ENSO 事件最优前兆的采样方法

厄尔尼诺-南方涛动（ENSO）是显著气候现象之一，周期性出现于热带太平洋。中间耦合海气 Zebiak-Cane（ZC）模型是首个亦是经典的数值预报 ENSO 事件的模型。传统上，条件非线性最优扰动（CNOP）方法被用于实际捕捉最优前兆。本文基于前沿统计机器学习技术，研究 [Shi and Sun, 2023] 提出的采样算法，以在 ZC 模型中通过 CNOP 方法获取最优前兆。对于 ZC 模型，或更一般地，维度为 $\mathrm{O}(10^4-10^5)$ 的数值模型，无论静态空间型态、动力非线性时间演化行为还是相应量与指数，数值性能均显示该采样方法相较传统伴随方法具有高效性。该采样算法不仅将目标函数值的梯度（一阶信息）降为函数值（零阶信息），且避免使用在耦合海气模型与参数化模型中难以开发的伴随模型。此外，基于样本独立同分布这一关键特性，我们可通过并行计算实施采样算法以缩短计算时间。同时，数值实验亦表明，即便样本数急剧减少，最优前兆的重要特征仍可被捕捉。