Los puntos clave no están disponibles para este artículo en este momento.
Resumen. Los modelos de superficie terrestre son una herramienta importante en el estudio del cambio climático y sus impactos, pero su uso puede verse obstaculizado por incertidumbres en la configuración de parámetros de entrada y por errores en los modelos. Aplicamos técnicas de cuantificación de incertidumbre (UQ) para restringir el espacio de parámetros de entrada y las simulaciones históricas correspondientes de JULES-ES-1.0 (Simulador Ambiental de Tierra del Reino Unido Sistema Tierra), el componente de superficie terrestre del Modelo del Sistema Tierra del Reino Unido, UKESM1.0. Usamos un conjunto de simulaciones históricas del modelo de superficie terrestre para descartar miembros del conjunto y configuraciones de parámetros de entrada correspondientes que no coinciden con observaciones modernas de la superficie terrestre y el ciclo del carbono. Dado que JULES-ES-1.0 es costoso computacionalmente, utilizamos un proxy estadístico barato denominado emulador, entrenado en el conjunto de ejecuciones del modelo, para descartar partes del espacio de parámetros donde el simulador aún no se ha ejecutado. Usamos ajuste de historia, un enfoque iterativo para restringir JULES-ES-1.0, ejecutando un conjunto inicial y entrenando el emulador, antes de elegir una segunda ola de miembros del conjunto consistente con observaciones históricas de la superficie terrestre. Logramos descartar el 88 % del espacio de parámetros de entrada inicial como estadísticamente inconsistente con el comportamiento observado de la superficie terrestre. El resultado es un conjunto de simulaciones históricas y un espacio de entrada restringido que son estadísticamente consistentes con observaciones. Además, utilizamos análisis de sensibilidad para identificar los parámetros de entrada más (y menos) importantes para controlar la salida global de JULES-ES-1.0 y proporcionar información sobre cómo podrían variar los parámetros para mejorar el rendimiento del modelo y eliminar sesgos del modelo.
McNeall et al. (Jue,) estudiaron esta cuestión.