机构名称：
¥ 2.0
摘要。气候模型中云反馈的不确定性是未来Climeate预测的主要限制。因此，云模拟的评估和改进对于确保气候模型的准确性至关重要。我们在气候模型中相对于卫星观测值分析了云偏差和云的变化，相对于全球平均值近表面温度（GMST），并将它们与均衡气候灵敏度，瞬态气候响应和云反馈相关联。For this purpose, we develop a supervised deep convolutional artificial neural network for determination of cloud types from low-resolution (2.5 ◦ × 2.5 ◦ ) daily mean top-of-atmosphere shortwave and longwave radiation fields, corresponding to the World Meteorological Organization (WMO) cloud genera recorded by human observers in the Global Telecommunication System (GTS).We train this network on top-of-atmosphere radiation retrieved by the Clouds and the Earth's Radiant Energy System (CERES) and GTS and apply it to the Coupled Model Intercomparison Project Phase 5 and 6 (CMIP5 and CMIP6) model output and the European Centre for Medium-Range Weather Forecasts (ECMWF) Reanalysis version 5 (ERA5) and the Modern-Era Retrospective Analysis for Research and Applications version 2 （Merra-2）Reanalyses。我们比较模型和卫星观测值之间的云类型。我们将偏见与气候灵敏度联系起来，并确定云类型的根平方误差与源自神经网络的均方根误差与模型平衡气候灵敏度（ECS），瞬态气候响应（TCR）和云反馈。模型集合中的这种统计关系有利于具有较高EC，TCR和云反馈的模型。但是，这种关系可能是由于当今偏见和未来预测的云变化之间使用的集合的规模相对较小或解耦。使用ebrupt-4×CO 2 CMIP5和CMIP6实验，我们表明，模拟层状减少和增加的累积云的模型往往具有比模拟层状增加和减小累积云的模型更高的EC，并且这也可以部分解释模型云类型的发生之间的关联。
云型的机器学习 - 泰特里 - 观察 -
主要关键词
相关文件推荐
