题目：利用随机森林改进对流参数化——参数评估

背景：积云对流在大气热量👌🏻、水分和动量的传输扮演重要角色🧷，影响着动力学、热力学和辐射过程，也是人类生产👩🏼‍🦱、生活关注的热点。然而🧅，对流云与其环境之间混合的参数假设已被证明是气候模型不确定性的主要来源。同时🫙，但是在过去的几十年中⏭，关键物理过程的参数化改进一直很缓慢🧚🏽‍♀️。改进模式中的对流参数化以减小天气预报和气候预测的误差是需要亟待解决的科学问题🤷🏼‍♀️🔛。最近，新兴的机器学习技术被用于参数化的开发，往往取得了不低于传统方案的性能🏥。这里将尝试利用机器学习来改进积云对流参数化。

报告摘要：气块绝热移动到抬升凝结高度时若温度高于环境则获得浮力⚽️，从而凝结产生降水🕴。对于数值模式🤸🏻‍♀️，当局部是正浮力时，网格平均后T可能还未达标🤙。为此，Kain-Fritsch方案(1993)增加了温度扰动量ΔT,若气块的T+ΔT高于环境温度，则对流发生；方案中ΔT与垂直速度有关，结果是模拟的小雨偏多👩🏽‍🌾，大雨偏少👈。Ma and Tan (2009)对此进行了改进，用水汽平流或温度平流来参数化ΔT📞🐀，误差明显减小🌐。这里✥，我们以3公里WRF模拟的一次强对流过程作为例子，采用随机森林考察诸如垂直速度🚐，对流有效位能CAPE，平流等物理量与降水的关系。结果验证了Ma and Tan (2009)平流在参数化的作用🐏，而CAPE的作用较弱🧑🏻‍🍼，模型的降水预测精度（确定系数）可以达到0.75😏，多因子联合模型的预测精度可以达到0.81。

报告人👩🏽：王夫常，2016年博士毕业于中科院大气所，从事海洋中尺度涡参数化的研究；2016-2018在佛罗里达州立大学做博士后，研究AMOC的温盐结构和变率；2018-2020在上海交大做博后🧽，利用CESM模拟全球变暖停滞及其机理研究；2020至今😒，师从台风所马雷鸣研究员和复旦张峰教授🎟，利用机器学习改进对流参数化🧍‍♀️。

题目👩🏻‍🍳：北极海冰快速融化启动的区域性跷跷板现象研究

报告摘要🙎🏿‍♂️：北极海冰反照率正反馈过程中一个关键的变量是海冰开始融化时间😍。在1979-1998年间，拉普捷夫海的海冰开始融化时间一般晚于东西伯利亚海🧑🏿‍🚒🫶🏿；在1999-2018年间，两海区的海冰开始融化时间具有明显的早晚交替现象。本研究将其称之为海冰开始融化时间跷跷板。此跷跷板现象更明显的时段在1999年之后⛹🏻。在跷跷板为正🪶，即拉普捷夫海海冰开始融化时间较晚时，5月份风暴路径在东西伯利亚海南部，此时东风盛行🧏🏼‍♀️，使得东西伯利亚海表层气温和大气柱水汽含量更高🎪。在跷跷板为负，即拉普捷夫海海冰开始融化时间较早时🤽🏽‍♂️🎣，5月份风暴路径位于拉普捷夫海的西南👧🏿，偏南风携带暖空气进入拉普捷夫海。并且，当4月份巴伦支海附近为低压活动中心时🐂，其驱动拉普捷夫海海冰远离海岸，增强海表面的潜热释放🔎，增加上方大气水汽🍸，使得拉普捷夫海海冰开始融化时间较早。无论是对于局地大气变量🫃🏼，还是大尺度环流指数🛫，都与跷跷板指数在1999年之后更加相关。

报告人：梁红杰博士研究生阶段主要研究北极海冰的快速融化🧗‍♂️，分析北极边缘海拉普捷夫海 在 2020年夏季海冰面积异常偏少的成因，以及拉普捷夫海与邻近的东西伯利亚 海的海冰开始融化时间的相对关系。熟悉 CICE海冰模式、NEMO冰海耦合模 式，并利用模式结果和浮标观测初步分析了北极海冰表面和底部融化的相对占比。 也对北极海冰涉及的全球气候变化研究有兴趣。