理想化 GCM 中对流参数的校准与不确定性量化
统计理论
2021-10-04 v3 统计理论
摘要
气候模型中的参数通常经手动校准，仅利用了可用数据中的小部分。这既妨碍了最优校准，也妨碍了不确定性的量化。允许不确定性量化的传统贝叶斯校准方法对气候模型而言过于昂贵；它们在存在气候内部变率时也不稳健。例如，马尔可夫链蒙特卡洛（MCMC）方法通常需要 次模型运行，且对内部变率噪声敏感，因而对气候模型不可行。本文展示一种仅需 次模型运行且能容纳气候内部变率的模型校准与不确定性量化方法。该方法包含三个阶段：（i）校准阶段使用集成卡尔曼反演的变体，通过最小化模型与数据统计量间的不匹配来校准模型；（ii）仿真阶段利用校准阶段的模型运行作为训练，以高斯过程（GP）仿真参数到数据的映射；（iii）采样阶段通过对 GP 仿真器用 MCMC 采样来近似贝叶斯后验分布。我们在完美模型设定下论证了该校准-仿真-采样（CES）方法的可行性与计算效率。使用一个理想化大气环流模型，我们从该模型生成的合成数据估计了一个简单对流方案中的参数。CES 方法生成了参数的概率分布，其作为贝叶斯后验的良好近似，而计算成本仅为通常所需的一小部分。从该近似后验采样可生成带量化参数不确定性的气候预测。
引用
@article{arxiv.2012.13262,
title = {Calibration and Uncertainty Quantification of Convective Parameters in an Idealized GCM},
author = {Oliver R. A. Dunbar and Alfredo Garbuno-Inigo and Tapio Schneider and Andrew M. Stuart},
journal= {arXiv preprint arXiv:2012.13262},
year = {2021}
}