云可以调节大气系统的能量循环和水循环🤾🏿，对天气和气候变化都有非常重要的作用。然而，当前天气和气候模式对云物理属性及其气候效应的参数化方法存在非常大的缺陷，是气候变化和气候模拟研究不确定性的最大来源。比如，WRF模式中常用的Xu-Randall和Sundqvist次网格云量参数化方案倾向于高估热带地区的高云云量，低估中高纬度的中低层云量（Wang et al., 2023）。这一误差特征与当前气候模式普遍高估热带地区长波云辐射效应、低估中高纬度地区短波云辐射效应的误差特征一致，说明改善云垂直结构的模拟非常有希望降低当前气候模式对于云气候效应的模拟误差、提高模式的模拟预测能力。

近日，我系青年研究员陈国兴课题组利用CloudSat数据开发了一种基于神经网络、具备分辨率自适应能力（Network-based Scale-Adaptive, 简称NSA）的次网格云量参数化方案。相对于传统的云量参数化方案，NSA方案具备以下优点：1）基于神经网络，避免了对参数化方案函数形式的不合理假设⛹🏻‍♂️；2）基于CloudSat数据开发，尽可能减少了基础数据带来的误差；3）考虑了模式水平和垂直分辨率的影响，能够在不同分辨率和变分辨率模式中使用。

该工作还使用离线方法对比了Xu-Randall和NSA方案多年云量模拟结果。发现NSA方案相较于Xu-Randall方案能够更加准确地反映不同相态的云量及其随云水含量、相对湿度的变化特征，显著减少了热带高云云量🧑🏼‍🤝‍🧑🏼、增加了中高纬度的中低层云量💇🏻，改善了云量垂直结构的模拟。这些改善体现在各个气候区🧑‍🎨，对年份和季节变化没有明显的敏感性，说明NSA方案可以适用于不同气候区👌🏻、气候态的云量模拟。

图1.（a）基于神经网络的次网格云量参数化方案的网络结构示意图；（b） 神经网络（NSA）云量方案与Xu-Randall 云量方案离线模拟的2006-2019 纬向平均云量垂直结构与CloudSat 观测结果的对比🤧🍬。

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.