海冰融池参数化方案的参数敏感性分析及其基于神经网络的仿真模拟
计算物理
2023-04-13 v1 大气与海洋物理
摘要
准确模拟海冰对于预测未来北极海冰消融、迫近的气候变化影响等至关重要。北极海冰的一个关键特征是融池的形成。每年融池在冰面发育，主要通过影响反照率，对北极的能量收支和气候产生巨大影响。由于融池属于子网格尺度，且其演化由若干相互竞争且了解甚少的因素驱动，它们在模型中以参数化方式表示。我们对冰包（Icepack，一种最先进的热力学柱状海冰模型）中一种先进的融池参数化方案（MPP）进行了 Sobol 敏感性分析（一种基于方差的全局敏感性分析）。结果表明，该模型对其不确定的 MPP 参数值变化非常敏感，且这些参数在时空上对模型预测具有不同影响。鉴于 MPP 中（通常众多的）参数通常知之甚少，这种对参数的极端敏感性使 MPP 成为海冰模型预测误差的潜在来源。机器学习（ML）技术在学习和替代模型中的子网格尺度过程方面已展现出巨大潜力。考虑到融池物理的复杂性以及对 MPP 中准确参数值的需求，我们提出了一种替代性的数据驱动 MPP，其将优先保证反照率预测的准确性。具体而言，我们构建了基于线性回归或非线性神经网络的 MPP，并探究它们能否替代 Icepack 中原有的基于物理的 MPP。我们的结果表明，线性回归作为仿真器是不够的，而神经网络能够非常可靠地学习和仿真 Icepack 中的 MPP。采用基于神经网络的 MPP 的 Icepack 仅与原版 Icepack 有轻微偏差，且总体上提供相同的长期模型行为。
引用
@article{arxiv.2304.05407,
title = {Parameter sensitivity analysis of a sea ice melt pond parametrisation and its emulation using neural networks},
author = {Simon Driscoll and Alberto Carrassi and Julien Brajard and Laurent Bertino and Marc Bocquet and Einar Olason},
journal= {arXiv preprint arXiv:2304.05407},
year = {2023}
}