热带气旋前兆扰动的垂直涡旋结构辨识及其对气旋生成的启示

研究人员针对热带气旋(TC)生成机制中前兆扰动结构差异认知不足的问题，采用无监督机器学习技术对2004-2021年西北太平洋2014个样本进行聚类分析，首次系统识别出四种具有不同垂直/径向尺度的涡旋结构类型，发现79.2%的扰动呈现低层涡度最大值特征，且涡度垂直延伸范围与TC生成时间显著相关，为理解热带气旋形成机制提供了新的分类框架和研究思路。

　　

在气象灾害防御领域，热带气旋(TC)的生成机制始终是困扰科学家的难题。就像侦探需要破解犯罪现场的蛛丝马迹，气象学家们一直在追踪热带气旋的"胚胎"——那些可能发展成致命风暴的前兆扰动。然而这些扰动如同变幻莫测的云团，有的最终成长为超级台风，有的却悄然消散。究竟是什么决定了它们的命运？传统理论存在"自上而下"和"自下而上"两种截然不同的形成假说，但缺乏系统观测证据支持。更棘手的是，前兆扰动缺乏统一定义，其结构特征与TC生成的关系如同雾里看花。正是这些未解之谜，促使Hung Ming Cheung和Jung-Eun Chu团队开展了这项开创性研究。

研究人员创新性地结合自组织映射(SOM)和k均值聚类两种无监督机器学习算法，对IBTrACS最佳路径数据集中的2014个热带扰动和热带低压样本进行分析。关键技术包括：1)使用ERA5再分析数据提取相对涡度等参数；2)通过storm-centered网格重构技术处理数据；3)采用SOM降维后接k-means聚类的混合算法；4)运用方差分析评估涡旋对称性。所有样本均来自西北太平洋2004-2021年热带气旋季节(6-10月)，并确保最终发展为热带风暴强度。

研究结果部分揭示了四大发现：

3.1 涡旋结构的显著分类

通过机器学习识别出四种特征鲜明的涡旋结构：C1(宽广的底层涡旋)、C2(狭窄的底层涡旋)、C3(深厚宽广的涡旋)和C4(狭窄的高层涡旋)。其中79.2%的样本呈现底层涡度最大值特征，而C4类则表现出独特的20×10^-5 s^-1中层涡度峰值。

3.2 不同涡旋的热力结构

各集群展现出对应的热力特征：C4具有最强的2K以上高层暖异常和显著中层冷异常，与层状降水加热特征一致；PV分析显示C4的中层PV最大值超过2.5 PVU，证实了不同降水类型对涡旋结构的塑造作用。

3.3 涡旋非对称性

距中心0.5°范围内涡旋呈现轴对称特征，但外围区域和温度场则表现出明显不对称性。降水分析显示C4类具有最对称的降水分布和最大降雨率。

3.4 TC生成途径

统计分析发现C3(深厚宽广涡旋)和C4(狭窄高层涡旋)样本更接近生成时刻，其24小时内风速增加≥15节的比例分别达37%和23%，表明涡度垂直延伸范围是影响生成速度的关键因素。

3.5 热带扰动与低压差异

比较显示两者主要差异在于强度而非结构，热带低压在所有集群中都表现出更强的涡度值，但结构特征保持相对稳定。

这项研究首次系统建立了热带气旋前兆扰动的结构分类体系，破解了长期困扰学界的"胚胎多样性"难题。就像为热带气旋的"童年期"建立了成长档案，四种涡旋类型的识别不仅验证了既有理论中的关键假设，更揭示了涡度垂直延伸范围对生成速度的决定性作用。特别值得注意的是，研究发现近80%的扰动具有底层涡旋主导特征，但中层涡旋较强的系统反而表现出更快的增强速率，这一发现为改进热带气旋生成预报提供了新的物理依据。尽管存在再分析数据分辨率等限制，该研究提出的机器学习分类框架为后续研究开辟了新途径，未来通过纳入更多非发展扰动样本，有望进一步揭示决定热带气旋"生死"的关键结构阈值。