第八届青年地学论坛

目前，全球气候模式（GCM）中的云对流物理参数化方案是模拟降水和大气环流偏差的主要来源。随着大数据和人工智能的发展，机器学习越来越多地应用于GCM中的对流和云参数化。本研究使用了一个由32层深度卷积残差神经网络组成的集合，称为ResCu-en，来模仿和拟合超级参数化气候模式（SPCAM）模拟的对流和云过程。SPCAM以高分辨率云解析模式CRM取代传统的云和对流参数化方案，能够更好的模拟云对流过程相关的气候态和变率（如：陆地降水气候态、极端降水频率，和季节内震荡MJO）。ResCu-en利用当前环境状态和平流以及对流和云的过去历史来预测GCM网格尺度的温度和湿度趋势，以及云水含量和云冰含量。深度学习算法在模拟云对流过程方面的不确定性可通过集合平均来减小。在独立的离线验证中，我们展示了ResCu-en对所有输出变量具有极高的预测准确度。此外，使用当前气候数据训练的ResCu-en能够很好地推广到更温暖的气候（比如海表温度为+4K的暖气候），预测准确度也很高。在线耦合实验中，ResCu-en也可多年稳定运行。