提高尾部统计量的提升型集团在条件最优提前分裂时间下的应用

气候科学需要更高效的方法来研究高影响、低概率的极端事件，这类事件本身就稀有且大规模模拟成本高昂。稀有事件抽样（Rare Event Sampling, RES）和集团提升（ensemble boosting）通过对事件进行小幅扰动，将中等强度的事件转化为强烈的极端事件，从而增大样本量。但这种方法的可行性取决于两个尚未解决的关键问题：（1）被提升的事件是否能代表尚未实现的极端事件？（2）这种做法是否依赖于特定的扰动形式，即时间和结构？尤其是对于降雨等突发性瞬时事件而言，时间安排尤为关键。本文针对提前分裂时间（Advance Split Time, AST）超参数提出具体的优化问题，并在一个理想化但具有物理意义的模型系统上进行研究：湍流通道中被动轨迹的涨落，这一模型捕捉了中纬度气旋轨道动力学的关键要素。三个主要问题引导我们的研究：（1）RES 方法，特别是配合概率估计器的“集团提升”和“尝试早期自适应多层抽样”（trying-early adaptive multilevel splitting），能否准确且高效地采样极端事件？（2）最优的 AST 是多少，以及其如何取决于事件定义，特别是目标位置和周围流场条件？（3）在运行 RES 时，能否对 AST 进行“在线”优化？我们的答案支持 RES 作为可行方法：（1）RES 能有意义地改善尾部估计；（2）最优 AST 取决于位置，为 1-3 个湍流涡旋时间尺度；（3）一种“阈值熵”统计量是 AST 最优性的良好代理，绕过了 RES 方法常受阻的繁琐阈值设定。我们的工作阐明了瞬时极端事件对扰动的响应函数，为设计高效、可靠的抽样策略提供了指导。