南京大学汪名怀教授课题组在利用机器学习改进气候模式中BC老化的模拟方面取得新进展

近期，南京大学大气科学学院汪名怀教授课题组利用观测评估了CESM的大气模式(CAM6)中BC老化过程，并将机器学习模型耦合到在线的CAM6改进了BC混合态表征，揭示了其对BC CCN活化模拟的影响。相关论文发表在《Journal of Geophysical Research: Atmospheres》和《Journal of Advances in Modeling Earth Systems》。论文第一作者为2020级博士生申文祥，通讯作者为汪名怀教授。

老化过程是导致BC模拟和辐射强迫评估不确定性的关键过程，模式中BC老化的不确定性主要与老化阈值和混合态假设有关。课题组首先利用最新的观测数据评估了CAM6中BC老化过程(图1)，结果显示，模式中凝结老化时间尺度比烟雾箱实验快0.8小时(17%)，BC老化率在白天也普遍高于SP2观测，意味着模式模拟的BC老化过快。进一步分析表明，CAM6中SOA的凝结主导(64%)BC的老化过程。增加BC包裹层数阈值(即减慢老化)会导致偏远地区和中高层模拟的BC浓度增加，但对改善当前模式(基于MEIC清单)对于中国地区地表BC浓度的系统性低估影响有限。课题组进一步利用机器学习改进了BC混合态表征。当前模式通常使用完全内混假设(即所有粒子是由相同成分组成，如Sectional或Modal方案)来表征BC的混合态，导致模拟的BC内混程度和相对包裹厚度(R_BC，BC粒子中非BC与BC质量比)非常大。课题组将BC混合态的机器学习模型(由高解析度的粒子解析模式模拟提供训练数据)耦合到在线的CAM6中，将原来的含BC模态划分为两个新模态：含BC模态和不包含BC模态(见图2，MAM4-ML方案)。在全球范围内，MAM4-ML方案模拟的BC内混程度降低了19%，R_BC降低了52%，与观测更加一致(图3)。由于BC包裹层变薄，BC吸湿性下降了9%，BC CCN活化分数降低了20%。通过影响BC CCN活化，该方案还增强了源区BC向北太平洋和极地的传输，导致全球BC负荷增加4%。本研究强调了在模式中在线应用机器学习来改进气溶胶组分预测和关键理化过程模拟，课题组目前也正在撰写MAM4-ML方案对BC光吸收影响相关的论文。

（1）利用观测评估CAM6中BC老化过程；（2）将机器学习模型耦合到在线的CAM6中改进BC混合态表征；（3）改进BC混合态对BC相对包裹厚度、CCN活化和浓度模拟的影响。

论文链接

声明： 欢迎转载、转发。气象学家公众号转载信息旨在传播交流，其内容由作者负责，不代表本号观点。文中部分图片来源于网络，如涉及内容、版权和其他问题，请联系小编(微信：qxxjgzh)处理。