【不确定性】机器学习辅助调参以减少气候变化预测中对不确定性的低估

基于物理过程的全球气候数值模型在预警全球变暖方面发挥了主导作用。所有全球气候模型都同意这样一个事实：温室气体浓度的增加会导致全球地表温度的升高。然而，对这种浓度增加最敏感和最不敏感的模型之间通常存在三倍的系数。通常，气候模型会使用固定组合的参数来进行模拟，而在气候模型参数的调整过程中，不确定性往往被低估了。

本研究设置了14个标量指标来刻画IPSL-6A模型的模拟效果。在给出每个参数的先验分布后，对超立方体进行随机采样，对于每组参数向量，在观测到海洋表面温度的强迫下运行了长达2年的独立大气模拟，进而在模拟的第二年计算各项指标，最终提取出9组“可接受的”参数。其中4组被用于耦合模型的模拟，以加速气候模型的改进并加深对气候系统行为的理解。

在给定全球温升的气候变化模拟中，将机器学习获得的参数配置实验组与标准对照，结果发现温度与降水量的趋势变化十分相似。自动化程序的成功得益于研究团队数十年手动调整IPSL模型实践中获得的专业知识。例如，在IPSL-6A中模拟海洋气温的相当好的表现来自于这样一个事实：研究着重处理了大气通量中的一些偏差，这些偏差直接影响持续性温度偏差。