Die Unsicherheit in Bezug auf physikalische Parameter ist eine große Herausforderung bei der numerischen Modellierung. Aufgrund der großen Anzahl solcher Parameter in numerischen Modellen wäre es jedoch sehr arbeits- und ressourcenintensiv, die Unsicherheit für alle zu reduzieren.
Daher ist es entscheidend, die wichtigsten und empfindlichsten physikalischen Parameter und Parameterkombinationen in numerischen Modellen identifizieren und untersuchen zu können.
Um dieses Problem anzugehen, schlugen CAS-Mitglied Mu Mu und sein Team von der Fudan-Universität und dem Institut für Atmosphärenphysik der Chinesischen Akademie der Wissenschaften eine neue Methode vor – „Conditional Nonlinear Optimal Perturbations Sensitivity Analysis (CNOPSA)“ – um Unsicherheiten in numerischen Modellen zu reduzieren .
Ihre Ergebnisse wurden in veröffentlicht Fortschritte in den Atmosphärenwissenschaften.
Sie analysierten zunächst die Grenzen des traditionellen (varianzbasierten) Ansatzes für die Parametersensitivitätsanalyse, der extreme Ereignisse aufgrund des statistischen Einflusses diskreter Parameterstichproben nicht berücksichtigen zu können scheint, und schlugen dann die neue Methode aus deterministischer Sicht vor.
Sie fanden heraus, dass die CNOPSA-Methode in der Lage war, nichtlineare synergistische Effekte der Parameter vollständig zu berücksichtigen und die maximale Auswirkung auf die Modellausgabe aufgrund von Unsicherheiten bei physikalischen Parametern deterministisch schätzen konnte. Je größer also die maximale Auswirkung auf die Modellausgabe aufgrund der Parameterunsicherheit ist, desto wichtiger und empfindlicher ist der Parameter.
Die Forscher wendeten CNOPSA auf ein Grasland-Ökosystemmodell an, um seine Machbarkeit zu testen. Numerische Ergebnisse zeigten, dass die Methode bei der Identifizierung der Empfindlichkeit physikalischer Parameter im getesteten Grasland-Ökosystemmodell wirksam war. Diese Parameter verschoben die modellierte verwelkte Biomasse, was sich auf die Transformation des Grünlandzustands im Ökosystem auswirkte.
Im Vergleich dazu unterschätzte der varianzbasierte Ansatz die Parametersensitivität, da er nicht die Auswirkungen aller Parameter im Parameterraum berücksichtigte.
„In zukünftigen Arbeiten beabsichtigen wir, noch komplexere Landoberflächen-Prozessmodelle einzusetzen, um die Nützlichkeit und Wirksamkeit der CNOPSA-Methode zu validieren“, sagte Prof. Mu.
Mehr Informationen:
Qiujie Ren et al, Ein neuer Sensitivitätsanalyseansatz unter Verwendung bedingter nichtlinearer optimaler Störungen und seine vorläufige Anwendung, Fortschritte in den Atmosphärenwissenschaften (2022). DOI: 10.1007/s00376-022-1445-3