題目🫃🏽：利用隨機森林改進對流參數化——參數評估

背景💈🌠：積雲對流在大氣熱量👩🏼‍🎤、水分和動量的傳輸扮演重要角色，影響著動力學◻️、熱力學和輻射過程，也是人類生產、生活關註的熱點。然而⛏，對流雲與其環境之間混合的參數假設已被證明是氣候模型不確定性的主要來源。同時，但是在過去的幾十年中，關鍵物理過程的參數化改進一直很緩慢🤹🏿‍♀️🤒。改進模式中的對流參數化以減小天氣預報和氣候預測的誤差是需要亟待解決的科學問題🧑🏻‍🦼‍➡️。最近🙇🏼‍♀️🕐，新興的機器學習技術被用於參數化的開發，往往取得了不低於傳統方案的性能🧑🏻‍🦽‍➡️。這裏將嘗試利用機器學習來改進積雲對流參數化。

報告摘要：氣塊絕熱移動到抬升凝結高度時若溫度高於環境則獲得浮力🍲🎥，從而凝結產生降水🚣🏽。對於數值模式𓀈👨‍👩‍👦，當局部是正浮力時，網格平均後T可能還未達標👩‍👦‍👦。為此，Kain-Fritsch方案(1993)增加了溫度擾動量ΔT,若氣塊的T+ΔT高於環境溫度🚴🏿，則對流發生；方案中ΔT與垂直速度有關👩‍🏫，結果是模擬的小雨偏多Ⓜ️👨🏻‍🦼，大雨偏少。Ma and Tan (2009)對此進行了改進🌨，用水汽平流或溫度平流來參數化ΔT，誤差明顯減小。這裏，我們以3公裏WRF模擬的一次強對流過程作為例子🤽🏻‍♂️，采用隨機森林考察諸如垂直速度，對流有效位能CAPE，平流等物理量與降水的關系🦨。結果驗證了Ma and Tan (2009)平流在參數化的作用，而CAPE的作用較弱🧠，模型的降水預測精度（確定系數）可以達到0.75🚱，多因子聯合模型的預測精度可以達到0.81。

報告人：王夫常，2016年博士畢業於中科院大氣所，從事海洋中尺度渦參數化的研究🤱🏿🔑；2016-2018在佛羅裏達州立大學做博士後，研究AMOC的溫鹽結構和變率；2018-2020在上海交大做博後🏃‍♂️‍➡️，利用CESM模擬全球變暖停滯及其機理研究🏄😮‍💨；2020至今🛵，師從臺風所馬雷鳴研究員和復旦張峰教授，利用機器學習改進對流參數化🧎‍➡️😴。

題目🖖：北極海冰快速融化啟動的區域性蹺蹺板現象研究

報告摘要😵‍💫：北極海冰反照率正反饋過程中一個關鍵的變量是海冰開始融化時間。在1979-1998年間，拉普捷夫海的海冰開始融化時間一般晚於東西伯利亞海👩‍🦳；在1999-2018年間🫦，兩海區的海冰開始融化時間具有明顯的早晚交替現象。本研究將其稱之為海冰開始融化時間蹺蹺板。此蹺蹺板現象更明顯的時段在1999年之後🥼。在蹺蹺板為正🔦，即拉普捷夫海海冰開始融化時間較晚時，5月份風暴路徑在東西伯利亞海南部🏌🏿，此時東風盛行，使得東西伯利亞海表層氣溫和大氣柱水汽含量更高🎰。在蹺蹺板為負，即拉普捷夫海海冰開始融化時間較早時，5月份風暴路徑位於拉普捷夫海的西南🥗🐅，偏南風攜帶暖空氣進入拉普捷夫海。並且🂠，當4月份巴倫支海附近為低壓活動中心時👨‍👧👨🏼‍🦰，其驅動拉普捷夫海海冰遠離海岸，增強海表面的潛熱釋放🧎‍♂️‍➡️，增加上方大氣水汽，使得拉普捷夫海海冰開始融化時間較早🧘‍♂️。無論是對於局地大氣變量⁉️，還是大尺度環流指數，都與蹺蹺板指數在1999年之後更加相關♍️。

報告人👩🏼‍🌾：梁紅傑博士研究生階段主要研究北極海冰的快速融化，分析北極邊緣海拉普捷夫海 在 2020年夏季海冰面積異常偏少的成因🙇🏻‍♀️▫️，以及拉普捷夫海與鄰近的東西伯利亞 海的海冰開始融化時間的相對關系。熟悉 CICE海冰模式🎷、NEMO冰海耦合模 式🧑🏼‍💼，並利用模式結果和浮標觀測初步分析了北極海冰表面和底部融化的相對占比🦴。 也對北極海冰涉及的全球氣候變化研究有興趣。