机器学习解构气候模型中短波云辐射效应的偏差原因
大气与海洋物理
2025-06-30 v1
摘要
大循环气候模型（GCM）中短波云辐射效应（SWCRE）存在显著偏差，主要归因于云量和水污染物的综合作用，其在模型中的表征仍具有挑战。本文展示了一种有效的机器学习方法，用于分解决定 SWCRE 的各相关云参数的 individual 偏差。基于观测数据和 FGOALS-f3-L 模拟数据，使用随机森林方法开发了计算 SWCRE 的代理模型，包括云量（CFR）、云太阳重合比（CSC）、云液态和冰水污染物路径（LWP 和 IWP）、太阳能垂直清晰辐射通量（SUC）以及太阳仰角。该模型在验证阶段实现了 determination coefficient > 0.96，然后用于按部分辐射扰动法量化这些参数导致的 SWCRE 偏差。全球平均 SWCRE 偏差（单位为 W m-2）由 CFR（+5.11）、LWP（-6.58）、IWP（-1.67）和 CSC（+4.38）贡献，其中 SUC 作用较小；较大的 CSC 贡献凸显了云日间变率的重要性。在区域层面，相对重要性根据气候 regime 而异。在热带地区，陆地上 LWP 和 IWP 被高估，而海洋上 CFR 和 CSC 被低估。相比之下，温带陆地和海洋分别表现为 CSC 偏小和“稀少且过亮”的低层云。因此，我们建议机器学习不仅可用于开发 GCM 物理参数化，还可用于诊断和理解复杂的云-气候相互作用。
引用
@article{arxiv.2405.06923,
title = {Machine learning disentangles bias causes of shortwave cloud radiative effect in a climate model},
author = {Hongtao Yang and Guoxing Chen and Wei-Chyung Wang and Qing Bao and Jiandong Li},
journal= {arXiv preprint arXiv:2405.06923},
year = {2025}
}
备注
19 pages,8 figures