基于机器学习框架探讨气象与气溶胶对暖云及混合相云微物理性质的影响

《Atmospheric Environment》：Investigating the Meteorological and Aerosol Influences on Microphysical Properties of Warm and Mixed-phase Clouds: A Machine Learning Framework

　　

**摘要**

气溶胶通过调节云的垂直结构和降水效率，对气候产生强烈影响。本研究利用印度热带站点加丹基（Gadanki，13.5°N，79.2°E）近七年的地面、原位和卫星观测数据，研究了暖云（0°C以下）和混合相云（-20°C至-40°C范围内）中的气象与气溶胶相互作用，重点关注识别依赖于相的气溶胶-云相互作用路径及其在云内的垂直结构。采用随机森林和极端梯度提升模型，将云光学厚度（COD）与气溶胶光学厚度（AOD）及气象条件相关联。通过分析云底以上的COD子层，本研究区分了气溶胶、热力学和动力学对云光学性质的控制如何随云相和云内垂直位置而变化。在暖云中，靠近云底的COD与AOD表现出强关联，在所有液态水路径区间中均发挥主导的正向影响，这与云凝结核（CCN）受限活化及在高气溶胶负荷下饱和的预期模式一致。随着高度增加，这种AOD关联减弱，并被风速取代，表明卷吸驱动的对流混合作用日益增强。云底温度成为大多数液态水路径区间的额外预测因子，与较低温度下CCN增长增加的情况一致。相比之下，混合相云的柱积分COD与温度的关联最强，这与冰形成和液态水耗散相关的云条件一致。在靠近云底处，AOD作为次要预测因子出现，较高COD与较低AOD更倾向于相关，这与在相对清洁条件下CCN更高效活化相关的情况一致，且AOD的作用相对于热力学和冰相过程而言有所降低。同时，风向成为子层的主导调节因子，反映了气团来源对结冰和过冷液态水持久性的影响。这些结果表明，气溶胶对COD的影响强烈依赖于相和高度，强调了在气候模型中需要实现相感知的气溶胶-云-气象耦合表征。

**引言**

气溶胶作为云凝结核（CCN）或冰核（IN），改变云的属性，从而影响地球辐射收支和水文循环。这些气溶胶-云相互作用（ACI）取决于气溶胶特性、云相和气象条件。在暖云中，Twomey效应将较高的CCN浓度与较小的云滴和增强的云反照率联系起来（Feingold等，2003；Twomey，1977）。在混合相云中，由主要成核气溶胶类型控制的结冰和凇附间接效应，在调节辐射通量和降水过程方面发挥关键作用（Christensen等，2014）。

气溶胶-云相互作用的气候响应迅速，但其有效辐射强迫仍存在高度不确定性，正如最近政府间气候变化专门委员会（IPCC）评估所指出的（Forster和Storelvmo，2021），这是由于全球环流模型缺乏大规模观测约束所致（France等，2013；Seinfeld等，2016）。一个关键挑战在于将气溶胶效应与气象对云属性的影响区分开来，这妨碍了准确表征气溶胶-云-辐射相互作用及其在未来气候预测中的作用（Zhao等，2025）。因此，对气溶胶、云和气象的综合观测对于约束模型和评估其敏感性至关重要。

大量区域和全球尺度的观测研究致力于量化气溶胶-云相互作用（Alexandri等，2024；Rosenfeld等，2014）。虽然卫星提供了全球视角，但在获取近云气溶胶浓度和区分有云与无云场景方面面临挑战（Christensen等，2017）。在区域尺度上，机载测量和地面遥感，如微脉冲激光雷达，为ACI过程提供了关键约束。

在印度的原位气球观测（Ravi Kiran等，2022）揭示了低层云中显著的ACI。在此基础上，在加丹基，Nandan等（2022）将地面数据和卫星数据与气球观测相结合，利用云和气溶胶光学厚度（COD和AOD）作为受液态水路径和气象条件约束的代理变量，估算了暖云的ACI参数。ACI值在理论范围内，在云底附近COD-AOD相关性最强，并随高度在液态水路径箱（30–150 g m?2）中降低。该研究还表明，与其他方向相比，在西北风下云底处的ACI增强。为了更好地理解ACI的动力学控制，利用MST雷达和ERA5的进一步分析（Nandan和Ratnam，2023）显示，上升气流促进新液滴形成并增强ACI，而下沉气流和卷吸则根据湍流混合机制对其进行调节。发现云顶上方的湍流将高ACI限制在云底附近，而在其缺失时，增强的ACI出现在约60 m以上（Nandan和Ratnam，2025）。这些结果强调了垂直运动和湍流在调节ACI方面的耦合作用。

利用地面、原位和卫星观测，研究了-20°C至-40°C范围内的气溶胶与混合相云的相互作用（Bhattacharyya等，2026）。以再分析推导的液态和冰水路径为约束的AOD和COD相关分析显示，在宽度为1 g m?2（范围0–25 g m?2）的IWP箱中关联较弱，但在宽度为0.1 g m?2（范围0–0.4 g m?2）的LWP箱中关联中等至较强，峰值出现在云底以上60–120 m处。IWP箱内显著的COD-AOD相关性在季风和后季风期间最为频繁，与阿拉伯海和孟加拉湾的海洋气团侵入有关。这些发现强调了热力学、动力学和气团来源在塑造ACI方面的耦合作用。因此，暖云和混合相云中不同LWP和IWP区间下COD-AOD关系对立的物理机制仍未得到充分约束。

虽然在暖云和混合相云的气溶胶-云相互作用（ACI）理解方面取得了实质性进展，但仍存在一些关键局限。许多以往研究依赖于恒定的液态或冰水路径假设，这过度简化了云调整过程并掩盖了微观物理反馈的作用（Chen等，2022）。此外，线性AOD-COD框架无法充分表征ACI固有的非线性和气象依赖性，且未解决气溶胶、热力学和动力学因子之间的条件依赖关系（Bender等，2024）。重要的是，现有研究很少量化多个相互关联混杂因子中各个驱动因子的相对重要性，限制了过程层面的解释（Jia等，2024）。

在此背景下，机器学习方法提供了一个强大的诊断框架，能够在现实环境变异性下捕捉非线性气溶胶-云-气象相互作用和云调整过程（Alpaydin，2020；Li等，2024）。当与可解释性工具相结合时，机器学习能够实现预测因子影响的物理可解释归因，在统计关联和因果推断之间提供中间步骤（Jesson等，2021）。

为弥补这些空白，本研究利用为期7年（2010-2018）的地面激光雷达和原位探空仪协同观测数据以及再分析数据构建的数据驱动框架，研究了加丹基（13.5°N，79.2°E）暖云（0°C以下）和混合相云（-20°C至-40°C）中控制云光学厚度（COD）的气象和气溶胶因子。大多数早期研究在很大程度上依赖于单相云表征，并假设在固定液态或冰水路径条件下存在线性气溶胶-云关系，限制了其捕捉云调整过程和相变的能力。近期基于机器学习的研究也依赖于单相云表征，且未充分探讨ACI路径的相依赖性和云内垂直变化（Bender等，2024；Jia等，2024；Li等，2024）。通过将统一的机器学习框架应用于暖云和混合相云，并显式分辨云内子层的COD变化，本研究旨在（1）在AOD与多个气象协变量中识别COD的主导驱动因子并量化其相对重要性，以及（2）区分实际调控COD的相依赖且垂直变化的气溶胶-云相互作用路径。据我们所知，这是第一项在统一机器学习框架下直接比较暖云和混合相云中ACI路径的研究，同时分辨云底以上的ACI特征垂直结构。它还强调了相比以往研究的进步，以往研究依赖于线性相关方法或单相框架（Bhattacharyya等，2026；Nandan等，2022）。本文组织结构如下：第2节介绍仪器和数据；第3节概述方法；第4节讨论结果；第5节总结结论。

**仪器与数据**

**微脉冲激光雷达**

微脉冲激光雷达（MPL）是一种单偏振、单基地、同轴激光雷达，利用二极管泵浦Nd:YAG激光器向大气发射波长为532 nm、能量为4 μJ的脉冲。卡塞格林望远镜接收来自大气中分子、气溶胶和云的后散射光子。在距地面375 m处，激光束与望远镜视场之间的总重叠发生。为获得背景噪声校正，取30 km至45 km的平均光子计数。

**用于COD预测的机器学习框架**

云光学厚度（COD）与气溶胶光学厚度（AOD）、温度（T）、相对湿度（RH）、风速（WS）、风向（WD）、垂直风（VW）、液态水路径（LWP）和冰水路径（IWP）等大气参数之间存在复杂的非线性关系，这源于云微观物理和动力学的耦合作用。传统统计回归模型，包括线性和多元回归，依赖于强线性假设和预测因子假设。

**使用机器学习预测暖云和混合相云中的COD**

随机森林（RF）和极端梯度提升（XGB）模型应用于预测暖云的COD，使用多个预测因子（如上所述），针对不同宽度为30 g m?2的LWP箱，以及包含LWP和IWP作为预测因子的混合相云。

图3（a-d）展示了使用RF模型针对不同LWP箱预测0-30 m处观测和预测COD_0-30 m的散点图，同时展示了R2、RMSE和MAE。对于每个LWP箱，从云底高度（CBH）起的COD_0-30 m显示出中等相关性。

**总结与结论**

据我们所知，本研究是首次采用观测约束的机器学习框架同时研究暖云和混合相云，显式识别相依赖且垂直分辨的ACI路径，使用了长期的地面、原位和卫星协同观测。主要发现总结如下。

1. RF和XGB模型在暖云和混合相云光学性质的预测技能方面表现相当，证明……

**CRediT作者贡献声明**

Renju Nandan：撰写—审阅与编辑、调查、形式化分析。
A. Sai Krishnaveni：撰写—审阅与编辑、验证、形式化分析。
Trishna Bhattacharyya：撰写—审阅与编辑、方法论、形式化分析、数据整理。
M Venkat Ratnam：撰写—审阅与编辑、监督、资源、调查、概念化。

**未引用参考文献**

Korolev and McFaroquhar, 2017.

**利益冲突声明**

? 作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：
M. Venkat Ratnam报告了由国家大气研究实验室提供的财政支持、行政支持和设备、药品或物资。如有其他作者，他们声明没有已知的可能影响本文所述工作的财务利益或个人关系。

**致谢**

我们感谢空间部和NARL为本研究提供设施和奖学金支持。我们感谢NARL工作人员操作微脉冲激光雷达和探空仪系统，并维护本研究所使用的长期质量可靠观测数据。我们还感谢CALIPSO（10.5067/CALIOP/CALIPSO/LID_L2_05KMCPro-Standard-V4-20，数据访问日期2021-09-30），MODIS（10.5067/MODIS/MCD06COSP_D3_MODIS.062，数据访问日期2024-10-29），HYSPLIT（//www.ready.noaa.gov/）。

Trishna Bhattacharyya | A. Sai Krishnaveni | Renju Nandan | M. Venkat Ratnam
国家大气研究实验室，Gadanki 517112，印度