风向特征丢失的核心问题。同时，研究引入高分辨率地形高程数据及其空间导数，精准还原山地、湖泊、丘陵等特殊下垫面的地形起伏、坡度变化特征，强化模型对地形强迫局地风场的学习能力。试验以华北地区为研究区域，成功开展了融合地形与风向约束的深度学习风场精细化降尺度研究。结果显示，模型风速均方根误差降低0.74 m/s，风向平均角度误差减小4.82°，复杂湖区与山地的预报精度提升尤为显著，风场空间分布更贴合实际大气物理特征。

该项研究有效弥补了传统统计降尺度模型的物理缺陷，完善了机器学习在气象要素精细化预报中的物理约束体系，为复杂下垫面风场预报提供了全新技术范式，具备重要的科学价值。

在工程应用层面，该成果在风电功率预测领域优势突出、实用性强。风电出力高度依赖局地实时风况，传统粗分辨率风场数据无法体现风电场微观地形的风场扰动特征，易导致风功率预测偏差大、稳定性差。该研究产出的高精度风场数据，可精准刻画风电场局地风速、风向的动态变化规律，适配风电短期、超短期功率预报场景，大幅提升风电出力预测精度。

同时，可为区域风资源普查、风电场选址优化、风电并网消纳提供核心数据支撑，有效降低电网波动风险。此外，成果还可赋能区域精细化气象预报、大气污染扩散预报、山区气象防灾减灾等场景，为华北区域新能源规模化开发、生态气候治理与气象业务升级提供坚实的技术保障。

图1 方法与预报数据综合评估：华北区域全域平均下，1~7 天预报时效的 10 米风速，其纳什效率系数（NSE）、皮尔逊相关系数（PCC）、均方根误差（RMSE）、结构相似性指数（SSIM）四项指标的变化特征。

图 2 2019 年 2 月 5 日提前 1 天预报的 10 米风场降尺度结果。(a) 为 GEFS 预报风场，(b) 为目标真值风场，(c) 为低分辨率结果（LR），(d) 为 ParallelNet 均方根误差模型结果，(e) 为 ParallelNet 风场优化模型结果，(f) 为 ParallelNet 风场 - 地形融合模型结果，(g) 为双通道网络均方根误差模型结果，(h) 为双通道网络风场优化模型结果，(i) 为双通道网络风场 - 地形融合模型结果。图中填色表示风速大小，风矢量的方向与长度分别表征风向和风速。

图 3 2019 年 2 月 5 日 1 天预报时效下的散点密度图。(a) 低分辨率原始场、(b) 基于均方误差损失的并行网络、(c) 风向约束并行网络、(d) 融合地形与风向约束的并行网络、(e) 基于均方误差损失的双通道网络、(f) 风向约束双通道网络、(g) 融合地形与风向约束的双通道网络。填色代表散点分布密度。