利用机器学习改善深对流参数化方案中的对流触发函数

大气环流模式(GCM)中深对流参数化的对流触发函数的缺陷对气候模拟具有关键影响。本研究利用机器学习分类模型XGBoost开发新的对流触发函数。对流事件相关的大尺度环境信息来自南部大平原(SGP)和Manaus(MAO)站点的大气辐射测量的长期限制变分分析数据，两个站点分别代表了中纬度大陆和热带对流。针对两个站点分别训练和评估机器学习模型，并针对两个站点联合训练和评估了一个统一模型。

根据F1评分，基于机器学习的触发函数战胜了相比于GCM常用的四种基于CAPE的触发函数。特定站点的机器学习触发函数的F1评分分别达到了91%(SGP)和93%(MAO)，联合训练的统一模型F1评分达到91%，相比于特定站点的模型性能没有显著下降，表明了统一触发函数的潜力。机器学习触发函数缓解了GCM对流的过度预测问题，有利于改善降水日循环的模拟。

为了克服机器学习方法的黑箱问题，本文探讨了机器学习模型所得到的见解，可用于改进传统的基于CAPE的触发函数。

机器学习触发函数的预测因子

机器学习方法工作流

不同触发函数预测的对流日变化

XGBoost触发函数的前10个预测因子相对重要性

XGBoost触发函数中最重要的三个最重要的预测因子构建的决策树

为了从黑箱机器学习触发函数中获取学到的知识，利用决策树衍生了一些增强规则，取决于XGBoost触发函数识别的主要预测因子。在确定对流或非对流时叶子结点的条件更加严格，从而改善了精度。然而，严格的规则并不是封闭条件(closure conditions)，仍然有些数据超出了范围，未来需要进一步完善规则。

从机器学习模型得到的见解表明，不同区域对流的形成可能涉及到不同的机制，或者至少涉及到不同的过程。因此，有必要开发更全面的统一触发方案更好的描述全球对流过程。机器学习模型对对流/非对流事件的数量是敏感的。本研究中试图对非对流事件进行欠采样，确保两类事件的数量相同，但由于训练集样本较少，改善并不明显。未来增加训练样本或许能得到较好的结果。

以上仅是通过摘要和讨论部分对文章的简要解读，更多细节信息建议阅读原文。

Zhang, T., Lin, W., Vogelmann, A. M., Zhang, M., Xie, S., Qin, Y., & Golaz, J.-C. (2021). Improving convection trigger functions in deep convective parameterization schemes using machine learning. Journal of Advances in Modeling Earth Systems, 13, e2020MS002365. https://doi. org/10.1029/2020MS002365