基于机器学习的区域气候模型参数敏感性研究——以 WRF 模型模拟澳大利亚东南部极端高温为例
大气与海洋物理
2023-12-01 v1 机器学习
摘要
热浪和丛林大火对全球社会和生态系统造成重大影响。需要准确的极端高温信息以支持制定可操作的减缓与适应策略。区域气候模型常用于更好地理解这些事件的动力学。这些模型具有非常大的输入参数集，且物理方案中的参数对模型性能有显著影响。然而，针对极端高温的区域模型参数敏感性分析（SA）在很大程度上尚未被探索。在此，我们关注澳大利亚东南部地区，这是全球极端高温热点之一。在澳大利亚东南部，天气研究与预报（WRF）模型是被广泛使用的、用于模拟该地区极端天气事件的模式。因此，本研究关注 WRF 模型参数在澳大利亚东南部两次极端高温事件期间对温度、相对湿度和风速等地面气象变量的敏感性。由于存在多个参数及其与输出变量的复杂关系，我们考虑采用基于机器学习（ML）代理模型的全局敏感性分析方法进行 SA。使用基于 ML 代理的 Sobol 敏感性分析来识别 WRF 模型七个不同物理方案中 24 个可调参数的敏感性。结果表明，在这 24 个参数中，仅有三个参数——散射调谐参数、饱和土壤含水量乘子和动量扩散系数中的剖面形状指数——对所考虑的气象变量重要。这些 SA 结果在两次不同的极端高温事件中是一致的。此外，我们研究了敏感参数的物理意义。本研究的结果将有助于进一步优化 WRF 参数以改善模式模拟。
引用
@article{arxiv.2307.14654,
title = {Machine Learning based Parameter Sensitivity of Regional Climate Models -- A Case Study of the WRF Model for Heat Extremes over Southeast Australia},
author = {P. Jyoteeshkumar Reddy and Sandeep Chinta and Richard Matear and John Taylor and Harish Baki and Marcus Thatcher and Jatin Kala and Jason Sharples},
journal= {arXiv preprint arXiv:2307.14654},
year = {2023}
}