Pauline Bonnet · Lorenzo Pastori · Mierk Schwabe · Marco Giorgetta · Fernando Iglesias-Suarez · Veronika Eyring

European Geosciences Union · 2025

Bei der Entwicklung von Klimamodellen bezeichnet „Tuning“ den wichtigen Prozess der Anpassung ungewisser freier Parameter von Subgrid-Skalen-Parametrisierungen, um sie bestmöglich an eine Reihe von Erdbeobachtungen anzupassen, wie beispielsweise die globale Strahlungsbilanz oder die globale Wolkendecke. Dies ist traditionell ein rechenintensiver Schritt, da er eine große Anzahl von Klimamodellsimulationen erfordert. Dieser Schritt wird mit zunehmender räumlicher Auflösung und Komplexität von Klimamodellen auch immer anspruchsvoller. Darüber hinaus ist die manuelle Abstimmung stark von Expertenwissen abhängig und daher nicht unabhängig reproduzierbar. Um die Subjektivität und den Rechenaufwand zu reduzieren, sind auf maschinellem Lernen (ML) basierende Abstimmungsmethoden zu einem aktiven Forschungsthema geworden. Hier bauen wir auf diesen Entwicklungen auf und wenden ML-basierte Abstimmung auf die atmosphärische Komponente des ikosaedrischen nicht-hydrostatischen Wetter- und Klimamodells (ICON) mit einer Auflösung von 80 km an. Unser Ansatz folgt einem ähnlichen Arbeitsablauf wie andere vorgeschlagene ML-basierte Abstimmungsmethoden: (1) Erstellung eines gestörten Parameterensembles (PPE) begrenzter Größe mit zufällig ausgewählten Parametern, (2) Anpassung eines ML-basierten Emulators an das PPE, um mit dem Emulator ein großes emuliertes Ensemble zu generieren, und (3) Verkleinerung des Parameterraums auf Regionen, die mit Beobachtungen kompatibel sind, unter Verwendung einer von History Matching inspirierten Methode. Im Gegensatz zu früheren Arbeiten wenden wir jedoch einen sequenziellen Ansatz an: Der ausgewählte Satz von Abstimmungsparametern wird in aufeinanderfolgenden Phasen abhängig von den Ergebnissen einer Sensitivitätsanalyse mit Sobol-Indizes aktualisiert. Wir stimmen globale Strahlungseigenschaften, Wolkeneigenschaften, zonale Windgeschwindigkeiten und Windspannungen auf der Meeresoberfläche ab. Mit einer Iteration dieser Methode erreichen wir eine Modellkonfiguration, die eine globale Nettostrahlungsbilanz an der Obergrenze der Atmosphäre im Bereich von [0, 1] W m−2 sowie globale Strahlungsmetriken und Wasserdampfpfade liefert, die mit den Referenzbeobachtungen übereinstimmen. Darüber hinaus ermöglicht uns der resultierende ML-basierte Emulator, die Parameter zu identifizieren, die den größten Einfluss auf die Ergebnisse haben, die wir mit der Abstimmung anstreben. Die Parameter, die wir als besonders einflussreich für die physikalischen Ausgabemessgrößen identifiziert haben, sind die kritische relative Luftfeuchtigkeit in der oberen Troposphäre und der Umwandlungskoeffizient von Wolkenwasser zu Regen, die die Strahlungsmessgrößen und die globale Wolkendecke beeinflussen, sowie der Koeffizient der Sedimentationsgeschwindigkeit von Wolken-Eis, der einen starken nichtlinearen Einfluss auf alle physikalischen Messgrößen hat. Das Vorhandensein nichtlinearer Effekte motiviert zusätzlich den Einsatz von ML-basierten Ansätzen für die Parameteroptimierung in Klimamodellen.

European Geosciences Union (2025)
https://doi.org/10.5194/gmd-18-3681-2025

Creative Commons BY 4.0