报告时间：2026年3月21日（周六）下午 14:00
报告地点：气象楼423会议室
主 持 人：陈耀登 教授
报告题目：推进数值模拟灰区的湍流参数化——从物理理论应用到深度学习
报告专家：石晓明 教授
专家简介:
石晓明教授现任香港科技大学环境与可持续发展学部副教授，于美国华盛顿大学获得大气科学博士学位，并在加州大学伯克利分校完成博士后研究，于2018年加入香港科技大学。石教授长期从事云、对流与湍流参数化的基础研究，并将这些物理参数化研究成果应用于针对极端天气的天气模式预测和气候降尺度。他的研究重点包括极端天气事件（如台风与暴雨）的机理与模拟，尤其是其在全球变暖背景下的变化。石教授积极运用人工智能技术提升天气和气候预测的精度与效率。石教授于2022年获香港气象学会颁发的Heywood青年科学家奖，2026年获得ESCAP/WMO台风委员会青年科学家研究奖。
报告摘要：
湍流参数化是提升天气与气候模式性能的核心环节，我们在这一方向上的研究早期基于物理理论的发展，近年来则转向深度学习拓展。早期研究利用大涡模拟（LES）深入解析层状积云顶逆温处的混合机制，通过显式滤波与重构（Dynamic Reconstruction Model， DRM）方法合理区分可解析与不可解析尺度，显著改善云厚度、湍能回散与云顶夹卷的模拟；进一步的模型比较研究揭示传统湍流闭合在普朗特数与施密特数设定上的局限性，证明动态模型能更真实地表征热量与水汽的混合。随后，我们将上述理念应用于台风的公里级“灰区”模拟，结合尺度自适应的 MSKF 对流方案与具能量逆级传播能力的Reconstruction and Nonlinear Anisotropy (RNA) 湍流模型，显著提升了台风的强降水预报。近年来，我开始探索以深度学习构建“可与动力框架一致训练”的 次网格过程模型，通过自动微分将数值求解器纳入损失函数，使机器学习参数化在耦合模式中保持稳定，可将预报有效时间显著提高。基于 JAX 构建的新一代 LES 模型 LEX 进一步验证了深度学习次网格参数化在灰区中的潜力，为未来多尺度湍流与对流参数化的发展提供了新路径。
欢迎广大师生踊跃参加！
气候系统预测与变化应对全国重点实验室
气象灾害教育部重点实验室
气象灾害预报预警与评估协同创新中心
大气科学学院
2026.3.17
