Разработка моделей имеет решающее значение для понимания изменения климата
Численные модели являются ключевым инструментом для климатологов в понимании прошлых, настоящих и будущих климатических изменений, возникающих из-за естественной, невынужденной изменчивости или в ответ на внешние воздействия. Об этом заявил доктор Цин Бао, научный сотрудник Государственной ключевой лаборатории численного моделирования атмосферных наук и геофизической гидродинамики (LASG) Института физики атмосферы (ИФА) Китайской академии наук (КАН), ведущий автор недавно опубликованного исследования.
Проект сравнения сопряженных моделей (CMIP), организованный под эгидой Рабочей группы по сопряженному моделированию Всемирной программы исследований климата, использует современные климатические модели для предоставления физической доказательной базы для политиков, например, для МГЭИК. Доктор Бао и его команда отвечают за развитие атмосферной модели климатической модели КАН FGOALS-f3-L и недавно завершили симуляции AMIP в рамках шестой фазы CMIP.
Модель конечных объемов атмосферы (FAMIL) в FGOALS-f3-L, являющаяся атмосферной моделью общей циркуляции нового поколения, была доработана для экспериментов CMIP6 в 2017 году. В этой версии значительно обновлены динамическое ядро и схема параметризации физики модели. Новая модель быстро справляется с огромными вычислительными задачами и устраняет некоторые систематические ошибки, связанные с климатической чувствительностью и микрофизикой облаков, присутствовавшие в предыдущей версии. Текущая версия хорошо воспроизводит как крупномасштабные картины осадков и температуры поверхности, так и внутрисезонные события, такие как Маддена-Джулиана осцилляция и тайфуны.
В соответствии с дизайном экспериментов AMIP были проведены три ансамблевых моделирования за период 1979–2014 гг., вынужденные наблюдаемыми среднемесячными значениями температуры поверхности моря и морского льда. Предварительная оценка показывает, что FGOALS-f3-L хорошо воспроизводит базовые паттерны атмосферной циркуляции и осадков, а анализ этих наборов данных поможет понять источники систематических ошибок моделей.