基于 DNS 数据的机器学习估计雾滴生长率

雾滴的生长和尺度谱在大气云的微物理学中起关键作用。然而，在大尺度涡流模拟(LES)等云分辨模型中准确表示雾滴生长率具有挑战。传统 LES 求解器常在云边缘处假设“均匀混合”条件，这在水汽 supersaturation 梯度尖锐的区域往往不足。对 supersaturation 梯度的欠分辨率可能导致对雾滴生长率预测出现显著误差，从而影响云边浮力预测以及降水预报。基于“雾滴”的 LES 模型采用拉格朗日粗化方法将多个雾滴分组为雾滴，每个雾滴包含特定数量和尺度的实际雾滴。雾滴随底层 LES 速度场被输送，其生长率基于 LES 表示的过滤后 supersaturation 场。为克服“均匀混合”假设的局限性，我们提出了一种基于高保真直接数值模拟(DNS)数据的雾滴生长参数化方法。我们引入一种新型聚类算法，将 DNS 场中的雾滴映射到雾滴。通过对关联雾滴的未过滤 supersaturation 进行平均计算每个雾滴位置的有效 supersaturation，这可能与雾滴位置的过滤后 supersaturation 值不同。随后，我们开发了一种机器学习参数化方法，将雾滴的有效生长率与其他过滤 DNS 流变量关联。初步结果显示，对于各种雾滴数量的雾滴，预测值与真实有效 supersaturation 之间的 R^2 接近 0.9，显示前景。