在未见的更暖气候下对混合物理 - 机器学习气候模拟的耦合行为进行压力测试

准确且计算可行的云和湍流表示是气候模型开发中长期存在的挑战。粗略但高效地近似这些过程的传统参数化方案是长期预测变暖和降水模式不确定性的主要来源。基于机器学习 (ML) 的参数化方案长期以来被誉为一种有前景的替代方案，有望以更明确的模拟成本的一小部分获得更高的精度。然而，这些 ML 变体在耦合测试中（即在它们与大规模气候模型动态交互的下游混合模拟任务中）往往表现出不可预测的不稳定性和不准确性。这些问题在分布外气候中尤为加剧。某些设计决策，如针对湿度输入的“气候不变”特征变换、输入向量扩展和时间历史纳入，已被证明可以改善耦合性能，但它们可能不足以实现耦合的分布外泛化。如果特征选择和变换能够使混合物理 -ML 气候模型免受变化气候中非物理的分布外外推的影响，那么从观测数据中外推的潜力将大得多。否则，在多个模拟气候上进行训练将成为不可避免的必要条件。虽然我们的结果显示这些设计决策带来了泛化益处，但所获得的改进并不足以排除使用多气候模拟训练数据的必要性。