揭示平坦与复杂地形湍流各向异性的驱动因素：一种可解释机器学习方法
流体动力学
2025-03-20 v1 大气与海洋物理
摘要
湍流各向异性最近被集成到Monin-Obukhov相似理论(MOST)中，将其适用性扩展到复杂地形和多样化表面条件。然而，要在数值模型中实现此广义MOST，需要理解湍流各向异性在各种地形条件下的关键驱动因素。因此，本研究采用随机森林模型，对来自平坦和复杂地形的测量数据进行训练，包括上游地形特征，以预测湍流各向异性。比较了两种方法：直接使用维数变量或采用非维数组作为模型输入。为解决特征之间的交叉相关，我们开发了一种新方法，递归消除效应。最后，使用可解释性方法识别最具影响力的变量。与预期相反，与地形相关的变量未被发现对湍流各向异性具有显著影响。相反，湍流常用长度、时间和速度尺度的非维数组在隔离各向异性驱动因素方面比维数变量更稳健，提高了复杂地形上的模型性能，减少了位置依赖性。在平坦和复杂地形上，积分湍流记忆长度尺度与湍流各向异性密切相关。白天，一种融合表面和混合层尺度的 refined 稳定参数成为各向异性的主要驱动因素，而夜间，与快速失真相关的 参数是强大的预测器。
引用
@article{arxiv.2503.15276,
title = {Revealing the drivers of turbulence anisotropy over flat and complex terrain: an interpretable machine learning approach},
author = {Samuele Mosso and Karl Lapo and Ivana Stiperski},
journal= {arXiv preprint arXiv:2503.15276},
year = {2025}
}