奥利弗·R·A·邓巴。;阿尔弗雷多·加布诺·伊尼戈;塔皮奥·施耐德;安德鲁·斯图尔特（Andrew M.Stuart）。 理想GCM中对流参数的校准和不确定性量化。 arXiv公司：2012.13262 预印本，arXiv:2012.13262[math.ST]（2020）。 概要：气候模型中的参数通常是手动校准的，仅利用可用数据的一小部分。这就排除了不确定性的最佳校准和量化。允许不确定性量化的传统贝叶斯校准方法对气候模型来说过于昂贵；在存在内部气候变化的情况下，它们也不稳健。例如，马尔可夫链蒙特卡罗（MCMC）方法通常需要运行（O（10^5））模型，并且对内部变异性噪声敏感，因此不适用于气候模型。在这里，我们演示了一种模型校准和不确定性量化方法，该方法只需要（O（10^2））模型运行，并且可以适应内部气候变化。该方法由三个阶段组成：（i）校准阶段使用集合卡尔曼反演的变体，通过最小化模型和数据统计之间的失配来校准模型；（ii）仿真阶段使用高斯过程（GP）模拟参数到数据映射，使用校准阶段运行的模型进行训练；（iii）采样阶段通过使用MCMC对GP仿真器进行采样来近似贝叶斯后验分布。我们证明了这种校准仿真样本（CES）方法在完美模型设置中的可行性和计算效率。使用理想的大气环流模型，我们根据模型生成的合成数据估计简单对流方案中的参数。CES方法生成参数的概率分布，这些参数是贝叶斯后验的良好近似，其计算成本仅为获得它们通常所需的计算成本的一小部分。从这个近似后验值进行采样，可以生成具有量化参数不确定性的气候预测。 BibTeX公司 引用 \textit{O.R.A.Dunbar}等人，“理想GCM中对流参数的校准和不确定性量化”，预印本，arXiv:2012.13262[math.ST]（2020） 全文： 内政部 arXiv公司 OA许可证 arXiv数据来自arXiv OAI-PMH API.如果你发现了错误，请直接向arXiv报告.