基于CABLE陆面过程模型的多目标参数不确定性分析研究——以珠江流域为例

The Pearl River Basin is densely populated and economically intensive. The downstream Guangdong-Hong Kong-Macao Greater Bay Area is one of the most important economic growth poles in China. It is of great economic and social significance to accurately understand the changing trends of carbon, water and energy cycles and their attribution analysis under the influence of climate change and human activities. Land surface model is an important tool to simulate and explain the complex cycle on land surface. However, the land surface model has large parameter uncertainties in the simulation process. In this study, we take CABLE land surface model to simulate the carbon, water and energy cycle related variables in the Pearl River Basin as an example to constructing a multi-objective parameter uncertainty analysis framework. The parameter uncertainty in complex land surface process model is reduced by multi-objective parameter sensitivity analysis and multi-objective surrogate modeling-based parameter optimization process. The results will improve the model simulations on various variables of carbon, water and energy cycle. The purpose of this study is to reduce the simulation uncertainty of land surface process model and improve its comprehensive simulation ability at regional scale. The results will provide an important scientific basis for the simulation and attribution analysis of carbon and water cycle processes in the Pearl River Basin.

珠江流域内人口与经济体密集，下游粤港澳大湾区是中国最为重要的经济增长极之一。准确理解气候变化与人类活动共同影响下流域内碳、水和能量循环变化趋势及其归因分析具有重要的经济和社会意义。陆面过程模型是模拟和解释陆地下垫面上复杂循环过程的重要工具。然而，陆面过程模型在模拟过程中具有很大的参数不确定性。本研究以CABLE陆面过程模型在珠江流域对碳、水和能量循环相关变量的模拟为例，构造了一个多目标参数不确定性分析框架。研究通过多目标参数敏感性分析及基于替代模型的多目标参数优化过程解决复杂陆面过程模型的参数不确定性问题，从而提高模型对碳、水和能量循环各个变量的综合模拟能力。本研究旨在使用较少的模型模拟次数降低复杂陆面过程模型的模拟不确定性，提高其在区域尺度上对多变量的综合模拟能力，结果将为珠江流域碳、水和能量循环过程的模拟及归因分析提供重要的科学依据。

数值模型是模拟和解释陆地-大气间碳-水-能量循环过程的重要工具，对未来气候变化的预估起到了重要的作用。然而数值模型在模拟过程中存在很大的不确定性。上述不确定性来源主要有以下三个方面：第一，输入数据误差；第二，模型结构误差；第三，模型参数误差。本项目针对第二第三部分模拟不确定性，使用严谨的统计学方法识别并降低模型的模拟不确定性。对于模型结构误差，本项目首先对关注的输出变量做物理过程的敏感性分析，选出对结果敏感的物理过程；然后使用Tukey检验对物理过程中的参数化方案进行分类，再根据Taylor评分选出每个物理方案中最优的参数化方案；最后将各个物理过程的最优参数化方案进行组合，得到模型最优参数化方案组合的集合，从而降低模型模拟过程中的模型结构不确定性。对于模型参数不确定性，本项目根据选定的模型参数化方案组合，选取对模拟结果有影响的全部可调参数，并根据其物理意义确定参数范围。在参数范围内对多维参数均匀抽样，识别并量化参数扰动带来的模型模拟不确定性。随后，本研究使用三种不同原理的参数敏感性分析方法（包括：基于梯度的MOAT方法，基于替代模型的MARS方法以及基于方差分解的Sobol’方法）分别对可调参数进行敏感性分析，得出对模拟变量影响大的参数。综合模型参数物理意义及统计学分析方法，整合分析参数改变对模型模拟的影响机理，从而降低了模拟过程中的参数不确定性。综上，本项目通过严谨的统计学方法，发展了一套系统的模式结构/参数不确定性分析研究框架，通过模型结构/参数不确定性分析手段，减少模型模拟误差，提高模型对碳-水-能量循环相关变量模拟的准确性。本研究内容对模型改进以及未来模型模拟过程提供了重要的理论及技术指导。

内容获取失败，请点击重试