基于统计仿真器的陆面模式参数不确定性估计方法

如何给定陆面模式参数对陆面模式的模拟能力有很大的影响，然而地学领域中的常用方法对陆面模式参数估计的应用有限，该项目提出一个基于统计仿真器的陆面模式参数不确定性估计方法，它能够克服常用方法对陆面模式计算量要求过高的瓶颈，本研究申请（1）研发一个统计抽样方法来系统地逐步筛选重要的、敏感的陆面模式参数，（2）研发适合于陆面模式的统计仿真器，（3）将开发的统计仿真器应用到陆面模式CoLM上，筛选出重要模型参数、并对其进行优化和不确定性分析。我们将系统地检测通过统计仿真器优化后的CoLM模式参数能否提高CoLM的模拟能力。

陆面过程模式的参数化方案是模式模拟能力的决定因素之一。由于区域陆面模拟的计算量很大，现有的优化方法需要的模型运行次数又很多，导致陆面过程模式的参数优化面临计算瓶颈。本项目提出（1）使用敏感性分析方法，筛选重要的、敏感的陆面模式参数；（2）建立适用于陆面模式的统计仿真器，替代原模型进行参数优化，能够大幅减少模型运行次数，克服计算瓶颈；（3）提出适用于陆面过程模式的多目标优化方法，平衡各个输出变量对参数的要求，使多个变量的模拟效果都能达到最优。我们以我国西北内陆地区黑河流域为研究对象，对通用陆面过程模式Common Land Model（CoLM）进行参数筛选、统计仿真器建立与多目标参数优化。本项目的主要研究进展有：（1）按敏感性对CoLM模式的敏感参数进行筛选。比较了6种不同的敏感性分析方法：局部方法、SOT方法（Sum-of-trees）、MARS方法、DT方法、Morris方法和Sobol’方法，研究结果表明SOT、MARS和Morris方法能用较少的样本量准确的筛选出敏感参数。（2）比较了5种统计仿真器：多元自适应样条回归（MARS），高斯过程回归（GPR），随机树森林（RF），支持向量机（SVM），人工神经网络（ANN）。研究结果表明随着样本数目的增加，统计仿真器的误差在减少。一般400个样本点时误差已经比较稳定，5种方法中以GPR效果最好。（3）对CoLM的6项输出结果：感热、潜热、上行长波、净辐射、土壤温度和土壤湿度，分别进行了单目标和多目标优化。我们提出基于统计仿真器的自适应优化方法（Adaptive Surrogate Model-based Optimization，ASMO），能够合理利用计算资源，减小原模型运行次数。通过与CoLM默认参数化方案和SCE-UA直接优化结果的对比，可见除土壤温度外，其他通量的模拟误差均有10%左右的改进。这说明本项目提出的方法确实能够用比较低的成本提升CoLM模型的模拟效果。本项目开发的不确定性分析软件系统能够应用于大复杂系统动力模型的优化，可进一步推广到区域/全球陆面模式、中尺度数值天气预报甚至全球气候模式，具有可观的应用前景。