扰动参数集合（PPE）能够揭示物理参数对气候模拟的影响，但在多变量、空间结构化输出上解释参数敏感性仍然困难，尤其是在将模型校准到观测时。我们构建了一个可解释的对比学习模型，将五个月度云和辐射场映射到共享的表征空间。模型在两个 100 成员的 Community Atmosphere Model version 6（CAM6）PPE 上进行训练，这两个 PPE 包含 34 个参数，仅在暖雨微物理方案上不同：默认的 KK2000 整体微物理方案和 TAU-ML——一种基于神经网络的箱式微物理方案模拟器。学习得到的表征能够以超过 94% 的线性分类准确率区分两套 PPE，同时保留因参数扰动产生的季节性变率和集合扩散。在共享表征空间中，卫星观测的表征位于与 PPE 相同的低维流形上，但在北半球春季和秋季的位移最为显著。TAU-ML PPE 与观测的距离普遍小于 KK2000。使用 Integrated Gradients 归因方法，我们发现亚热带低云区、北、南半球风暴通道以及热带对流区对 PPE 与观测差异贡献最大。这些区域归因与云微物理、边界层湍流和深对流相关的参数相关性最强。结果表明，可解释的气候场表征能够将模型差异归因到具体的变量、区域、季节和物理参数。
点评