基于数据驱动的云覆盖参数化方程发现
摘要：基于全球暴雨解析模型输出的机器学习参数化是改进气候模型中云的表示并因此改进气候预测的一种有前途的方法。虽然神经网络在其训练分布内可以取得最先进的性能，但在其外部可能会做出不可靠的预测。此外，它们通常需要事后工具进行解释。为了避免这些限制，我们在一个分层建模框架中将符号回归、顺序特征选择和物理约束相结合。该框架允许我们发现从全球暴雨解析模型模拟的粗粒度变量中诊断云覆盖的新方程。这些分析方程是可解释的，并且可以轻松应用于其他格点或气候模型。我们最好的方程在性能和复杂性之间取得了平衡，实现了与神经网络相当的性能（$R^2=0.94$），同时保持简单（仅有11个可训练参数）。它在所有云制度中比Xu-Randall方案更准确地再现了云覆盖分布（Hellinger距离$<0.09$），并在含凝结物丰富的制度中与神经网络相匹配。当应用和调优到ERA5再分析数据时，与所有其他最佳云覆盖方案相比，该方程展现了更好的数据转移能力。我们的发现证明了符号回归在发现可解释的、物理一致的和非线性的云覆盖参数化方程方面的有效性。
作者：Arthur Grundner, Tom Beucler, Pierre Gentine, Veronika Eyring
论文ID：2304.08063
分类：Atmospheric and Oceanic Physics
分类简称：physics.ao-ph
提交时间：2023-08-09