雲可以調節大氣系統的能量循環和水循環，對天氣和氣候變化都有非常重要的作用。然而🏄，當前天氣和氣候模式對雲物理屬性及其氣候效應的參數化方法存在非常大的缺陷，是氣候變化和氣候模擬研究不確定性的最大來源👨‍🦽‍➡️。比如🍶，WRF模式中常用的Xu-Randall和Sundqvist次網格雲量參數化方案傾向於高估熱帶地區的高雲雲量🙇🏼，低估中高緯度的中低層雲量（Wang et al., 2023）🫃🏽。這一誤差特征與當前氣候模式普遍高估熱帶地區長波雲輻射效應🧛🏽‍♂️、低估中高緯度地區短波雲輻射效應的誤差特征一致，說明改善雲垂直結構的模擬非常有希望降低當前氣候模式對於雲氣候效應的模擬誤差、提高模式的模擬預測能力。

近日，我系青年研究員陳國興課題組利用CloudSat數據開發了一種基於神經網絡👩‍❤️‍👨、具備分辨率自適應能力（Network-based Scale-Adaptive, 簡稱NSA）的次網格雲量參數化方案。相對於傳統的雲量參數化方案，NSA方案具備以下優點👉🏼：1）基於神經網絡，避免了對參數化方案函數形式的不合理假設🧣；2）基於CloudSat數據開發🧛‍♀️，盡可能減少了基礎數據帶來的誤差🧑🏻‍🦰；3）考慮了模式水平和垂直分辨率的影響，能夠在不同分辨率和變分辨率模式中使用。

該工作還使用離線方法對比了Xu-Randall和NSA方案多年雲量模擬結果。發現NSA方案相較於Xu-Randall方案能夠更加準確地反映不同相態的雲量及其隨雲水含量、相對濕度的變化特征🖐🏽，顯著減少了熱帶高雲雲量、增加了中高緯度的中低層雲量，改善了雲量垂直結構的模擬👨‍❤️‍👨。這些改善體現在各個氣候區🔮，對年份和季節變化沒有明顯的敏感性，說明NSA方案可以適用於不同氣候區、氣候態的雲量模擬🦹🏼‍♂️。

圖1.（a）基於神經網絡的次網格雲量參數化方案的網絡結構示意圖；（b） 神經網絡（NSA）雲量方案與Xu-Randall 雲量方案離線模擬的2006-2019 緯向平均雲量垂直結構與CloudSat 觀測結果的對比#️⃣。

https://doi.org/10.1016/j.atmosres.2022.106510.

Chen, G.*, W.-C. Wang, S. Yang, Y. Wang, F. Zhang, and K. Wu, 2023: A neural network‐based scale‐adaptive cloud‐fraction scheme for GCMs. Journal of Advances in Modeling Earth Systems, 15, e2022MS003415, https://doi.org/10.1029/2022MS003415.