云在地球气候系统中发挥着重要作用。作为云的一种宏观物理属性，云量显著影响大气辐射传输与云微物理过程。然而，在当前大气环流模式中，云通常属于次网格尺度的过程，因此云量需通过参数化方案进行模拟。由于对次网格物理过程的理解尚不充分，现有云量参数化方案普遍存在较大偏差。发展更为准确的云量参数化方案，有助于改善数值模式对云物理属性的模拟，从而提高模式对天气和气候的模拟预测能力。
此前，我系青年研究员陈国兴课题组利用CloudSat卫星观测数据开发了一种基于神经网络的尺度自适应（Network-based Scale-Adaptive，简称NSA1）云量参数化方案（Chen et al., 2023）。该方案利用神经网络方法，克服了次网格物理机制不明确的限制，避免了对参数化公式的不合理假设；基于卫星观测数据，最大程度减小了数据不确定性带来的误差；明确考虑格点尺度的影响，具有分辨率自适应能力。NSA1方案相比于传统方案表现出更优的云量模拟效果，并已在WRF模式中应用。结果表明方案能够改善台风路径的模拟（Luo et al., 2025），降低青藏高原地表冬季温度偏低和夏季夜间降水偏少的模拟误差（Li et al., 2024; Jiang et al., 2025）。
近日，我系2021级本科生范钦瑜同学（现为2025级硕士生）在复旦大学本科生科研项目“望道”项目（现已结题，获评优秀；指导教师：陈国兴青年研究员）的支持下，对NSA1方案改进升级，开发了NSA2方案。研究成果以An Improved Neural Network-based Scale-adaptive Cloud Fraction Scheme: Incorporation of Atmospheric Stability为题发表在Journal of Geophysical Research: Atmospheres上（Fan et al., 2025）。
相对于NSA1方案，NSA2方案做了两个方面重要改进。首先，NSA2在输入层中引入了表征大气稳定度的变量——地表温度以及三个特定高度的大气温度，旨在提升方案对低云云量的预测能力。相较于使用完整的大气垂直廓线，该设计仅依赖有限高度层的温度信息，不仅有效捕捉了影响低云形成的关键热力结构，还大幅增强了方案的通用性，使其可灵活适配任意垂直分层配置的数值模式。其次，NSA2在输出中新增了体积云量这一物理量，有助于更准确地刻画云量对云微物理过程和大气化学反应的影响，从而提升相关过程的模拟精度。
研究结果显示，引入大气稳定度信息显著提升了方案的云量预测精度以及尺度自适应能力。在测试集上，NSA2方案对水云、混合相态云和冰云云量的预测均方根误差较NSA1方案分别降低了15.5%、11.6%和6.67%。使用CloudSat数据离线评估表明，NSA2方案能够更准确地再现纬向平均的云量垂直结构和总云量的全球分布特征，其均方根误差分别降低33%和17%。其中，对低云模拟的改进效果尤为显著，有效缓解了NSA1方案在东南太平洋地区对层积云云量的低估问题。此外，基于FGOALS-f3-L大气环流模式模拟数据的离线评估结果也验证了NSA2方案相较于NSA1方案的优越性，表明其在天气与气候模式中改善云量及其相关气候效应模拟方面的潜力。后续研究将聚焦于NSA2方案在模式中的在线应用效果。
图1. NSA2云量参数化方案的神经网络结构示意图
图2. NSA1与NSA2方案基于CloudSat 2006-2019数据模拟的全球云量纬向平均垂直分布相对于CloudSat观测结果的误差分布图。两条虚线表示440 hPa和680 hPa高度，用于划分高云、中云和低云。右上角数字表示方案预测结果相对于CloudSat观测结果的相关系数（r）和均方根误差（RMSE）。
相关论文信息：
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.
Fan, Q., G. Chen*, H. Yang, W.-C. Wang, Y. Gao, and G. Dong, 2025: An improved neural network-based scale-adaptive cloud fraction scheme: Incorporation of atmospheric stability. Journal of Geophysical Research: Atmospheres, 130, e2025JD044619, https://doi.org/10.1029/2025JD044619.
Jiang, H., Y. Gao*, and G. Chen, 2025: Application of network-based scale-adaptive cloud fraction scheme in kilometer-scale nocturnal precipitation simulation over the southeast Tibetan Plateau. Clim Dyn, 63, 332, https://doi.org/10.1007/s00382-025-07764-y.
Li, Y., Y. Gao*, G. Chen, G. Wang, and M. Zhang, 2024: Decomposition and reduction of WRF-modeled wintertime cold biases over the Tibetan Plateau. Clim Dyn, 62, 4189–4203, https://doi.org/10.1007/s00382-024-07126-0.
Luo, E., G. Chen*, W.-C. Wang, J. Feng, and Y. Gao, 2025: Effects of cloud vertical structure on the development of tropical cyclones: A case study based on In-Fa (2021). Atmospheric Research, 315, 107904, https://doi.org/10.1016/j.atmosres.2024.107904.
