基于大众贝叶斯校准与不确定性量化的层流湍流模型参数加速求解——针对分层大气边界层流动

在操作天气模型中，湍流对大气边界层（ABL）中分辨流动的影响通常通过湍流参数化模型来表示。这些参数化模型通常使用针对规范流动中有限数据所调整的预定模型参数，导致预测确定性，忽略了未分辨湍流过程的不确定性。本研究采用机器学习加速的贝叶斯反演方法，对大气边界层的单柱模型进行校准与不确定性量化。该方法用于校准和量化雷诺平均Navier-Stokes湍流模型的参数。经验证不确定性量化方法后，我们在两种不同湍流模型中学习参数及其不确定性，这些模型基于大范围大气边界层稳定性条件下的尺度解析大涡模拟数据。我们展示了如何通过检验基本动量预算来改进流动预测。进一步表明，基于中性表面层数据的时间不确定性量化可恢复理论建模中所得参数间关系，但基于稳定大气边界层数据或表层之外的数据学习参数可能导致与中性表面层理论不同的关系。系统化的不确定性缩减方法揭示：（1）采集至大气边界层高度的风速可通过最高可达84%降低关键模型参数的不确定性；（2）除风速采集外，进一步 assimilating 流体流动量（不止于一阶矩统计量）可实现额外的不确定性降低。基于贝叶斯不确定性量化学习的参数在离样本测试中通常低于标准确定性参数的误差，并提供预测的置信区间。