深度学习已经被证明是大气科学以及天气和气候预测应用中的一个强大工具。在本研究中，根据大尺度的低层（1-9km）大气流动、温度和湿度，利用深度学习获得了在低层平流层（约18km）传播动量巨大的中层大气（10-100km）的细尺度轨道重力波的物理参数。通过利用29年的大气再分析数据集训练卷积神经网络，在合理的计算成本下，将大尺度的输入数据很好地降尺度为细尺度的重力波参数。
重力波在推动和维持全球环流方面发挥着重要作用。为了了解其在大气中的贡献，准确地再现其分布是很重要的。因此，提出了一种用于估算重力波动量通量的深度学习方法，并利用北海道地区（日本）300、700和850 hPa的低分辨率带状和经状风、温度和比湿度数据，测试了其在100 hPa下的性能。为此，在29年的再分析数据集(JRA-55和DSJRA-55)上训练了一个深度卷积神经网络，并保留了最后5年的数据进行评估。结果表明，可以在合理的计算成本下估计重力波的细尺度动量通量分布。特别是在冬季重力波较强的时候，最大动量通量和特征区带文数的中位数RMSE分别为0.06-0.13mPa和1.0×10-5。
本文的亮点：
* 提出了一种深度学习方法，利用29年的再分析数据估计轨道重力波；
* 从空间分辨率为60公里的低层大气数据中直接转换了100 hPa 的重力波动量通量；
* 利用所提出的方法，可以很好地估计目标区域强动量通量的波结构。
