[论文解读] Towards the Probabilistic Earth-System Model

T. N. Palmer, Francisco J. Doblas‐Reyes+4 more|ArXiv.org|Dec 5, 2008

Climate variability and models参考文献 20被引用 8

一句话总结

本文倡导采用包含随机-动力参数化方法的概率地球系统模型，以更准确地表征气候预测中的模型不确定性。研究表明，此类方法在再预报研究中优于传统的多模型集合，通过利用大气固有的噪声以及新兴的低功耗计算技术，为实现更精准、更经济的气候预测提供了可行路径。

ABSTRACT

Multi-model ensembles provide a pragmatic approach to the representation of model uncertainty in climate prediction. However, such representations are inherently ad hoc, and, as shown, probability distributions of climate variables based on current-generation multi-model ensembles, are not accurate. Results from seasonal re-forecast studies suggest that climate model ensembles based on stochastic-dynamic parametrisation are beginning to outperform multi-model ensembles, and have the potential to become significantly more skilful than multi-model ensembles. The case is made for stochastic representations of model uncertainty in future-generation climate prediction models. Firstly, a guiding characteristic of the scientific method is an ability to characterise and predict uncertainty; individual climate models are not currently able to do this. Secondly, through the effects of noise-induced rectification, stochastic-dynamic parametrisation may provide a (poor man's) surrogate to high resolution. Thirdly, stochastic-dynamic parametrisations may be able to take advantage of the inherent stochasticity of electron flow through certain types of low-energy computer chips, currently under development. These arguments have particular resonance for next-generation Earth-System models, which purport to be comprehensive numerical representations of climate, and where integrations at high resolution may be unaffordable.

研究动机与目标

• 为解决当前气候模型中系统性不确定性表征的缺失问题，该问题阻碍了预测的科学严谨性。
• 开发一种概率地球系统模型框架，以更真实地反映气候预测中的真正不确定性。
• 探讨随机参数化方法在季节性气候预测中是否可优于临时拼凑的多模型集合。
• 研究噪声诱导的整流效应作为计算受限环境下高分辨率建模的替代方案的潜力。
• 评估将随机过程与新兴的低功耗计算硬件集成以用于气候建模的可行性。

提出的方法

• 引入随机-动力参数化方法，通过内在随机性模拟亚网格尺度过程，以反映模型不确定性。
• 利用再预报研究评估随机-动力集合相较于传统多模型集合的预测技能。
• 利用噪声诱导的整流效应提升模型保真度，而无需提高分辨率。
• 提出未来模型应集成随机分量，以符合科学方法对不确定性量化的要求。
• 探索利用低功耗计算机芯片中电子流的随机性，以提升模型效率与真实性。
• 构建一个概率地球系统模型框架，将模型不确定性视为内在且可量化的组成部分。

实验结果

研究问题

• RQ1 与多模型集合相比，随机-动力参数化是否能提升季节性气候预测的技能？
• RQ2 随机模型中的噪声诱导整流效应如何促进对气候系统行为的更好表征？
• RQ3 随机参数化在多大程度上可作为高分辨率建模的计算经济替代方案？
• RQ4 能否利用具有内在随机性的新兴低功耗计算技术来提升气候模型性能？
• RQ5 如何重构气候模型，以系统性地表征并传播模型不确定性，从而符合科学方法的要求？

主要发现

• 在集合预报中采用随机-动力参数化方法，已在季节性再预报研究中开始优于传统的多模型集合。
• 当前多模型集合所导出的气候变量概率分布并不准确，表明亟需改进不确定性表征。
• 随机模型中的噪声诱导整流效应可作为高分辨率建模的替代方案，提升预测技能而无需增加计算成本。
• 在气候模型中集成随机分量，符合科学方法对不确定性表征与预测的要求。
• 具有随机电子流的新兴低功耗计算机芯片，可能使随机参数化的更高效、更真实实现成为可能。
• 基于随机-动力参数化的概率地球系统模型，其预测技能有望显著优于当前的多模型方法。