多尺度Kain-Fritsch（MSKF）对流方案的机器学习参数化
大气与海洋物理
2023-11-08 v1 人工智能
摘要
华南沿海常出现暖区强降雨，通常具有局地性和持续性，难以预测。高分辨率数值天气预报（NWP）模型正越来越多地用于更好地解析地形特征并预报此类高影响天气事件。然而，当网格间距与对流尺度相当时（即所谓的灰区），大气边界层中的湍流涡旋仅被部分解析并在一定程度上被参数化。在灰区中是否使用对流参数化（CP）方案仍存在争议。尺度感知CP方案被开发出来以增强灰区内对流传输的表征。多尺度Kain-Fritsch（MSKF）方案包含的改进使其可在高达2 km的网格分辨率下有效实施。近年来，机器学习（ML）模型在大气科学各领域中的应用日益增多，包括用ML模型替代物理参数化。本工作提出一种多输出双向长短期记忆（Bi-LSTM）模型以替代尺度感知MSKF CP方案。使用天气研究与预报（WRF）模型在5 km水平分辨率下生成华南地区的训练与测试数据。此外，将WRF模型与基于ML的CP方案耦合，并与采用原始MSKF方案的WRF模拟进行对比。结果表明，Bi-LSTM模型可达到较高精度，显示出ML模型在灰区替代MSKF方案的潜在用途。
引用
@article{arxiv.2311.03652,
title = {Machine Learning Parameterization of the Multi-scale Kain-Fritsch (MSKF) Convection Scheme},
author = {Xiaohui Zhong and Xing Yu and Hao Li},
journal= {arXiv preprint arXiv:2311.03652},
year = {2023}
}