为目标区域开发区域气候建模（RCM）系统的初始任务包括确定各种物理参数化的最佳组合，并在特定方案中微调几个关键参数。值得注意的是，没有一种物理参数化方案是普遍优越的，因为它们的性能受到多种因素的影响，包括区域背景气候和其他参数化的相互作用（Kang等人，2014年）。更具体地说，一种方案在一个区域表现良好，并不一定能在另一个区域同样有效，这突显了在不同背景下进行仔细评估的必要性（Giorgi等人，2012年；Jacob等人，2012年；Mearns等人，2012年；Rockel & Geyer，2008年）。在这方面，优化参数化方案对于RCM用户来说至关重要，以确保所选RCM能够适应该目标区域。这一过程最终可以提高结果的可靠性，无论是用于未来预测还是气候过程研究，同时最大限度地减少RCM固有的不确定性（Park & Park，2021年）。
传统上，气候建模者使用手动选择的物理方案组合（Ajay等人，2019年；Ali等人，2015年；Bhatla等人，2016年；Hassan & Du，2018年；E. Im等人，2008年；Pieczka等人，2017年）或有限的参数值样本（Bao，2013年；Latifah等人，2020年；Y.-B. Li等人，2016年；Martínez-Castro等人，2016年，2018年）来进行敏感性测试，这些方法依赖于他们的经验知识和选择性文献回顾。虽然由于物理方案的离散性，选择最佳方案更为常见，但由于每个方案中包含的参数数量众多且可能取值范围连续，优化这些参数带来了更大的挑战。尽管复杂程度不同，这两种方法在计算上都非常昂贵且耗时，几乎不可能探索所有可能的参数值。因此，实现RCM的理想设置往往是一项艰巨的任务，这突显了需要一种更系统的参数优化方法。
为了解决传统敏感性测试的挑战，采用了一种新技术——微遗传算法（μGA；Krishnakumar，1990年）来自动化和优化敏感性测试过程。它是遗传算法（GA）的一个流行变体，基于进化原理（Holland，1973年，1975年），通过选择适应良好的个体来识别最佳配置。μGA通过简化或省略突变和选择等步骤，简化了这一过程，从而减少了计算时间（Hong等人，2014年）。该算法已在从水资源管理到工程设计等各种应用中取得成功（Babbar-Sebens & Minsker，2010年；Chakravarty等人，2002年；Crowe等人，2006年；Zimmer等人，2015年）。特别是，它已与区域气候模型（例如Weather Research and Forecasting，WRF）或地表模型（例如Noah）有效结合，显示出提高模型性能的有希望的结果（Hong等人，2014年；Lim等人，2022年；Park & Park，2021年；Yoon等人，2021年，2024年；Zhu等人，2019年）。
基于这些先前研究建立的良好基础，本研究首次将μGA与区域气候模型的第五版（RegCM5；Giorgi等人，2023年）结合使用，该版本最近由Abdus Salam国际理论物理中心（ICTP）发布，该中心是RegCM的开发机构。RegCM5的最新版本在非静力动力学核心方面进行了改进，并对物理方案进行了大量更新（Filippo Giorgi等人，2023年）。尽管取得了这些进步，RegCM5的性能仍然严重依赖于区域设置和参数化配置。因此，这种依赖性提供了一个及时的机会，可以利用μGA与RegCM5的巨大潜力来自动化敏感性测试，提高效率和效果，最终支持更广泛的RegCM5用户社区。
为了展示本研究开发的RegCM5与μGA（RegCM5-μGA）的有效性，我们专注于优化Tiedtke积云对流方案（Tiedtke，1989年）中的关键参数。该方案被选用于东南亚的陆地和海洋地区，因为它在RegCM5开发者推荐的基准版本中经过严格评估后被确定为最佳的对流参数化方案（Coppola等人，2024年）。Tiedtke方案在模拟积云对流方面得到了广泛验证（Ajay等人，2019年；Bao，2013年；Bhatla等人，2016年；Martínez-Castro等人，2016年，2018年），并且包含许多可调整的参数以适应不同区域。先前的研究表明，模拟的降水模式对这些参数的配置值非常敏感（Villalba-Pradas & Tapiador，2022年；Y. Wang等人，2007年）。这种高敏感性，加上对流参数化是区域气候预测中不确定性主要来源的事实（Dash等人，2006年；Y. Liu & Ding，2002年；Ngo-Duc等人，2024年；Zou & Zhou，2011年），强调了优化Tiedtke参数是一个强有力的、相关的测试案例，可以展示RegCM5-μGA框架的性能。
我们的研究领域是东南亚，该地区由协调区域气候降尺度实验-协调区域评估输出框架（CORDEX-CORE，Giorgi等人，2009年）定义。该地区以强烈的对流和大量的降雨为特征（Yang等人，2019年），在准确模拟降水方面面临重大挑战（Ge等人，2021年；Im & Eltahir，2018年；Ngo-Duc等人，2024年；Supari等人，2020年），使其成为一个理想的测试平台。在东南亚进行的RegCM应用一致表明，降水模拟的可靠性高度依赖于积云对流方案（Juneng等人，2016年；Z. Wang等人，2020年）。在常用的方案中，Emanuel和Kain–Fritsch方案通常会高估夏季降水，而Tiedtke方案则倾向于产生更真实的季节性模式，但在东南亚的赤道和沿海地区引入了干旱偏差（Desmet等人，2025年；Z. Wang等人，2020年）。这突显了通过参数优化进行改进的空间。
鉴于对流方案在模拟极端降水方面的作用至关重要（Ali等人，2015年；B. Li等人，2023年），耦合的RegCM5-μGA框架旨在识别最佳的对流参数集，同时模拟多个极端降水事件。为了最大化计算效率，优化使用了三个具有显著不同特征和重要性的极端降水事件。然后通过模拟六个额外的极端事件来评估优化后的参数。与长期气候学优化相比，这种基于事件的方法降低了计算成本。结果将提供有关这种优化策略更广泛适用性的宝贵见解，特别是探讨基于事件的参数优化是否可以有效改善其他不同极端事件的模拟。
