Key points are not available for this paper at this time.
Zusammenfassung. Landoberflächenmodelle sind ein wichtiges Werkzeug im Studium des Klimawandels und seiner Auswirkungen, aber ihre Verwendung kann durch Unsicherheiten bei den Eingabeparametern und durch Fehler in den Modellen behindert werden. Wir wenden Techniken der Unsicherheitsquantifizierung (UQ) an, um den Eingabeparameterraum und die entsprechenden historischen Simulationen von JULES-ES-1.0 (Joint UK Land Environment Simulator Earth System), dem Landoberflächenkomponenten des britischen Erdsystems-Modells, UKESM1.0, einzuschränken. Wir nutzen ein Ensemble historischer Simulationen des Landoberflächenmodells, um Ensemblemitglieder und entsprechende Eingabeparameter, die nicht mit modernen Beobachtungen der Landoberfläche und des Kohlenstoffzyklus übereinstimmen, auszuschließen. Da JULES-ES-1.0 rechnerisch teuer ist, verwenden wir einen kostengünstigen statistischen Proxy, der als Emulator bezeichnet wird und auf dem Ensemble der Modellläufe trainiert wird, um Teile des Parameterraums auszuschließen, in denen der Simulator noch nicht ausgeführt wurde. Wir verwenden History Matching, einen iterativen Ansatz zur Einschränkung von JULES-ES-1.0, indem wir ein anfängliches Ensemble ausführen und den Emulator trainieren, bevor wir eine zweite Welle von Ensemblemitgliedern auswählen, die mit historischen Landoberflächenbeobachtungen übereinstimmen. Erfolgreich schließen wir 88 % des anfänglichen Eingabeparameterraums aus, da sie statistisch inkonsistent mit beobachtetem Verhalten der Landoberfläche sind. Das Ergebnis ist ein Satz historischer Simulationen und ein eingeschränkter Eingabeparameterraum, die statistisch mit den Beobachtungen übereinstimmen. Darüber hinaus verwenden wir eine Sensitivitätsanalyse, um die wichtigsten (und am wenigsten wichtigen) Eingabeparameter zu identifizieren, die die globale Ausgabe von JULES-ES-1.0 steuern, und bieten Informationen dazu, wie Parameter variiert werden könnten, um die Leistung des Modells zu verbessern und Modellverzerrungen zu beseitigen.
McNeall et al. (Do,) haben diese Frage untersucht.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: