机器学习加速陆面模型的参数优化与不确定性评估

陆面模型（LSMs）的性能显著影响对大气及相关过程的理解。许多 LSM 的土壤与植被参数未知，因此高效优化这些参数至关重要。本文提出一种全局适用且计算高效的 LSM 参数优化与不确定性评估方法，将马尔可夫链蒙特卡洛（MCMC）与机器学习相结合。首先，我对 LSM 进行长期（十年尺度）集合模拟，其中每个集合成员具有不同参数值，并计算各集合成员的模拟与观测之间的差距，即代价函数。其次，我基于统计机器学习构建替代模型，该模型计算代价低但能准确模仿参数与代价函数之间的关系，通过应用高斯过程回归来学习模型模拟。第三，我们反复驱动替代模型来应用 MCMC，以获得参数的后验概率分布。利用卫星被动微波亮温观测，在西非萨赫勒地区进行了合成与真实数据实验，以优化 LSM 未知的土壤与植被参数。主要发现为：（1）所提方法比直接将 MCMC 应用于完整 LSM 快 50,000 倍；（2）LSM 模拟土壤湿度与植被动态的能力可得以改善；（3）我通过获得参数的完整非参数概率分布，成功量化了等终性特征。